Anthropic misst zunehmende Automatisierung in der KI-Entwicklung

30.000 Agenten auf einer internen Plattform

Neben dem R&D Automation Index nennt Anthropic weitere Kennzahlen zur internen Nutzung. Auf der meistgenutzten Plattform des Unternehmens sollen im August zeitweise rund 30.000 Forschungs- und Entwicklungsagenten gleichzeitig aktiv gewesen sein.

Unter einem Agenten ist in diesem Zusammenhang ein System zu verstehen, das nicht nur einzelne Antworten erzeugt, sondern mehrere Aktionen in einer festgelegten Umgebung ausführen kann. Ein Agent kann beispielsweise Dateien durchsuchen, Code verändern, Tests starten, Ergebnisse bewerten und Folgeaufgaben anstoßen. Die genaue technische Ausgestaltung und die Aufgabenteilung zwischen den Agenten sind aus den vorliegenden Angaben jedoch nicht vollständig ersichtlich.

Die Zahl von 30.000 gleichzeitig aktiven Agenten ist daher nicht mit 30.000 voneinander unabhängigen KI-Forschern gleichzusetzen. Agenten können kurzlebige Prozesse sein, mehrfach dieselben Grundmodelle verwenden oder innerhalb stark begrenzter Aufgabenbereiche arbeiten. Die Kennzahl verdeutlicht dennoch die Größenordnung, in der Anthropic agentische Systeme intern einsetzt.

Mit einer solchen Infrastruktur verschiebt sich der Schwerpunkt der Entwicklungsarbeit. Die zentrale Frage lautet dann nicht mehr nur, wie gut ein einzelnes Modell eine Aufgabe löst. Entscheidend wird auch, wie zuverlässig eine große Zahl von Modellinstanzen koordiniert, überwacht und in bestehende Entwicklungsprozesse integriert werden kann.

Automatische Kontrollen vor der Ausführung

Anthropic erklärt, dass die Aktionen der internen Agenten vor ihrer Ausführung automatisch kontrolliert werden. Nach Angaben des Unternehmens überprüfte das System mehr als eine Milliarde Entscheidungen. Dabei sei ungefähr eine von 47.000 Aktionen blockiert worden.

Diese Zahl lässt sich rechnerisch grob als ein Anteil von rund 0,0021 Prozent einordnen. Eine geringe Blockierungsrate ist allerdings nicht automatisch ein Beleg für ein geringes Risiko. Sie kann bedeuten, dass die Systeme überwiegend in sicheren Umgebungen eingesetzt werden, dass die Regeln sehr eng gefasst sind oder dass die meisten problematischen Aktionen bereits durch andere Mechanismen verhindert werden.

Für eine belastbare Bewertung wären weitere Informationen notwendig. Dazu zählen die Definition einer „Entscheidung“, die Art der blockierten Aktionen, die Kriterien des Kontrollsystems und die Frage, ob nach einer Blockierung ein Mensch eingreift. Ebenfalls relevant ist, wie oft das System eine riskante Aktion nicht erkennt und ob die Kontrollen auch bei neuartigen oder gezielt manipulierten Eingaben zuverlässig funktionieren.

Aus Sicht der Unternehmenspraxis ist die grundsätzliche Richtung jedoch bedeutsam. Je mehr Agenten in produktiven oder forschungsnahen Umgebungen aktiv sind, desto wichtiger werden technische Schutzschichten zwischen Modell und Ausführungsebene. Dazu gehören Berechtigungsmodelle, Sandboxes, Protokollierung, Freigabestufen und die Möglichkeit, Agentenprozesse jederzeit zu unterbrechen.

Sicherheitsarbeit benötigt zusätzliche Rechenressourcen

Anthropic macht außerdem Angaben zum Anteil der Rechenleistung, der in Sicherheitsaufgaben fließt. In einer Stichprobenwoche im Juli sollen rund sechs Prozent der für KI-Forschung und -Entwicklung eingesetzten Rechenleistung auf Sicherheitsarbeit entfallen sein. Bei KI-gestützter KI-Forschung habe der Anteil bei etwa zwölf Prozent gelegen.

Die Unterscheidung zwischen allgemeiner KI-F&E und KI-gestützter KI-F&E ist dabei relevant. Wenn KI-Systeme selbst einen größeren Teil der Forschungsarbeit übernehmen, müssen Sicherheitsmaßnahmen möglicherweise intensiver eingesetzt werden. Denkbar sind zusätzliche Prüfungen von generiertem Code, automatisierte Tests, Modellbewertungen, Überwachung von Agentenaktionen und Untersuchungen auf unerwünschte Verhaltensweisen.

Der Ressourcenbedarf für Sicherheit ist nicht allein eine technische Kennzahl. Er hat auch wirtschaftliche Bedeutung. Unternehmen müssen bei der Planung agentischer Systeme berücksichtigen, dass Schutzmechanismen Rechenleistung, Entwicklungszeit und zusätzliche Kontrollprozesse erfordern. Sicherheitsaufwand ist damit ein Bestandteil der Betriebskosten und nicht lediglich eine nachgelagerte Ergänzung.

Die genannten sechs beziehungsweise zwölf Prozent sind jedoch Momentaufnahmen. Sie erlauben keine allgemeine Aussage darüber, welcher Anteil der Rechenleistung in anderen Unternehmen oder bei anderen Modellen erforderlich wäre. Auch bleibt offen, welche Sicherheitsaufgaben Anthropic in die Berechnung einbezogen hat.

Vom Programmierassistenten zum Entwicklungspartner

Die aktuellen Angaben stehen im Zusammenhang mit einer breiteren Entwicklung bei generativer KI. Modelle wie Claude werden zunehmend nicht nur zur Textgenerierung, sondern auch für Softwareentwicklung, Datenanalyse, Testautomatisierung und wissenschaftliche Recherche eingesetzt.

Anthropic hatte bereits zuvor berichtet, dass Claude einen großen Anteil der in die Produktions-Codebasis übernommenen Codezeilen zugeschrieben wurde. Eine solche Kennzahl beschreibt allerdings zunächst die Herkunft von Code, nicht dessen vollständige Entstehung oder Qualität. Code kann von einem Modell vorgeschlagen, von Menschen verändert, getestet und anschließend in ein Produkt integriert worden sein.

Für die Bewertung der Produktivität ist deshalb zwischen mehreren Ebenen zu unterscheiden:

• Der Anteil des von einem Modell erzeugten oder vorgeschlagenen Codes.
• Der Anteil der Aufgaben, bei denen ein Modell aktiv beteiligt war.
• Der Anteil der Aufgaben, die ein Agent ohne kontinuierliche menschliche Eingriffe bearbeiten konnte.
• Der Anteil der Ergebnisse, die nach Prüfung tatsächlich in die Produktion oder Forschung übernommen wurden.
• Der zusätzliche Aufwand für Kontrolle, Fehlerbehebung, Sicherheitsprüfung und Dokumentation.

Erst die Kombination dieser Faktoren erlaubt eine realistische Einschätzung der Auswirkungen auf Entwicklungsprozesse. Ein hoher Anteil automatisch erzeugter Artefakte kann die Geschwindigkeit erhöhen, zugleich aber neue Prüf- und Wartungsaufgaben schaffen.

Warum B2B-Unternehmen die Entwicklung beobachten sollten

Für Unternehmen außerhalb der KI-Branche sind die Zahlen aus mehreren Gründen relevant. Erstens zeigen sie, dass agentische Systeme nicht nur als isolierte Softwarefunktionen betrachtet werden. Sie können Bestandteil komplexer Wertschöpfungsketten werden und Aufgaben über mehrere Anwendungen hinweg koordinieren.

Zweitens verändert sich die Anforderung an Mitarbeitende. Wenn KI-Agenten Routineaufgaben wie Codeentwürfe, Tests, Dokumentation oder Recherche übernehmen, verschiebt sich menschliche Arbeit stärker in Richtung Zieldefinition, Bewertung, Priorisierung und Verantwortung. Unternehmen benötigen dafür klare Rollenmodelle und Prozesse, die festlegen, wer Ergebnisse freigibt und wer für Fehler haftet.

Drittens steigt die Bedeutung der eigenen Daten- und Systemarchitektur. Agenten können nur zuverlässig arbeiten, wenn sie auf strukturierte Informationen, eindeutige Schnittstellen und kontrollierte Berechtigungen zugreifen. Unklare Datenbestände oder unzureichend getrennte Systeme erhöhen das Risiko fehlerhafter Aktionen.

Viertens müssen Unternehmen die Messung des Nutzens präzisieren. Aussagen wie „KI automatisiert einen bestimmten Anteil der Arbeit“ sind nur dann aussagekräftig, wenn klar ist, welche Aufgaben betrachtet wurden, wie die Gewichtung erfolgt und welche Qualitätskriterien gelten.

Praktische Konsequenzen für die Einführung von KI-Agenten

Aus den von Anthropic veröffentlichten Kennzahlen lassen sich keine direkten Handlungsempfehlungen für jedes Unternehmen ableiten. Sie machen jedoch sichtbar, welche Themen bei der Einführung autonomerer Systeme berücksichtigt werden sollten.

• Aufgaben abgrenzen: Unternehmen sollten definieren, welche Tätigkeiten ein Agent selbstständig ausführen darf und bei welchen Vorgängen eine menschliche Freigabe erforderlich ist.
• Berechtigungen begrenzen: Der Zugriff auf Daten, Systeme und externe Dienste sollte nach dem Prinzip der geringstmöglichen Rechte organisiert werden.
• Ausführungsumgebungen isolieren: Agenten sollten zunächst in kontrollierten Umgebungen oder Sandboxes arbeiten, bevor sie produktive Systeme verändern dürfen.
• Aktionen protokollieren: Jede relevante Modellentscheidung und jede ausgeführte Aktion sollte nachvollziehbar dokumentiert werden.
• Ergebnisse messen: Produktivität, Fehlerquote, Nachbearbeitungsaufwand und Sicherheitsereignisse sollten gemeinsam bewertet werden.
• Abschaltmechanismen einplanen: Für Agenten mit Zugriff auf kritische Systeme müssen Unterbrechungs- und Rücksetzmechanismen vorhanden sein.
• Verantwortlichkeiten klären: Die Einführung eines Agenten darf die Zuständigkeit für Entscheidungen und Ergebnisse nicht verschleiern.
• Regelmäßig neu bewerten: Modelle, Werkzeuge und Agentenverhalten verändern sich. Kontrollen müssen daher kontinuierlich angepasst werden.

Für die strategische Planung empfiehlt sich außerdem, Automatisierungsziele nicht ausschließlich an der Zahl der eingesetzten Agenten festzumachen. Entscheidend ist, ob die Systeme einen messbaren Beitrag zu Qualität, Geschwindigkeit, Kosten oder Innovationsfähigkeit leisten und ob dieser Beitrag unter vertretbaren Risiken erreicht wird.

Methodische Grenzen der veröffentlichten Daten

Die Angaben von Anthropic sind vor allem deshalb interessant, weil das Unternehmen interne Abläufe quantifiziert. Gleichzeitig stammen die Daten aus einer unternehmenseigenen Quelle. Es handelt sich nicht um eine unabhängige Untersuchung mehrerer KI-Labore.

Die Vergleichbarkeit über die Zeit kann dadurch eingeschränkt sein, dass sich Aufgaben, Modelle, Werkzeuge oder Bewertungsmethoden verändert haben. Wenn Claude im Februar und im August unter unterschiedlichen technischen Bedingungen eingesetzt wurde, lässt sich der Anstieg nicht vollständig auf eine bessere Modellfähigkeit zurückführen.

Auch die Auswahl der Aufgaben beeinflusst das Ergebnis. Ein Index, der vor allem gut strukturierte und digital ausführbare Tätigkeiten berücksichtigt, kann den Automatisierungsgrad höher ausweisen als eine Erhebung, die auch strategische, organisatorische und schwer messbare Forschungsarbeit einbezieht.

Hinzu kommt die Frage nach der Qualität. Ein Agent kann eine Aufgabe formal abschließen, obwohl sein Ergebnis fachlich unbrauchbar ist oder später umfangreich überarbeitet werden muss. Ein aussagekräftiger Index sollte daher nicht nur messen, ob ein Arbeitsprozess beendet wurde, sondern auch, ob das Ergebnis die definierten Anforderungen erfüllt.

Die Veröffentlichung sollte deshalb als Transparenzschritt und als Vorschlag für eine Messmethodik verstanden werden, nicht als endgültiger Nachweis einer bestimmten Form von Autonomie. Für eine breitere Einordnung wären Daten anderer Unternehmen, standardisierte Definitionen und unabhängige Audits erforderlich.

Die Debatte über das Entwicklungstempo

Die zunehmende Beteiligung von KI an der Entwicklung neuer KI-Systeme wirft auch Fragen zum Tempo der Branche auf. Wenn Modelle schneller Code erzeugen, Experimente vorbereiten und Ergebnisse auswerten können, kann sich die Zeit zwischen verschiedenen Entwicklungszyklen verkürzen.

Anthropic-Chef Dario Amodei hat im Umfeld der Veröffentlichung dafür plädiert, das Entwicklungstempo stärker zu kontrollieren. Gleichzeitig veröffentlicht sein Unternehmen Daten, die eine zunehmende Automatisierung der eigenen F&E-Prozesse beschreiben. Diese beiden Aspekte stehen nicht zwingend im Widerspruch: Mehr Automatisierung kann einerseits die Produktivität erhöhen und andererseits den Bedarf an Kontrollen, Tests und Sicherheitsvorkehrungen verstärken.

Die zentrale politische und wirtschaftliche Frage lautet daher nicht nur, wie schnell neue Modelle entwickelt werden können. Ebenso wichtig ist, ob Prüfverfahren, Governance-Strukturen und regulatorische Anforderungen mit dieser Geschwindigkeit Schritt halten. Für Unternehmen wird damit die Fähigkeit zur kontrollierten Einführung zu einem ebenso wichtigen Faktor wie die reine Modellleistung.

Was die Zahlen für die weitere Entwicklung bedeuten

Die Daten legen nahe, dass die nächste Phase der KI-Entwicklung stark von agentischen Arbeitsabläufen geprägt sein könnte. Ein Modell unterstützt dann nicht mehr nur eine einzelne Person, sondern übernimmt klar definierte Teilprozesse innerhalb einer größeren Entwicklungsorganisation.

Der Übergang verläuft voraussichtlich schrittweise. Zunächst werden Agenten vor allem in Bereichen eingesetzt, deren Ergebnisse leicht überprüfbar sind. Dazu gehören etwa Codeformatierung, Testgenerierung, Dokumentation, Datenaufbereitung oder die Suche in internen Wissensbeständen. Mit zunehmender Zuverlässigkeit können komplexere Aufgaben folgen.

Forschungsentscheidungen, Modellarchitekturen und Sicherheitsbewertungen bleiben jedoch besonders anspruchsvoll. Sie erfordern oft Kontextwissen, Abwägungen zwischen konkurrierenden Zielen und eine Beurteilung von Risiken, die sich nicht vollständig aus historischen Daten ableiten lässt. Selbst wenn Agenten dabei wesentliche Vorarbeiten leisten, bleibt die menschliche Verantwortung vorerst zentral.

Für die gesamte Branche könnte sich ein Wettbewerb um die beste Kombination aus Modellqualität, Werkzeugen, Datenzugriff und Kontrollinfrastruktur entwickeln. Ein leistungsfähiges Basismodell allein entscheidet dann nicht mehr über die Produktivität. Ebenso wichtig ist, wie gut es in sichere, messbare und reproduzierbare Prozesse eingebettet werden kann.

Einordnung für den Einsatz im Unternehmensumfeld

Die Entwicklung bei Anthropic zeigt, wie sich der Einsatz von KI von einzelnen Assistenzfunktionen hin zu umfassenderen Arbeitsabläufen verschiebt. Unternehmen, die diese Entwicklung beobachten, sollten zwischen drei Ebenen unterscheiden: der technischen Leistungsfähigkeit eines Modells, der organisatorischen Einbindung und der Governance.

Technisch geht es um Fähigkeiten wie Planung, Tool-Nutzung, Codeausführung und Fehlerkorrektur. Organisatorisch stellt sich die Frage, wie Aufgaben verteilt, Ergebnisse geprüft und Prozesse angepasst werden. Auf der Governance-Ebene müssen Datenschutz, Informationssicherheit, Compliance, Haftung und Nachvollziehbarkeit berücksichtigt werden.

Plattformen für KI-gestützte Inhalte, Recherche, Bildgenerierung und Unternehmenskommunikation können in diesem Zusammenhang als kontrollierte Zugangsschicht dienen. Für Anwenderinnen und Anwender ist dabei entscheidend, welche Daten verarbeitet werden, welche Modelle zum Einsatz kommen, welche Freigaben vorgesehen sind und wie Ergebnisse überprüft werden können. Ein Anbieter wie Mindverse kann in einem solchen Umfeld als KI-Partner insbesondere dort relevant sein, wo unterschiedliche Anwendungsfälle in einer einheitlichen Arbeitsumgebung gebündelt und organisatorisch gesteuert werden sollen.

Die wachsende Automatisierung bei Anthropic ist damit nicht nur eine Nachricht über ein einzelnes Unternehmen. Sie ist ein Hinweis darauf, dass sich die Rolle von KI in wissensintensiven Organisationen verändert. Aus Werkzeugen, die auf Anweisung einzelne Aufgaben erledigen, werden Systeme, die Teile von Prozessen planen und ausführen. Je größer dieser Anteil wird, desto wichtiger werden klare Grenzen, belastbare Messgrößen und unabhängige Kontrolle.

Fazit

Anthropics veröffentlichte Kennzahlen zeichnen das Bild einer schnellen Ausweitung KI-gestützter Forschungs- und Entwicklungsarbeit. Claude soll inzwischen rund 26 Prozent eines gewichteten internen F&E-Arbeitskorbs auf dem Automatisierungsniveau AL4 bewältigen können. Mehr als 90 Prozent der untersuchten Arbeit erreichen nach Unternehmensangaben mindestens eine Stufe enger Zusammenarbeit zwischen Mensch und KI.

Diese Werte belegen jedoch keine vollständig autonome Entwicklung neuer KI-Systeme. Die höchste Automatisierungsstufe AL5 wurde bislang nicht erreicht, und die Methodik ist weder unabhängig validiert noch als branchenweiter Standard etabliert. Die Zahlen sind daher als wichtige, aber vorläufige Orientierung zu verstehen.

Für B2B-Unternehmen liegt die wichtigste Erkenntnis in der strukturellen Veränderung der Arbeitsteilung. KI-Agenten können zunehmend mehrere Schritte eines komplexen Prozesses übernehmen. Damit steigen sowohl die möglichen Produktivitätsgewinne als auch die Anforderungen an Steuerung, Sicherheit und Verantwortlichkeit.

Die weitere Entwicklung wird deshalb nicht allein daran gemessen werden, wie viel Arbeit ein Modell theoretisch erledigen kann. Maßgeblich wird sein, wie zuverlässig, transparent und kontrolliert diese Arbeit in reale Unternehmensprozesse integriert werden kann.

Bibliografie

1. Anthropic: Measuring the Pace of AI Development. https://www.anthropic.com/institute/measuring-pace-of-ai-development
2. heise online, Tomislav Bezmalinović: Anthropic: Claude übernimmt immer mehr Arbeit an eigener Weiterentwicklung. Veröffentlicht am 18. September 2026. https://www.heise.de/news/Anthropic-Claude-uebernimmt-immer-mehr-Arbeit-an-eigener-Weiterentwicklung-11458053.html
3. IT-Boltwise: Anthropic: Claude übernimmt 26 Prozent der internen F&E-Aufgaben – aber nicht autonom. Veröffentlicht am 19. September 2026. https://www.it-boltwise.de/anthropic-claude-uebernimmt-26-der-internen-fe-aufgaben-aber-nicht-autonom.html
4. IT-Boltwise: Claude: Anthropic nutzt sein Modell schon für 26 Prozent der eigenen F&E. Veröffentlicht am 18. September 2026. https://www.it-boltwise.de/claude-anthropic-nutzt-sein-modell-schon-fuer-26-der-eigenen-fe.html
5. Tim Rinkel: Anthropic zeigt Metriken zum Tempo der KI-Entwicklung. Lapalutschi, 18. September 2026. https://lapalutschi.de/anthropic-claude-tempo-ki-entwicklung-metriken/
6. Weitere Einordnungen und Zusammenfassungen wurden anhand der im Recherchematerial genannten Veröffentlichungen erstellt. Die Angaben zu Anthropics internen Kennzahlen beruhen auf den Aussagen des Unternehmens und sind entsprechend als nicht unabhängig verifizierte Unternehmensangaben zu kennzeichnen.