AI-translated from English; not yet reviewed by a fluent editor. # Cambridge-Bericht untersucht, ob KI-gestützte Forschung die KI-Entwicklung beschleunigen könnte > Ein Arbeitspapier der Universität Cambridge untersucht, ob KI-gestützte Forschung den Fortschritt bei KI beschleunigen könnte. Anthropics Angabe von 26 Prozent bezieht sich auf beaufsichtigte Arbeit; die vorgeschlagene Rückkopplung bleibt an Bedingungen geknüpft. By BIG CHANGE Editorial Published: 2026-09-28T23:34:31.964Z Updated: 2026-09-28T23:34:31.964Z Canonical: https://bigchange.ai/blog/casp-report-ai-automating-ai-research ![Conceptual charcoal illustration, seen from above, of one researcher comparing two sheets at a workbench while a desktop monitor faces away.](https://bigchange.ai/api/media/file/casp-research-review-hero-v2.png) AI-generated conceptual illustration by BIG CHANGE. Anthropic zufolge übernimmt Claude 26 Prozent der Forschungs- und Entwicklungsarbeit an KI, die das Unternehmen intern misst. Das bedeutet, dass ein System den größten Teil einer Aufgabe nach einer übergeordneten Anweisung erledigen kann, während ein Mensch es beaufsichtigt. Anthropic sagt auch, Claude erledige keine gemessene Forschungs- und Entwicklungsarbeit vollständig autonom. Dieser Unterschied ist für ein neues [Arbeitspapier des Cambridge Programme on AI Science & Policy](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf) wichtig. Es untersucht, ob eine stärkere Beteiligung von KI an der eigenen Forschung und Entwicklung der KI den Fortschritt irgendwann stark beschleunigen könnte. Das auf September 2026 datierte Papier vereint 22 Autorinnen und Autoren aus Universitäten, KI-Unternehmen und der Zivilgesellschaft. Es argumentiert, dass eine rasche Rückkopplung möglich sei: Leistungsfähige Systeme helfen dabei, bessere Systeme zu entwickeln, die anschließend mehr Forschung übernehmen. Die zentrale Schlussfolgerung ist eine Warnung vor einem plausiblen Entwicklungspfad und ein Aufruf, ihn zu messen. Das Papier berichtet nicht, dass eine solche Beschleunigung bereits begonnen hat. ## Die große Änderung - **Was sich geändert hat:** Ein institutionsübergreifendes Arbeitspapier trägt Belege zu KI-gestützter Forschung und Entwicklung zusammen, beschreibt Bedingungen, unter denen sie den KI-Fortschritt beschleunigen könnte, und nennt konkrete Messwerte, die Regierungen von führenden KI-Laboren einholen sollten. - **Warum das wichtig ist:** Innerhalb der Unternehmen, die KI entwickeln, werden zunehmend mehr Forschungsaufgaben an KI-Systeme delegiert. Öffentliche Messwerte zu diesem Anteil sind noch lückenhaft. Dadurch lässt sich schwer beurteilen, um wie viel sich der gesamte Forschungsprozess beschleunigt. - **Worauf zu achten ist:** unabhängig überprüfte Messungen dazu, wie viel Arbeit KI erledigt, ob ihre Beiträge spätere Modelle verbessern und ob Rechenleistung, Experimente und menschliche Prüfung die Rückkopplung verlangsamen. ## Die Belege sind real, doch die Messgrößen beantworten unterschiedliche Fragen [Anthropics Messbericht vom September](https://www.anthropic.com/institute/measuring-pace-of-ai-development) besagt, dass der Anteil der Forschungs- und Entwicklungsarbeit, die im Maßstab „KI führt“ erledigt wurde, im August 2026 26 Prozent erreichte – gegenüber weniger als 1 Prozent im Februar. In dieser Kategorie ist weiterhin eine menschliche Aufsicht vorgesehen. Anthropic zufolge ist der Index ein Prototyp; die eigenen Modelle helfen bei der Bewertung der Arbeit, und eine einheitliche Methode zum Vergleich solcher Zahlen zwischen Unternehmen gibt es nicht. Die Aussage des Unternehmens, dass keine gemessene Arbeit vollständig autonom erledigt wird, sollte zusammen mit dem Wert von 26 Prozent betrachtet werden. [OpenAIs Bericht vom September](https://openai.com/index/research-acceleration-view-inside-openai/) beschreibt, dass Forschende mehr Programmieragenten einsetzen, schneller Code beitragen und mehr Experimente durchführen. OpenAI zufolge hängt die Zahl der Experimente mit dem stärkeren Einsatz von Agenten zusammen, zugleich sei auch die verfügbare Rechenleistung gestiegen. Weiterhin bestimmten Menschen die Forschungsprioritäten und entschieden, welche Ergebnisse weiterverfolgt werden. Mehr Code und Experimente können die Forschung unterstützen, ohne eine entsprechende Steigerung der Geschwindigkeit zu belegen, mit der leistungsfähigere Modelle entstehen. Unabhängige Bewertungen helfen, einen Teil des Prozesses zu messen. Das [Update von METR zu Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/) zeigt, dass Modelle in der Testsuite längere Forschungs- und Softwareaufgaben als frühere Systeme bewältigen können. METR berichtet zugleich von großer Unsicherheit bei langen Aufgaben; für viele davon wurden menschliche Bearbeitungszeiten geschätzt. Ein Aufgabenbenchmark misst Fähigkeiten bei ausgewählten Aufgaben, nicht die gesamte Forschungsproduktivität eines KI-Labors. In einer separaten randomisierten Studie mit 16 erfahrenen Open-Source-Entwicklern, die 246 Aufgaben bearbeiteten, [stellte METR fest, dass der Zugang zu KI-Werkzeugen von Anfang 2025 die Bearbeitungszeit um 19 Prozent erhöhte](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf). Dieser ältere Softwarekontext lässt sich nicht mit einem führenden KI-Labor im September 2026 gleichsetzen. Er zeigt aber, warum Werkzeugnutzung und Aufgabenbenchmarks allein die Produktivitätsfrage nicht beantworten. ## Eine mögliche Rückkopplung hat mehrere Bremsen Das CASP-Papier konzentriert sich auf eine softwaregetriebene Rückkopplung. KI-Systeme könnten die effektive Forschungsbelegschaft vergrößern, indem sie parallel Aufgaben erledigen. Erfolgreiche Verbesserungen würden die nächsten Systeme zu besseren Forschern machen und weitere Verbesserungen ermöglichen. Die Autoren sagen, vorläufige Belege seien mit diesem Mechanismus vereinbar, und halten eine erhebliche Automatisierung von Forschung und Entwicklung binnen weniger Jahre für wahrscheinlich. Die weiter reichende Möglichkeit einer „Intelligenzexplosion“, bei der Jahre des Fortschritts in Monate oder weniger gepresst würden, setzt voraus, dass die Rückkopplung ihre Begrenzungen überwindet. Das ist ein bedingtes Szenario, keine gemessene Prognose. Das Papier nennt vier wichtige Einschränkungen: abnehmenden Zusatznutzen weiterer Forschungsarbeit, begrenzte Rechenleistung und Daten, Aufgaben, die sich weiterhin schwer automatisieren lassen, sowie Abläufe wie lange Trainingsläufe, die sich nicht beliebig beschleunigen lassen. Zu einigen dieser Punkte seien die Belege gemischt oder indirekt; direkte Belege für die Stärke zeitintensiver Engpässe fehlten. Das Beispiel eines zehnfach schnelleren Fortschritts innerhalb von etwa 1,5 Jahren ist eine Modellrechnung unter der Annahme vollständiger Automatisierung von Forschung und Entwicklung. Sie setzt voraus, dass der geschätzte Ertrag zusätzlicher Forschungsarbeit anhält und kein neuer Engpass entsteht. Es handelt sich weder um eine beobachtete Beschleunigung noch um einen bedingungslosen Zeitplan. Andere Arbeiten präzisieren die Unsicherheit. In einer [Studie von 2025 zu vier KI-Laboren](https://arxiv.org/abs/2507.23181) kamen Parker Whitfill und Cheryl Wu je nach Modellierung des Forschungs-Rechenaufwands zu unterschiedlichen Ergebnissen. In einer Spezifikation erschienen geistige Arbeit und Rechenleistung als austauschbar; in einem Modell, das den wachsenden Bedarf führender Experimente berücksichtigte, ergänzten sie einander. Die Autoren warnen vor den Grenzen der Daten und des Modells. [Toby Ords Analyse vom August 2026](https://arxiv.org/abs/2608.14426) benennt die Dauer jedes Verbesserungszyklus als einen weiteren entscheidenden Parameter. Diese Analysen schließen eine rasche Beschleunigung nicht aus. Sie zeigen, dass sich die Geschwindigkeit der Rückkopplung nicht unmittelbar aus der Zahl der Agenten oder der Menge ihres Codes ablesen lässt. ## Was die Autoren messen lassen wollen Die Autoren aus Cambridge schlagen drei politische Prioritäten vor: Einblick in die Automatisierung von Forschung und Entwicklung im KI-Bereich gewinnen, Möglichkeiten zur Steuerung und Begrenzung einer möglichen Beschleunigung entwickeln und sich auf ihre potenziellen Folgen vorbereiten. Am unmittelbarsten und am besten überprüfbar ist die Messung. Vorgeschlagen werden Berichte über den Anteil von Forschungsbeiträgen aus KI, das Tempo algorithmischer Verbesserungen, die Aufteilung der Laborausgaben auf Personal und Rechenleistung, Forschungsentscheidungen, die von KI-Systemen beeinflusst werden, und Vorfälle mit internen Agenten. Zudem schlagen sie unabhängige Prüfungen mit strengeren Anforderungen für Systeme vor, die bei der KI-Forschung an der Spitze stehen. Einige weiter reichende Vorschläge – darunter Auflagen vor einem weiteren Einsatz, Möglichkeiten zur Unterbrechung bestimmter Forschungs- und Entwicklungsabläufe sowie internationale Verifizierung – erforderten umfangreiche Ausgestaltung und Abwägungen. Das Papier warnt selbst, dass schlecht konzipierte Befugnisse ein Unternehmen begünstigen und nützliche Arbeit verzögern könnten. Die Darstellung möglicher Vorteile und schwerer Schäden stützt sich auf die zuvor erläuterte bedingte Beschleunigung. Politikverantwortliche können die kurzfristig mögliche Berichtspflicht prüfen, ohne anzunehmen, das extremste Szenario sei bereits eingetreten. Die hilfreiche Frage nach diesem Bericht ist enger gefasst als die, ob KI plötzlich superintelligent wird. Können Labore anhand vergleichbarer Kennzahlen zeigen, welche Teile der Forschung KI inzwischen anführt, welche Verbesserungen einer menschlichen Prüfung standhalten und wie schnell sie in die nächste Systemgeneration einfließen? Die öffentlichen Belege reichen noch nicht aus, um diese Frage unternehmensübergreifend zu beantworten. ## Quellen und weiterführende Informationen - [Cambridge Programme on AI Science & Policy: vollständiges Arbeitspapier (September 2026)](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf): Argumentation und Belegprüfung der Autoren, Modellannahmen, Einschränkungen und politische Vorschläge. Das Dokument ist als Arbeitspapier gekennzeichnet; aus den öffentlichen Unterlagen geht keine externe Begutachtung hervor. - [Zusammenfassung für Führungskräfte von CASP](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf): Kürzere Darstellung des bedingten Szenarios und der vorgeschlagenen Maßnahmen. Verfasst von einem Teil der Autorenschaft. - [Anthropic: Messungen zur KI-gestützten Forschung und Entwicklung](https://www.anthropic.com/institute/measuring-pace-of-ai-development): Primärquelle zur Angabe von 26 Prozent für die Stufe „KI führt“, zur vorgesehenen Aufsicht und zu methodischen Einschränkungen. - [OpenAI: Beschleunigung der Forschung innerhalb von OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/): Vom Unternehmen berichteter Einsatz von Agenten, Umfang der Experimente, menschliche Steuerung und Einschränkungen bei der Messung des Forschungsfortschritts. - [METR: Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/): Unabhängige Aufgabenbewertung sowie Unsicherheiten bei der Schätzung von Benchmark-Zeithorizonten. - [Whitfill und Wu: Engpässe bei der Rechenleistung](https://arxiv.org/abs/2507.23181), und [Ord: Dynamik von Intelligenzexplosionen](https://arxiv.org/abs/2608.14426): Getrennte Analysen zu Bedingungen, die eine rekursive Forschungsrückkopplung verlangsamen oder verändern könnten. ## Sources - [CASP: Was wäre, wenn die Automatisierung von KI-Forschung eine Intelligenzexplosion auslöst?](https://casp.ac/__l5e/assets-v1/5efd4b41-deb5-4513-a0a3-b4f82d2b79ea/intelligence-explosion.pdf) — Primäres, 14-seitiges Arbeitspapier Nr. 2/2026 aus der Reihe zu führender KI-Forschung. Vollständig gelesen. Beschreibt Mechanismus, gemischte Evidenz, Annahmen und politische Vorschläge. - [CASP: Zusammenfassung für Führungskräfte](https://casp.ac/__l5e/assets-v1/026ee81c-773c-4811-9c97-f7cf367ee7b0/intelligence-explosion-summary.pdf) — Zweiseitige Zusammenfassung eines Teils der Autorenschaft. Mit dem vollständigen Papier abgeglichen. - [Anthropic: Messungen zum Verständnis des Tempos der KI-Entwicklung in führenden Laboren](https://www.anthropic.com/institute/measuring-pace-of-ai-development) — Primäre Unternehmensmessung: 26 Prozent bei „KI führt“, null vollständig autonome Arbeit in der Messung und methodische Vorbehalte. - [OpenAI: Beschleunigung der Forschung – Einblicke aus OpenAI](https://openai.com/index/research-acceleration-view-inside-openai/) — Primäre Unternehmensangaben zu Agenteneinsatz und Forschungsaktivität; unterscheidet Korrelation von Fortschritten bei Modellen insgesamt. - [METR: Time Horizon 1.1](https://metr.org/blog/2026-1-29-time-horizon-1-1/) — Unabhängige Bewertung des Aufgabenhorizonts mit Hinweisen zur Unsicherheit und zu Grenzen der Aufgabenzusammenstellung. - [METR: Messung des Einflusses von KI Anfang 2025 auf die Produktivität erfahrener Open-Source-Entwickler](https://metr.org/Early_2025_AI_Experienced_OS_Devs_Study-paper.pdf) — Randomisierte Studie in einem anderen Softwarekontext; begrenztes Gegenbeispiel zur Annahme, der Einsatz von Werkzeugen führe automatisch zu höherer Produktivität. - [Whitfill und Wu: Werden Engpässe bei der Rechenleistung eine Intelligenzexplosion verhindern?](https://arxiv.org/abs/2507.23181) — Modellbasierte Analyse mit unterschiedlichen Schätzungen dazu, ob Rechenleistung und Arbeitskraft einander ersetzen, sowie ausdrücklichen Einschränkungen der Daten. - [Toby Ord: Die Dynamik von Intelligenzexplosionen](https://arxiv.org/abs/2608.14426) — Theoretische Analyse der Dauer einer Rückkopplungsgeneration; keine empirische Prognose.