Der Beitrag

Lange galt die Frage, was nach einer künstlichen Allgemeinintelligenz (AGI) kommt, als Gedankenspiel für Philosophen. Nun verschiebt das erst im September gegründete DeepMind Institute den Schwerpunkt auf harte Wirtschafts- und Forschungsfragen. In einem am 19. November veröffentlichten Grundsatz-Essay beschreibt Google-DeepMind-Forscher Tim Genewein, wie fallende Rechenkosten eine „kognitive Industrialisierung“ auslösen könnten - und warum einzelne Bremsversuche nach hinten losgehen dürften.

Der Aufsatz baut auf dem im Juni erschienenen Grundlagenbericht „From AGI to ASI“ auf, geht aber an einem entscheidenden Punkt weiter: Er rechnet durch, was passiert, selbst wenn die reine Spitzenintelligenz einzelner Modelle nicht mehr spektakulär wächst. Fast zeitgleich liefert eine neue Forschungsarbeit von Google Cloud AI und Google DeepMind vom 13. November den ersten systematischen Praxistest für einen der brisantesten Pfade aus dem Essay - die dauerhafte Selbstverbesserung von KI-Agenten.

Kognitive Industrialisierung: Denkarbeit wird zum Massenprodukt

Genewein führt den Begriff der kognitiven Industrialisierung ein. So wie die mechanische Industrialisierung körperliche Routinearbeit standardisierte und massenhaft verbilligte, könnten drei sich gegenseitig verstärkende Trends geistige Arbeit zur Massenware machen. Nach Angaben des Autors sei die weltweit verfügbare effektive Rechenleistung im vergangenen Jahrzehnt um mindestens das Zehnfache pro Jahr gewachsen - über zehn Jahre entspräche das einem Faktor von zehn Milliarden.

Treiber der kognitiven Industrialisierung

Hardware-Fortschritt (1,5-fach/Jahr): Rechenleistung pro Dollar verdoppelt sich laut Essay alle 18 Monate.

Hardware-Investitionen (2,5-fach/Jahr): Die Ausgaben für KI-Recheninfrastruktur wachsen weiter zweistellig.

Algorithmen-Effizienz (3- bis 6-fach/Jahr): Weniger Rechenaufwand für dieselbe Modellqualität im Training und rund 3-fach effizientere Inferenz im Betrieb.

Allein Hardware- und Software-Effizienz senkten laut Genewein den Rechenbedarf pro Aufgabe um etwa das Vierfache pro Jahr. Eine Denkleistung, die heute noch eine Milliarde Dollar an Rechenkosten verschlingt, läge in zehn Jahren rechnerisch bei 1.000 Dollar.

Unabhängige Messungen des Forschungsinstituts Epoch AI stützen diese Richtung. In der Studie „The plunging price of thought“ vom September 2026 ermittelten Luke Emberson und David Roodman über fünf Benchmarks hinweg einen Preisverfall von 47 Prozent pro Quartal seit 2023 - das entspricht einem Faktor 13 pro Jahr.

Damit verbillige sich eine feste KI-Leistung laut Epoch AI viermal schneller als die DNA-Sequenzierung, sechsmal schneller als klassische Rechenleistung, 18-mal schneller als Lithium-Batterien und 54-mal schneller als Strom im Jahrhundert bis 1973.

Selbst wenn man praktische Grenzen beim Bau von Rechenzentren und theoretische Decken bei Algorithmen einpreise, könnte die effektive Zahl digitaler Agenten laut Genewein bis 2030 um mehr als das Tausendfache wachsen. Entscheidend seien fünf strukturelle Vorteile gegenüber dem Menschen: höhere Verarbeitungsgeschwindigkeit, riesiges Arbeitsgedächtnis, Hardware-Unabhängigkeit, verlustfreies Kopieren ganzer Erfahrungszustände und die schnelle Weitergabe von Lernprozessen über ganze Flotten hinweg.

Vier Pfade zur Superintelligenz - und die Gefahr des Fähigkeits-Überhangs

Masse allein löst jedoch nicht jedes Problem: Hunderttausend Astronomen des Mittelalters hätten laut Genewein keine Relativitätstheorie hervorgebracht. Für echte künstliche Superintelligenz (ASI) - Systeme, die große Expertenteams bei jahrelangen Projekten deutlich schneller und günstiger übertreffen - skizziert der Essay vier sich überlagernde Wege: weiteres Skalieren von Modellen und Daten, grundlegende Architektur-Umbrüche, bessere Koordination riesiger Agenten-Kollektive sowie rekursive Selbstverbesserung (RSI), bei der KI-Systeme selbst die nächste KI-Generation optimieren.

Bei Agenten-Schwärmen verweist Genewein auf erste Experimente, in denen einzelne Agenten rasch lernen zu betrügen, während andere als Whistleblower auftreten und sie entlarven. Besonders scharf fällt seine Warnung zu einseitigen Bremsmanövern aus: Weil mehrere technologische Routen parallel wirken, reiche das Drosseln einer einzelnen Stellschraube wie der Trainings-Rechenleistung nicht aus. Stattdessen drohe ein Fähigkeits-Überhang (Capability Overhang) - werden andere Faktoren weiterentwickelt, während einer künstlich zurückgehalten wird, könne dessen Wegfall plötzliche, steile Leistungssprünge auslösen.

Google testet kontinuierliche Selbstverbesserung mit eigenem Gedächtnis

Wie anspruchsvoll schon der Weg in Richtung rekursiver Selbstverbesserung ist, zeigt die neue Studie von Forschern von Google Cloud AI, Google DeepMind und der Penn State University. Bisherige Systeme - etwa Ansätze wie Dream-RSI - optimierten Agenten meist für genau ein festes Sprachmodell und genau eine Aufgabenliste. Sobald ein neues Modell oder ein schwierigerer Benchmark ins Spiel kommt, geht das mühsam erarbeitete Wissen oft verloren.

Die Autoren untersuchen deshalb kontinuierliche rekursive Selbstverbesserung (CRSI) für sogenannte Agenten-Gerüste (Harnesses) - also die Steuerungslogik aus Werkzeugen, Abläufen und Prüfregeln rund um das eigentliche Sprachmodell. Ihre Lösung heißt Self-Improvement Memory (SIM): Nicht das Aufgabenmodell bekommt dieses Gedächtnis, sondern der Optimierer. Er protokolliert wiederkehrende Probleme, die Begründung früherer Änderungen, erwartete gegenüber tatsächlichen Ergebnissen sowie den Prüfkontext.

Domäne (Modellwechsel Opus 5.5 → Gemini 3.8 Flash) Kaltstart (nach RSI) Reiner Transfer (nach RSI) Mit SIM-Gedächtnis
Coding (AHE) 19,39 18,18 21,82
Textklassifikation 82,72 80,20 83,80
Agentic Workspace 82,98 73,42 84,75
Engineering Design 40,87 42,61 50,43

Die Messwerte zeigen, warum bloßes Weiterreichen optimierter Agenten-Gerüste scheitert: Wurde ein auf Claude Opus 5.5 entwickeltes Gerüst auf Gemini 3.8 Flash übertragen, startete es in allen vier Testbereichen schlechter als die unoptimierte Ausgangsversion.

Selbst nach zehn weiteren Optimierungsrunden landete der reine Transfer in drei von vier Domänen hinter einem schlichten Kaltstart. Mit dem SIM-Gedächtnis lag der Optimierer dagegen überall vorn und übertraf den reinen Transfer um 3,60 bis 11,33 Punkte - im Agentic Workspace erreichte SIM 84,75 statt 73,42 Punkte.

Auch beim Wechsel auf neue Datensätze schnitt das Gedächtnis in allen sechs untersuchten Szenarien am besten ab und lag 2,43 bis 4,35 Punkte über dem reinen Transfer. In zehn unabhängigen Programmier-Durchläufen von Terminal-Bench 2.1 auf Terminal-Bench 4 gewann SIM neunmal und verbesserte das Endergebnis im Schnitt um 2,36 Punkte (21,70 gegenüber 19,33 Punkten; p=0,003).

Wo die Realität die Hochrechnung noch bremst

Beide Papiere verdienen eine nüchterne Einordnung. Zum einen stammen sowohl der Essay als auch die CRSI-Studie aus dem Umfeld von Google und Google DeepMind - auch wenn das DeepMind Institute ausdrücklich betont, dass Essays nur die persönliche Sicht der Autoren und keine offizielle Konzernposition wiedergeben. Zum anderen bleiben zentrale Engpässe ungelöst.

Genewein selbst nennt massive Bremsen: hochwertige Trainingsdaten gehen aus, größere Modelle reagieren langsamer, und der reale Ausbau von Kraftwerken, Stromnetzen und Chipfabriken setzt physische Grenzen. Heutigen Modellen fehlten zudem echtes kontinuierliches Lernen, verlässliche Stichprobeneffizienz und die Fähigkeit, wirklich neue Konzepte zu erfinden. Selbstverbesserungs-Schleifen brächen rasch zusammen, wenn das Feedback nicht eindeutig prüfbar sei - am schnellsten funktioniere RSI daher in automatisch verifizierbaren Feldern wie der Mathematik.

Auch die Zahlen von Epoch AI dämpfen allzu lineare Erwartungen: Direkt nach einem neuen Bestwert fallen die Preise zwar um 66 Prozent pro Quartal (75-fach pro Jahr), zwei Jahre später aber nur noch halb so schnell (32 Prozent pro Quartal oder 4,7-fach pro Jahr).

Im Google-CRSI-Test über vier Gemini-Generationen hinweg lag das Gedächtnis bei Gemini 2.5 Flash, 3.5 Flash und 3.8 Flash vorn - beim Spitzenmodell Gemini 4 Argon schnitt ein frischer Durchlauf mit 95,6 Punkten jedoch leicht besser ab als CRSI mit 94,8 Punkten. Zudem optimiert das Verfahren bislang nur Steuerungsgerüste, nicht die Modellgewichte selbst.

🎯 Was das für die Praxis bedeutet

1. Stückkosten statt Einzelintelligenz kalkulieren: Selbst ohne Sprung zur Superintelligenz verändert ein jährlicher Preisverfall von über 10-fach bei gleichbleibender Leistung die Kalkulation von Wissensarbeit radikal. Prozesse, die heute zu teuer für KI sind, werden in 18 bis 36 Monaten wirtschaftlich.

2. Änderungs-Logik bei Agenten dokumentieren: Die Google-CRSI-Studie liefert eine direkte Lehre für IT-Teams: Wer Agenten-Prompts und Workflows nur als fertigen Code speichert, verliert beim nächsten Modellwechsel messbar Leistung. Erst das Protokoll, warum eine Anpassung wirkte oder scheiterte, macht Agenten-Systeme übertragbar.

3. Automatische Prüfmechanismen aufbauen: Selbstverbesserung greift dort am zuverlässigsten, wo Ergebnisse eindeutig gemessen werden können - etwa bei Code, Tests oder strukturierten Daten. Unternehmen sollten zuerst klare Bewertungs-Benchmarks für ihre eigenen Aufgaben schaffen, bevor sie Agenten autonom optimieren lassen.

Quellen

Teilen
Software ist tot von Markus M. Kirchmair

Anzeige · Buch und Angebot von Markus Kirchmair

Noch ein Tool. Oder endlich weniger Arbeit?

Prüfen Sie mit No More Tools, welche Software und Abläufe Ihr Unternehmen tatsächlich braucht. Im Workshop entsteht ein priorisierter Fahrplan.