Blog • AI / Agent

Anthropics neueste Offenlegung: Claude führt 26 % der AI R&D. Wie arbeiten Agents gemeinsam an der Modellentwicklung? JSON-Datenfluss und Agent-Workflow

Am 17. September 2026 hat Anthropic in einem Institute-Beitrag interne Messwerte veröffentlicht. Die Überschrift liest sich leicht so: Claude erledigt bereits ein Viertel der Modell-R&D.

Der Originaltext ist enger. Stand August 2026 „führt“ Claude 26 % der AI R&D von Anthropic; der Anteil bei „kollaboriert“ oder höher liegt über 90 %; auf keinem gemessenen Teilbereich ist die Arbeit vollautonom.

Dieser Artikel erklärt:

• Welche Epoch AI Automation Level die 26 % tatsächlich meinen
• Wie der Aufgabenbaum aus Slack und Arbeitsaufzeichnungen wächst
• Wie Agents gemeinsam an der Modellentwicklung arbeiten, statt jeder für sich zu chatten
• Den JSON-Datenfluss aus Identität, Nachrichten, Tool Calling und monitor-Entscheidungen
• Wie Sie in JSONNote lokal einen auditierbaren Workflow-Datensatz zerlegen

Was die 26 % wirklich messen

Die Quelle ist der Beitrag des Anthropic Institute Measurements for understanding the pace of AI development inside frontier labs. Sie legen gleichzeitig drei Zahlen vor: wie viel AI R&D von AI erledigt wird, wie eng Agent-Aktionen beaufsichtigt werden, und wie die Rechenleistung verteilt ist.

Die erste heißt Anthropic R&D Automation Index. Vorgehen: Jede Art von AI-R&D-Arbeit im Unternehmen auflisten, jeder Art einen Automation Level geben, dann personenzeitgewichtet aufrollen.

Stand August 2026 lauten die öffentlichen Zahlen:

Reuters hat dieselben Zahlen so geschrieben: Claude führe ein Viertel der Arbeit am Bau der nächsten Modelle. Die Überschrift ist schärfer. Die Definition nicht: Führen bleibt grobe Vorgabe plus menschliche Aufsicht. In der Grafik ist diese Stufe von unter 1 % im Februar 2026 hochgekommen. Der Anstieg ist schnell. Eine Stufe wurde nicht übersprungen.

Automation Level: unterstützt, kollaboriert, führt, autonom

Die Bewertung nutzt Epoch AIs Automation Level. Anthropic schreibt sechs Stufen: keine KI, minimal, unterstützt, kollaboriert, führt, autonom. Eine Fußnote nagelt die mittleren drei mit einer kaputten nächtlichen Datenpipeline fest:

Die 26 % bleiben bei AL4. Claude kann eine Aufgabe vom Typ „Pipeline reparieren“ vom Alarm bis zur Nacharbeit führen, das Deployment bleibt beim Menschen. Das entspricht dem Alltag eines Coding Agent: Das Modell sendet Tool Calling, der Harness führt aus, der Mensch behält das Veto am Tor und bei riskanten Aktionen. Wie der Loop läuft, steht in Wie funktionieren AI Coding Agents?. Wer den Hop von JSON zu Nebenwirkungen besitzt, steht in Agent Harness über JSON Tool Calling.

Der Aufgabenbaum: wie aus 15,000 Arbeiten ein Index wird

Niemand kann jede R&D-Aktion eines Frontier-Labors von Hand aufschreiben. Anthropic hat von unten gesammelt: Im Juli 2026 haben sie jede Woche 20 % der Mitarbeiter in Abteilungen der Modell-R&D zufällig gezogen; ein Claude-Research-Agent hat Slack und interne Dokumente gelesen und aufgelistet, was diese Leute in der Woche getan haben. Vier Wochen ergaben etwa 15,000 fein granulare Aufgaben.

Claude hat die Liste dann zu einem Baum gefaltet: Wurzel ist die gesamte Modell-R&D, darunter Training, Produkt, Pretraining, Reinforcement Learning, bis zu den Blättern. Der eingefrorene Baum hat 542 Knoten, davon 378 Blätter – etwa Diagnose von Defekten der Eval-Plattform, RL-Sandbox-Egress und Netzwerkpolitik, Postmortems von Serving-Vorfällen.

Jeden Knoten gräbt ein Claude-Agent weiter aus: wer es tut, mit welchen Tools, wie viel AI übernimmt. Ein unabhängiger Claude-Reviewer sieht nur Evidenz aus dem laufenden Monat oder früher und vergibt AL0–AL5. Die Gewichtung ist kein Führungsbauchgefühl, sondern Personenzeit: eine Stimme pro Person und Woche, gleichmäßig auf die Aufgaben der Woche verteilt.

Sie haben auch die Grenzen aufgeschrieben. Exakte Übereinstimmung zwischen Review-Modell und Menschen: 59 %; Menschen untereinander nur 35 %. In 97 % der Fälle lagen Modell und Mensch höchstens eine Stufe auseinander. Die Grenze zwischen „kollaboriert“ und „führt“ wird weiter gestritten. Ist der Korb eingefroren, sagt ein steigender Index nur, dass die Arbeit vom Juli 2026 automatisiert wird. Er beweist nicht von selbst, dass Menschen nicht auf ganz neue Tätigkeiten gewechselt sind. Sie haben einen Januar-Korb dagegengehalten, keinen Anstieg neuer Aufgaben gesehen, und planen trotzdem periodische Neubauten.

{
  "index": "anthropic-rd-automation",
  "as_of": "2026-08",
  "node": {
    "id": "rl-sandbox-egress-policy",
    "leaf": "RL sandbox egress and network policy",
    "automation_level": 4,
    "label": "leads",
    "weight_person_weeks": 12.4,
    "human_gate": ["deploy", "policy_change"]
  },
  "aggregate": {
    "leads_share": 0.26,
    "collaborates_or_above": 0.90,
    "autonomous_share": 0.0
  }
}

Felder, die sich parse lassen, eine Enum für die Stufe, ein numerisches Gewicht – nur so lässt sich der Index monatlich neu rechnen. Ein Prosatext im Wochenbericht kann das nicht.

Wie Agents gemeinsam an der Modellentwicklung arbeiten

Die 26 % sind nicht ein Super-Claude in der Mitte, der den ganzen Trainingsstack schreibt. Die öffentliche Beschreibung sieht eher nach einem Orchestrierungsplan aus: Ein Mensch setzt das Ziel, mehrere Agents laufen lange halbautonom und übergeben Arbeit an andere Agents.

1. 1
   Sampeln und katalogisieren

   Ein Research-Agent liest Arbeitsaufzeichnungen und schreibt die Aufgaben der Woche als aggregierbare Einträge. Ohne diesen Schritt haben die späteren Stufen keinen Nenner.

2. 2
   Verzweigen und übergeben

   Training, Eval, Infrastruktur und Vorfall-Nacharbeiten werden getrennt. Ein Agent kann weitergraben oder eine Teilaufgabe an einen anderen Agent mit eigener Identität übergeben.

3. 3
   Ausführen und zurückschreiben

   Logs lesen, Code ändern, Tests fahren, gegen den letzten guten Lauf vergleichen. Ergebnisse kommen in die Sitzung zurück – nicht nur die Zeile „ist repariert“.

4. 4
   Einander korrigieren

   Nachrichten laufen über einen offenen Kanal und verlinken auf das Originalmaterial. Ein anderer Agent behandelt die Worte eines Peers als „zu prüfende Behauptung“, nicht als eigenen Gedanken.

5. 5
   Menschliches Tor

   AL4 stoppt vor dem Deployment. AL3 früher: Eine Überraschung gibt die Arbeit an den Menschen zurück. Fällt das Tor aus, dürfen auf Platte und im Cluster keine irreversiblen Aktionen passieren.

Das ist nicht dieselbe Produktschicht wie „ein Assistent im Chatfenster“. Es liegt näher an einer Agent-Runtime im Labor: persistente Identität, nachverfolgbare Nachrichten, überwachte Tools. Wie der Stack geschichtet ist, steht in 2026 AI-Agent-Stack.

JSON-Datenfluss: Identität, Nachrichten, Tools, Tore

Der Anhang beschreibt zwei Designs des internen Gerüsts sehr konkret. Sie erklären, warum 30,000 Agents trotzdem auditierbar bleiben.

Identität. Nutzer sind gewohnt, mit einem Objekt namens Claude zu sprechen. Wenn viele Agents kollaborieren, braucht jeder eine eigene Identität, und die Daten, die er erzeugt, bleiben an diese Identität gebunden. Die Identität ist nicht an eine Modellversion geschweißt; nach einem Upgrade bleibt die Vita. Für die Aufsicht: Jede Aktion lässt sich über die Zeit pro Agent verfolgen, jeder Datensatz kann auf einen konkreten Akteur zeigen.

Offene Kommunikation. Agents führen keine Privatgespräche. Jede Nachricht trägt die Senderidentität und kann auf eine Originalreferenz zeigen, was Stille-Post-Verzerrung mindert. Andere Agents sehen den Verkehr, können also korrigieren und koordinieren. Nachrichten und Sitzungstranskripte sind kreuzreferenziert, damit ein Verhaltens-monitor durch die Gespräche zwischen Agents gehen kann.

Diese beiden Punkte auf alltägliches Tool Calling gelegt, sieht ein auditierbarer Datensatz ungefähr so aus:

{
  "agent_id": "agt_4c91",
  "model_ref": "claude-internal",
  "identity_persists_across_models": true,
  "action": {
    "type": "tool_call",
    "name": "apply_patch",
    "arguments": "{\"path\":\"pipelines/nightly_etl.py\",\"intent\":\"fix_schema_drift\"}"
  },
  "message": {
    "channel": "open",
    "from": "agt_4c91",
    "links": ["transcript://run-8821#step-17"],
    "treat_as": "claim_to_verify"
  },
  "monitor": {
    "online": { "coverage": 1.0, "decision": "allow", "latency_s": 1.8 },
    "offline": { "ingested": true, "flagged": false }
  },
  "human_gate": { "required_for": ["deploy"], "status": "pending" }
}

arguments ist oft noch ein String. Die Fachschicht muss zuerst parse, dann gegen das schema prüfen, dann an monitor und Rechte übergeben. Wie der Vertrag geschrieben wird, steht in Warum braucht KI JSON Schema?. Wer nach der Erweiterung der Toolfläche die Sicherheit trägt, steht in MCP-Sicherheitslücken erklärt.

Ohne diese JSON-Schicht kann der monitor nur Prosa lesen. 30,000 parallele Agents und eine Milliarde Entscheidungen lassen sich in Prosa nicht nach Identität aggregieren, und die Frage „wer führt welche Blattaufgabe“ bleibt unbeantwortbar.

30,000 Agents: wer sieht zu

Im August 2026 liefen auf Anthropics meistgenutzter interner Plattform etwa 30,000 Agents gleichzeitig in Forschung und Engineering. Die Messung gilt nur für diese Plattform. Aktionen sitzen hinter zwei Arten von monitor:

Wenig Blockaden heißen nicht, das Tor sei optional. Die Abdeckung ist 100 %. Blockaden sind die Ausnahme. Fehlt der Hop vor der Ausführung, rutscht AL4-„führt“ in ein unbeaufsichtigtes Deployment. Wie JSON zur Sicherheitsgrenze wird, steht in Wenn AI Agents anfangen, das Internet anzugreifen.

Das Rechenbuch: was 6 % Sicherheit bedeuten

Die dritte Gruppe ist ein Rechen-Schnappschuss der Woche vom 13.–20. Juli 2026. Von der Rechenleistung, die in AI R&D ging, wurden etwa 6 % der Sicherheit zugeschlagen; von der Rechenleistung für „AI-getriebene AI R&D“ etwa 12 %. Die Sortierung ist bewusst konservativ: Token, die Fähigkeit und Sicherheit je zur Hälfte voranbringen, zählen nicht als Sicherheit.

Anthropic warnt selbst: Sicherheitsforschung frisst oft mehr Personenzeit und weniger Karten als Frontier-Training; der Rechenanteil ist keine hinreichende Statistik dafür, „wie wichtig der Firma Sicherheit ist“. Der Wert ist Vergleichbarkeit – über Labore und über die Zeit, in denselben Eimern.

Die Klassifikation selbst ist ein Agent-Workflow: Ein Klassifizierer liest Job-Metadaten, Code und Sitzungstranskripte und gibt Eimer, Begründung und Konfidenz aus. Sie haben etwa 14 % der knapp 10,000 Läufe jener Woche gezogen, nach Rechenleistung gewichtet. Grenzen stehen im Prompt; menschliche Prüfung und Maschine lagen ein bis zwei Prozentpunkte auseinander. Wer das nachbauen will, schreibt „was zählt als Sicherheitsarbeit“ zuerst als prüfbare JSON-Definition, nicht als Slogan.

Einen Workflow-Datensatz in JSONNote zerlegen

Anthropics internen Baum bekommen Sie nicht. Dieselbe Art Material liegt in Ihrem eigenen Repository: tool calls, monitor-Logs, Agent-Nachrichten, Aufgabenratings. Das alles lässt sich lokal im Browser zerlegen.

1. 1
   Zuerst prüfen, ob arguments parse kann

   Den String unescapen und in JSON formatieren werfen. Fehlende Kommas und trailing commas sind schon kaputt, bevor ein monitor läuft.

2. 2
   Die Aktion gegen das deklarierte schema prüfen

   parameters des Tools und das geparste Objekt in JSON Schema legen. Die Stufe muss ein Enum sein, die Identität eine stabile ID, das Deployment muss explizit auf human_gate bleiben.

3. 3
   „Was Sie freigegeben haben“ und „was es jetzt ist“ vergleichen

   Den Aufgabenbaum oder die Tool-Liste von letzter Woche in JSON Diff werfen und gezielt stille Änderungen an Blattaufgaben, monitor-Entscheidungen und schemas suchen.

4. 4
   Soll ein Kollege es sehen? Per Hash teilen

   Die Daten bleiben im URL fragment und treffen keinen Server. Siehe JSON per URL Hash teilen.

FAQ

Wenn Claude 26 % der AI R&D führt – baut es die nächste Generation schon unbeaufsichtigt?

Nein. 26 % entspricht Epoch AIs AL4: Claude kann aus einer groben Vorgabe den Großteil erledigen; ein Mensch beaufsichtigt und entscheidet, ob es live geht. Anthropic schreibt: Auf keinem gemessenen Teilbereich der AI R&D hat Claude AL5-Vollautonomie erreicht.

Wie passen „über 90 % kollaboriert“ und „26 % führt“ zusammen?

90 % ist AL3 oder höher: Claude kann unter enger menschlicher Anleitung große Brocken erledigen. 26 % ist der Anteil davon, der bereits auf AL4 gestiegen ist. Führen sitzt innerhalb von „kollaboriert oder höher“. Es sind keine zwei sich ausschließenden Haufen.

Wie kollaborieren 30,000 Agents, und wer sieht ihnen zu?

Sie laufen auf einer internen Plattform halbautonom durch Forschung und Engineering und können einander Aufgaben übergeben. Jeder Agent hat eine eigene Identität; Nachrichten laufen über einen offenen Kanal. 100 % der Aktionen gehen vor der Ausführung durch einen online monitor, danach durch einen offline monitor. Im August 2026 wurde von mehr als 1 Milliarde Entscheidungen etwa 1 von 47,000 blockiert.

Wo taucht JSON in diesem Workflow auf?

Knoten des Aufgabenbaums, Automation-Ratings, Agent-Identitäten, offene Nachrichten, Tool Calling-arguments, Freigabe oder Blockade durch den monitor – fast alles sind strukturierte Datensätze. Ohne einen Vertrag, den man parse kann, lassen sich 30,000 Agents nicht auditieren, und man kann nicht nachvollziehen, wer welchen Abschnitt geführt hat.

Was sollte ein Entwickler aus dieser Offenlegung mitnehmen?

Zuerst Assistenz, Kollaboration, Führen und Autonomie trennen. Dann Identität, Zeit und prüfbares JSON an jeden tool call und jede Agent-Nachricht hängen. Das Tor sitzt vor der Ausführung; das Material zum Nachvollziehen danach. Die Zahlen werden sich ändern. Die Vertragsschicht wird nicht veralten.

Fazit

Anthropic legt 26 %, 90 %, 30,000, 0.002 % und 6 % auf den Tisch, weil diese Zahlen sich messen, prüfen und monatlich neu rechnen lassen. Sie messen nicht, „wie gut das Modell chattet“. Sie messen, auf welcher Stufe Mensch und Agent in der Produktionslinie der Modellentwicklung stehen.

26 % ist Führen, nicht Autonomie. Kollaboration ist schon ausgebreitet. Das Tor bleibt beim Menschen. Agents können gemeinsam Modelle bauen, weil Identität, offene Nachrichten, Tool Calling und monitor-Entscheidungen denselben parse-baren Datenfluss nutzen.

Überschriften werden 26 % weiter groß lesen. Wer den Originaltext liest, sollte zuerst die Stufendefinitionen ansehen, dann prüfen, ob dieses JSON noch da ist.

← Zurück zum Blog