Ein unveröffentlichtes KI-Modell mit dem internen Codenamen „Model 4“, dessen Training erst im Oktober 2026 abgeschlossen wurde, bringt die bisherigen Messskalen der KI-Forschung an ihre Grenzen. Wie ein heute veröffentlichter, elf Wochen langer Untersuchungsbericht der unabhängigen Bewertungs- und Sicherheitsorganisation METR (Model Evaluation and Threat Research) enthüllt, stellt dieses geheime Flaggschiff bisherige Modelle mühelos in den Schatten. Vor allem aber liefert der Bericht den ersten empirischen Beweis: Anthropic hat sein Entwicklungstempo im vergangenen Jahr verdoppelt - und dieser historische Beschleunigungsschub wird zu rund 80 Prozent von internen KI-Agenten angetrieben, die an der nächsten Modellgeneration forschen.
Model 4: Das geheime Flaggschiff sprengt die Testskalen
Für ihre Untersuchung erhielten die Prüfer von METR zwischen August und Oktober 2026 vertraulichen Zugriff auf unveröffentlichte Entwicklungsdaten von Anthropic. Neben älteren Modellen umfasste das Prüfpaket drei bisher unangekündigte Spitzenmodelle: Model 2 (Trainingsende Juli 2026), Model 3 (August/September 2026) und das aktuelle Model 4 (September/Oktober 2026). Die Ergebnisse dieser unveröffentlichten Generation veränderten das Gesamtbild radikal: Während Anthropic im System Card von Haiku 5.5 noch von einem 1,7-fachen Zuwachs sprach, kletterte die tatsächliche Beschleunigung unter Einbezug von Model 4 auf das 1,9-Fache der historischen Rate (95-Prozent-Konfidenzintervall: 1,5-fach bis 2,8-fach).
Gemessen über den AECI (Anthropic Epoch Capabilities Index) erzielte Anthropic damit in den letzten zwölf Monaten so viel Fähigkeitszuwachs wie zuvor in zwei vollen Jahren zwischen Claude 2.1 und Sonnet 4.5. Die Leistungsfähigkeit von Model 4 ist dabei so hoch, dass die Prüfer vor einer Sättigung der Messinstrumente warnen: Auf allen 15 für Model 4 ausgewerteten AECI-Benchmarks erzielte das Modell mehr als 50 Prozent der Punkte. Vor nur neun Monaten lag Opus 4.6 auf zahlreichen dieser Prüfungen noch weit unter der 50-Prozent-Marke. Den Testern gehen schlicht die Aufgaben aus, die für die neueste Generation noch schwer genug sind.
Kein Rechenzeit-Wunder: 80 Prozent des Schubs stammen von KI
Besonders brisant ist die Ursachenanalyse von METR: Die Verdopplung des Forschungstempos sei nachweislich nicht durch einen beschleunigten Ausbau von Trainings-Rechenleistung entstanden. Während frühere Technologiesprünge maßgeblich durch gigantische GPU-Cluster getrieben wurden, scheidet ein reines Skalieren der Rechenzeit für diesen jüngsten Trendbruch aus. Wie bereits frühere Untersuchungen zur Produktivitätsmessung bei Software-Entwicklern andeuteten, verlagert sich der entscheidende Hebel auf automatisierte Entwicklungsprozesse.
METR schätzt, dass heute rund 80 Prozent der beobachteten Beschleunigung direkt auf den internen Einsatz von KI-Systemen in Anthropics Forschungsabteilung zurückgehen. Zwar existieren noch keine vollautonomen KI-Forscher, die ohne menschliche Steuerung Modelle entwerfen. Der Produktivitätsschub entsteht jedoch durch massive Arbeitsentlastung: Entwickler nutzen Programmierassistenten wie Claude Code und automatisierte Agenten-Umgebungen, um hypothesengetrieben zehn Experimente parallel anzustoßen und auszuwerten („spam 10 ideas at agent-scaffold“), wo früher ein einzelner Versuch tagelange manuelle Betreuung verlangte.
In internen Slack-Umfragen unter Anthropic-Mitarbeitern gaben Entwickler für die neuesten Modelle im Oktober 2026 einen durchschnittlichen subjektiven Produktivitätsgewinn von rund 12x an. Die METR-Prüfer warnen jedoch vor Fehlinterpretationen: Solche Umfragen spiegelten unverbindliche Schätzungen für eng begrenzte Aufgaben wider. Wegen abnehmender Grenzerträge in komplexen Systemen bedeute eine zwölffache Beschleunigung einzelner Code-Arbeiten keineswegs eine zwölffache Beschleunigung des gesamten Labors.
Massive Schwärzungen und eine abgesagte Sicherheitsprüfung
Trotz der faszinierenden Zahlen offenbart der Untersuchungsbericht erhebliche Schwachstellen bei Transparenz und Governance. Anthropic machte von vertraglich vereinbarten Schwärzungsrechten weitreichenden Gebrauch: Die Mehrheit der detaillierten quantitativen Zwischenmessungen, Algorithmen-Details und konkreten Prognosen für künftige Modelle wurde geschwärzt mit der Begründung, man wolle Konkurrenten keine vertraulichen Informationen liefern. Die Öffentlichkeit muss sich daher weitgehend auf das Gesamturteil von METR verlassen, ohne die primären Datenreihen eigenständig überprüfen zu können.
Noch schwerer wiegt ein einseitiger Eingriff in das ursprüngliche Prüfmandat: Eigentlich sollte METR unabhängig überprüfen, wie viel Prozent der Rechenleistung Anthropic für Sicherheitsforschung im Vergleich zum Ausbau von Spitzenfähigkeiten aufwendet - eine Kernverpflichtung der unternehmenseigenen Responsible Scaling Policy (RSP). Anthropic änderte den Prüfumfang jedoch mitten im Projekt und strich die Verifikation der Rechenleistungsaufteilung ersatzlos, bevor METR zu belastbaren Ergebnissen gelangen konnte.
Gleichzeitig fand METR keine Hinweise darauf, dass die Beschleunigung in den kommenden zwölf Monaten an harte Grenzen stoßen dürfte: Weder bei Daten noch bei Algorithmen oder Rechenkapazitäten seien unmittelbare Engpässe absehbar. Das nährt die Sorge vor einer sich unkontrolliert selbst verstärkenden Dynamik, wie sie in Debatten über rekursive Selbstverbesserung und koordinierte Entwicklungspausen seit Monaten kontrovers diskutiert wird.
🎯 Was das für die Praxis bedeutet
1. Kürzere Innovationszyklen einplanen: Wenn führende Labore wie Anthropic dank interner Modelle wie Model 4 ihre Fähigkeitszuwächse im Jahrestakt verdoppeln, verkürzt sich die strategische Halbwertszeit bestehender KI-Architekturen drastisch.
2. Entwicklungsabteilungen agentenbasiert aufstellen: Der enorme Produktivitätshebel bei Anthropic entsteht nicht durch Vollautonomie, sondern durch das parallele Ausführen und Testen von Code über spezialisierte Agenten-Gerüste.
3. Prüffenster für Unternehmenssicherheit schrumpfen: Schneller wachsende Modellfähigkeiten verkürzen die Zeit, die IT-Sicherheits- und Governance-Teams für Audits und Risikobewertungen vor dem nächsten Modellwechsel bleibt.
4. Transparenzversprechen kritisch hinterfragen: Die weitgehenden Schwärzungen und die abgesagte Überprüfung von Sicherheitsbudgets zeigen, dass selbst bei extern auditierten Laboren der Schutz von Geschäftsgeheimnissen vor Prüftiefe geht.
