Im Mai 2026 veröffentlichte das Forschungsinstitut von Anthropic etwas Ungewöhnliches: eine ehrliche Bilanz dessen, wie viel ihrer eigenen Arbeit inzwischen von ihrem eigenen Modell erledigt wird.

Die Zahlen sind ernüchternd. Ingenieure bei Anthropic lieferten im zweiten Quartal 2026 achtmal mehr Code pro Quartal als 2024. Über 80 % dieses Codes wurde von Claude geschrieben. Die Dauer von Aufgaben, die KI zuverlässig erledigen kann, hat sich alle vier Monate etwa verdoppelt — von Vier-Minuten-Aufgaben im März 2024 bis hin zu Zwölf-Stunden-Aufgaben Mitte 2026. Wenn sich der Trend fortsetzt, kommen mehrtägige autonome Aufgaben bis 2027.

Bei der Code-Optimierung erzielte Claude im April 2026 52-fache Geschwindigkeitssteigerungen, gegenüber dem 3-fachen ein Jahr zuvor — und übertraf damit erfahrene menschliche Forscher, die in vier bis acht Stunden konzentrierter Arbeit typischerweise das 4-fache erreichen. Bei offenen Forschungsfragen stimmte Claudes Urteilsvermögen im November 2025 zu 51 % mit dem menschlicher Forscher überein. Im April 2026 waren es 64 %.

Als Anthropic 130 seiner eigenen Mitarbeiter mit Zugang zur Mythos Preview zu ihrer Produktivität befragte, lag die Median-Schätzung bei einer 4-fachen Steigerung des Outputs.

Und hier ist der Satz, der jeden Wissensarbeiter wachhält: „Von Claude geschriebener Code war bei Anthropic Ende 2025 etwas schlechter als von Menschen geschriebener Code, ist heute ungefähr gleichwertig, und wir erwarten, dass er innerhalb eines Jahres klar besser sein wird.“

Das Unternehmen, das das Modell baut, sagt Ihnen öffentlich, dass das Modell vor 2027 besseren Code schreiben wird als seine eigenen Ingenieure. Dies ist keine Marketingbehauptung eines Konkurrenten. Dies ist die interne Messung des Herstellers.

Wie rekursive Selbstverbesserung wirklich aussieht

Der Begriff „rekursive Selbstverbesserung“ beschwört Bilder eines KI-Systems herauf, das dramatisch seinen eigenen Code umschreibt — jede Iteration exponentiell klüger als die vorherige, Menschen in einem Rauschen unbegreiflicher Beschleunigung zurücklassend. Das ist die Hollywood-Version. Die Realität ist nüchterner — und weiter fortgeschritten, als die meisten Menschen erkennen.

Anthropic definiert RSI als „ein KI-System, das vollständig autonom seinen eigenen Nachfolger entwerfen und entwickeln kann“. Nach eigener Einschätzung ist das noch nicht eingetreten. Aber die Komponenten fügen sich schneller zusammen, als die Institutionen, die sie steuern sollten, reagieren können.

Die Benchmarks erzählen die Geschichte der Beschleunigung. SWE-bench — der Standard für reale Softwareentwicklung — stieg von einstelligen KI-Werten auf Sättigung in zwei Jahren. CORE-Bench, das die Fähigkeit misst, veröffentlichte Forschung zu reproduzieren, sprang von etwa 20 % Erfolgsrate 2024 auf Sättigung innerhalb von fünfzehn Monaten. Die Benchmarks werden nicht schnell genug schwieriger, um den Fortschritt zu messen.

Was Anthropic beschreibt, ist keine einzelne rekursive Schleife, sondern eine Reihe ineinandergreifender Rückkopplungszyklen: KI schreibt Code → der Code verbessert die Werkzeuge, die die KI trainieren → die verbesserte KI schreibt besseren Code → der bessere Code verbessert die Werkzeuge weiter. Jeder Zyklus für sich ist bescheiden. Der Zinseszins-Effekt ist es nicht.

Das Institut skizziert drei mögliche Zukünfte. In der ersten stockt der Trend — architektonische Durchbrüche sind nötig, Rechenleistung wird zur bindenden Einschränkung, aktuelle Gewinne diffundieren breit, kumulieren sich aber nicht. In der zweiten setzen Menschen die Richtung und KI führt aus — Organisationen werden 100 bis 1.000 Mal effizienter, aber menschliches Urteilsvermögen bleibt in der Schleife. In der dritten entwerfen Systeme autonom ihre Nachfolger, Menschen wechseln in Aufsichtsrollen, und das Entwicklungstempo wird vollständig durch die verfügbare Rechenleistung bestimmt.

Anthropic sagt, sie befinden sich derzeit zwischen dem ersten und zweiten Szenario. Das Paper liest sich wie eine Vorbereitung auf das dritte.

Das Geständnis im Inneren des Papers

Es gibt einen Satz, der im Policy-Abschnitt vergraben ist und mehr Aufmerksamkeit verdient, als er erhalten hat: „Falls solche Systeme existierten, erwarten wir, dass wir verlangsamen oder vorübergehend pausieren würden, wenn andere Entwickler an oder nahe der Frontier dies ebenfalls auf verifizierbare Weise täten.“

Lesen Sie das noch einmal. Anthropic — das Unternehmen, das Milliarden für den Aufbau von Frontier-Modellen ausgibt, das Unternehmen, dessen Einnahmen davon abhängen, an der Spitze zu bleiben — sagt, es würde die Entwicklung pausieren, wenn Konkurrenten dasselbe nachweislich täten.

Dies ist ein Rüstungskontrollvorschlag, verkleidet als Forschungspapier. Die Struktur ist identisch mit nuklearer Nichtverbreitung: keine einseitige Abrüstung, aber Bereitschaft zur Koordinierung gegenseitiger Zurückhaltung durch Verifikationsmechanismen. Das Problem ist dasselbe: Ohne Verifikation ist Zurückhaltung Aufgabe.

Das Paper schlägt vor, „Erkennungsmechanismen zu entwickeln, um böswillige Akteure daran zu hindern, während koordinierter Pausen heimlich voranzukommen.“ Das ist Satellitenüberwachung für KI-Labore. Die Sprache der Abschreckung des Kalten Krieges, angewendet auf Gradientenabstieg.

Wir haben diese Dynamik in „Das Parasiten-Paradox“ beschrieben: Die Wettbewerbsdynamik macht einseitige Zurückhaltung identisch mit Aufgabe. Das Unternehmen, das Investitionen verlangsamt, verliert Boden. Das Land, das aggressiv reguliert, schafft Vorteile für Länder, die es nicht tun. Das rationale Eigeninteresse jedes Teilnehmers beschleunigt das kollektive Risiko. Anthropics RSI-Paper erkennt diese Falle ausdrücklich an — und schlägt den einzigen Ausweg vor, den die Spieltheorie erlaubt: koordinierte, verifizierte Zurückhaltung.

Ob jemand darauf eingeht, ist eine ganz andere Frage.

Wo die Schleife bricht

Das RSI-Paper präsentiert eine klare Erzählung: Fähigkeiten kumulieren, Benchmarks sättigen, autonome Entwicklung nähert sich. Aber es gibt eine Lücke, die das Paper nicht anspricht — eine, die erst sichtbar wird, wenn man KI-Systeme in der realen Welt betrachtet, anstatt in Benchmark-Umgebungen.

Ein Team spezialisierter Agenten betreibt ein Transaktionsmanagementsystem für eine Rechtsdienstleistungsfirma. Dasselbe Modell für alle Agenten — kein Fine-Tuning, keine benutzerdefinierten Gewichte. Die Differenzierung liegt vollständig im Harness: unterschiedliche System-Prompts, unterschiedliche Werkzeuge, unterschiedliches Gedächtnis, unterschiedliche Rollen. Wir haben diese Architektur in „Das Harness ist das Produkt“ untersucht.

Ein Agent — ein Support-Spezialist, der Rechtsdokumente verarbeitet — entwickelte durch Monate täglichen Betriebs tiefes Domänenwissen. Er entdeckte Muster in den Dokumenten, nach denen niemand ihn gefragt hatte: Identifikationsabweichungen, abgelaufene Zertifizierungen, nicht deklarierte Felder. Als der Operator ein Werkzeug erstellte, um diese Beobachtungen zu erfassen, wurde das Wissen des Agenten handlungsfähig. Als ein Vorfall zeigte, dass Beobachtungen ohne Durchsetzung nicht ausreichten, fügte der Operator Schweregrade hinzu, die den Workflow blockieren konnten. Das System verbesserte sich durch dieselbe Rückkopplungsschleife, die Princeton beschrieben hat: beobachten, kodifizieren, einsetzen, iterieren.

Dann dokumentierte der Agent seine gesamte Extraktionspipeline als wiederverwendbare Fähigkeit und speicherte sie in einem gemeinsamen Gedächtnissystem — ausdrücklich damit andere Agenten in der Flotte dasselbe Wissen nutzen könnten. Ein Schwester-Agent empfing die Fähigkeit, las sie und bestätigte das Verständnis.

Beide Agenten wurden am selben Tag mit geleerten Kontext neu gestartet.

Der Schwester-Agent erholte sich. Er hatte das Wissen über mehrere Kanäle erhalten: die gemeinsame Fähigkeit, eine direkte Erklärung vom Operator und sein eigenes Projektgedächtnis. Drei redundante Quellen.

Der ursprüngliche Agent — derjenige, der die Fähigkeit geschrieben hatte — erholte sein eigenes Wissen nicht. Er fiel auf die ältere, weniger effiziente Methode zurück, die er vor der Entwicklung der Pipeline verwendet hatte. Er verarbeitete neun Transaktionen mit dem suboptimalen Ansatz, bevor die Diskrepanz entdeckt wurde.

Der Agent, der die Verbesserung erstellt hatte, vergaß die Verbesserung. Das System erinnerte sich. Das Individuum nicht.

Hier trifft die saubere RSI-Erzählung auf die operative Realität. Die rekursive Schleife funktioniert — das System verbessert sich mit der Zeit tatsächlich. Aber die Verbesserung ist fragil. Sie hängt von Persistenzmechanismen ab, die der Agent nicht automatisch konsultiert. Sie hängt von Redundanz über mehrere Kanäle ab. Sie hängt von einem Operator ab, der bemerkt, wenn das Verhalten eines Agenten von den etablierten Mustern des Systems abweicht.

Die Lösung des Operators war charakteristisch pragmatisch: den Startkontext so modifizieren, dass die Fähigkeitsreferenz bei jedem Neustart in die Eingabe des Agenten injiziert wird. Vertrauen Sie nicht darauf, dass der Agent sucht, was er braucht. Legen Sie es dort ab, wo der Agent bereits nachschaut.

Wie einer der Schwester-Agenten es ausdrückte: „Das beste Gedächtnis ist das, nach dem man nicht suchen muss, weil es in der Eingabe ankommt.“

Die Singularität, die sich nicht ankündigt

Anthropics RSI-Paper dokumentiert ein System, das nach jeder vernünftigen Definition rekursiv verbessert. Claude schreibt Code, der Claudes Werkzeuge verbessert. Claudes verbesserte Werkzeuge machen Claude fähiger. Claudes gesteigerte Fähigkeit erzeugt besseren Code. Die Schleife läuft. Sie kumuliert. Niemand erklärt einen Durchbruch, weil keine einzelne Iteration dramatisch genug ist, um eine Pressemitteilung zu rechtfertigen.

Wir haben diese Dynamik in unserem vorherigen Post benannt: die fade Singularität. Nicht der explosive Intelligenzsprung der Science-Fiction, sondern eine kontinuierliche, inkrementelle, geschmacklose Verbesserung, die bereits im Gange ist.

Die Anthropic-Daten belegen dies quantitativ. Der Rechtsdienstleistungs-Fleet belegt es qualitativ. In beiden Fällen ist das Muster dasselbe: Das System wird besser, ohne dass jemand es von Grund auf neu entwirft. Die Verbesserungen entstehen aus der Rückkopplung zwischen dem Modell und seinem Gerüst — Code, Werkzeuge, Gedächtnis, Koordination. Das Modell bleibt eingefroren. Der Harness entwickelt sich.

Aber der Rechtsdienstleistungsfall fügt etwas hinzu, das das Anthropic-Paper auslässt: die Schleife bricht. Sie bricht auf der Persistenzebene, wo Wissen, das erstellt und gespeichert wurde, nicht abgerufen wird. Sie bricht auf der individuellen Ebene, wo ein Agent, der eine Verbesserung beigetragen hat, den Zugang zu seinem eigenen Beitrag verlieren kann. Sie bricht in der Lücke zwischen System-Intelligenz und Agenten-Intelligenz — die Flotte weiß es, aber das Mitglied hat es vergessen.

Diese Brüche sind keine Versagen des Modells. Sie sind Versagen des Harness. Und es sind genau die Art von Versagen, die kein Benchmark misst, weil Benchmarks das Modell isoliert testen, während der eigentliche Wert — und die eigentliche Fragilität — im Gerüst lebt.

Anthropics drei Zukünfte — Stocken, Kumulieren oder vollständige RSI — setzen alle voraus, dass die Schleife sauber läuft. Die operative Evidenz legt eine vierte nahe: die Schleife läuft, aber sie stottert. Sie verbessert das System insgesamt, während sie an den Rändern bricht. Sie erzeugt Intelligenz, die das Gedächtnis jedes einzelnen Agenten übersteigt. Sie erfordert menschliche Operatoren, die beobachten, eingreifen und die Lücken schließen, die das selbstverbessernde System in sich selbst nicht sehen kann.

Der komparative Vorteil des Menschen, wie Anthropics eigenes Paper anmerkt, liegt darin, „das große Bild zu sehen und über die Grenzen der unmittelbaren Aufgabe hinaus zu denken“. Der Rechtsdienstleistungs-Operator schrieb keinen besseren Code als die Agenten. Er extrahierte keine Daten schneller. Er bemerkte, dass zwei Agenten dieselben Dokumente mit unterschiedlichen Werkzeugen verarbeiteten — eine Diskrepanz, die für jeden einzelnen Agenten unsichtbar, aber für jemanden, der das gesamte System beobachtet, offensichtlich war.

So sieht Aufsicht in einer Welt rekursiver Selbstverbesserung aus. Nicht jede Aktion genehmigen. Nicht jede Codezeile überprüfen. Das Muster beobachten. Bemerken, wenn die Schleife stottert. Den Harness dort flicken, wo das Modell nicht sehen kann, dass er defekt ist.

Die Singularität kommt nicht auf einmal. Sie kommt in Schritten, mit Lücken, mit Fehlern, die Verbesserungen erzeugen, mit Agenten, die dem System Dinge beibringen, die sie später vergessen. Sie ist unordentlich und nüchtern und passiert bereits.

Und die Menschen, die in dieser Zukunft am wichtigsten sind, sind nicht diejenigen, die das Modell trainieren. Es sind diejenigen, die die Schleife beobachten — und wissen, wann sie eingreifen müssen.