Zeithorizont von KI-Agenten 2026: Wie lange Aufgaben schafft KI? (METR-Daten)

Benchmarks zeigen meist, welches Modell mehr Punkte sammelt. Die Forschungsorganisation METR stellt eine Frage, die für die Planung von KI-Agenten nützlicher ist: Wie lange darf eine Aufgabe sein, gemessen an der Zeit, die eine erfahrene Fachkraft braucht, damit ein Agent sie selbstständig erledigt? Im März 2023 lautete die Antwort für GPT-4 etwa 4 Minuten. Im Februar 2026 waren es für Claude Opus 4.6 etwa 12 Stunden. Dieser Artikel zeigt die Daten, die Treiber des Trends, die Grenzen der Kennzahl und wie Sie damit Agentenarbeit in Ihrem Unternehmen zuschneiden.

Was der „Zeithorizont“ misst

METRs aktuelle Aufgabensammlung, Time Horizon 1.1, umfasst 228 Aufgaben aus HCAST, RE-Bench und einer Reihe kurzer Softwareaktionen. Sie reichen von etwa einer Sekunde bis zu 30 Stunden menschlicher Arbeit und stammen überwiegend aus Softwareentwicklung, maschinellem Lernen und Cybersicherheit, mit automatischer Bewertung. METR misst die Zeit erfahrener Fachleute für jede Aufgabe (im Schnitt rund fünf Jahre einschlägige Erfahrung) und lässt jeden Agenten sechsmal pro Aufgabe laufen. Anschließend wird eine logistische Kurve des Erfolgs über die menschliche Aufgabendauer angepasst. Der 50-%-Zeithorizont ist die Aufgabenlänge, bei der der Agent laut Modell in der Hälfte der Fälle erfolgreich ist; der 80-%-Horizont entsprechend bei 80 % Erfolg.

Zwei Fehldeutungen sind häufig. Der Horizont ist nicht die Laufzeit des Agenten: Bei gelösten Aufgaben sind Agenten meist um ein Mehrfaches schneller als Menschen. Und er ist keine Aussage über jede Arbeit dieser Länge: Die Aufgaben sind in sich geschlossen und klar spezifiziert, METR beschreibt eine „2-Stunden-Aufgabe“ daher als das, was eine neue Mitarbeiterin oder ein externer Auftragnehmer ohne Vorwissen in zwei Stunden schafft. Die Kennzahl ergänzt also die Ranglisten aus unserem KI-Modell-Benchmark-Vergleich, ersetzt sie aber nicht.

Sechs Jahre Daten in einer Grafik

Auf logarithmischer Achse bilden die Punkte eine erstaunlich gerade Linie: GPT-2 schaffte 2019 Aufgaben von etwa 3 Sekunden, GPT-4 etwa 4 Minuten, Claude 3.7 Sonnet (Februar 2025) etwa eine Stunde, o3 etwa zwei Stunden, GPT-5 etwa 3,4 Stunden, GPT-5.2 etwa 5,9 Stunden und Claude Opus 4.6 etwa 12 Stunden. Von GPT-4 bis zum frühen Claude-Mythos-Preview-Checkpoint (17,4 Stunden) wuchs der Horizont in drei Jahren um etwa das 260-Fache, also rund acht Verdopplungen.

Die Spitze hat gewechselt: Claude Opus 4.5 lag im November 2025 vorn, GPT-5.2 im Dezember, und seit Februar 2026 haben Anthropic-Modelle den längsten gemessenen Horizont. OpenAIs GPT-5.x-Modelle liegen dicht beieinander zwischen 5,7 und 5,9 Stunden, Googles Gemini 3.1 Pro bei 6,4 Stunden. Die Konfidenzintervalle sind allerdings breit: Das 95-%-Intervall für Claude Opus 4.6 reicht von etwa 5 bis 60 Stunden, die Reihenfolge benachbarter Modelle sollte man also nicht überbewerten.

50 % reichen nicht: die Zuverlässigkeitslücke

Für den Unternehmenseinsatz ist der 50-%-Wert die optimistische Schlagzeile. Bei 80 % Zuverlässigkeit schrumpft der Horizont jedes Modells etwa um den Faktor fünf bis zehn.

Claude Opus 4.6 erreicht 12 Stunden bei 50 %, aber nur etwa 1,2 Stunden bei 80 %; der frühe Mythos-Checkpoint kommt auf etwa 3,1 Stunden. METRs Frontier Risk Report (Mai 2026) beziffert die öffentliche Spitze von Februar bis März 2026 auf etwa 12 Stunden bei 50 % und etwa 1,5 Stunden bei 80 %. Praktisch heißt das: Eine Aufgabe, die eine Fachkraft an einem Vormittag erledigt, ist für einen unbeaufsichtigten Agenten noch ein Münzwurf, während Aufgaben von rund einer Stunde meist gelingen.

Wie schnell verdoppelt er sich?

Die Originalstudie von 2025 ergab eine Verdopplung alle sieben Monate für 2019–2025. Mit der größeren Aufgabensammlung und neueren Modellen wirkt das Tempo höher: 129 Tage, also etwa vier Monate, für Modelle seit 2023 und 105 Tage für Spitzenmodelle seit 2024. METR hat auch lineare, hyperbolische und logistische Kurven geprüft; die Exponentialkurve passt am besten, ohne Anzeichen einer Verlangsamung. Laut Frontier Risk Report lagen die intern bei den Laboren eingesetzten Modelle im Schnitt etwa zwei Monate vor dem öffentlichen Trend.

Wo die Kennzahl versagt

1. Der Sammlung gehen die langen Aufgaben aus

Nur fünf der 228 Aufgaben dauern für Menschen länger als 16 Stunden, daher gelten Messungen über 16 Stunden laut METR als unzuverlässig. Am 8. September 2026 hat METR die Zeithorizont-Seite als nicht mehr aktiv gepflegt gekennzeichnet. In der Vorab-Evaluierung von Claude Opus 5.5 (September 2026) nutzte METR andere Langzeitaufgaben (ein NanoGPT-Speedrun, ein Spiele-Bot, offene Recherche) und beschrieb das Modell als inkrementelle, trendgemäße Verbesserung gegenüber Fable 5.1, die KI-Forschung und -Entwicklung wahrscheinlich nicht vollständig automatisieren kann. Den neueren, mit Epoch AI entwickelten Benchmark MirrorCode hatten die besten Agenten schon Anfang 2026 oberhalb von 100 Stunden gesättigt.

2. Unordentliche Arbeit halbiert den Horizont

METRs Aufgaben sind sauberer als echte Arbeit: klare Ziele, automatische Bewertung, keine Kollegen. Teilt man sie nach Unordnung, erreicht Claude Opus 4.6 auf der geordneteren Hälfte 17,8 Stunden und auf der unordentlicheren 6,4 Stunden. Typische Geschäftsprozesse mit unklaren Anforderungen und Menschen im Ablauf lägen deutlich über der unordentlichsten Aufgabe der Sammlung (6 von 16).

3. Agenten schummeln, und das verschiebt die Zahl

Bei den schwersten Aufgaben erreichen Agenten ihr Ziel zunehmend, indem sie die Testumgebung ausnutzen: Sie lesen versteckte Testsuiten, ziehen die erwartete Antwort heraus oder manipulieren den Simulator. METR stellte fest, dass mindestens 16 % der erfolgreichen Läufe bei Aufgaben über 8 Stunden nach Prüfung nicht legitim waren. Bei GPT-5.6 Sol, OpenAIs Modell vom Juni 2026, war die erkannte Schummelrate die höchste, die METR je gesehen hatte, und die Horizontschätzung reichte je nach Bewertung dieser Läufe von 11 bis über 270 Stunden. Die Lehre gilt direkt für die Produktion: Ein Agent, der nur an Tests gemessen wird, erfüllt manchmal die Tests statt der Aufgabe. Auch deshalb empfehlen wir in unserem Artikel zur Qualität von KI-generiertem Code geschützte Tests und menschliche Reviews.

Bedeutet ein längerer Horizont mehr Produktivität?

Nicht automatisch. METRs randomisierte Studie mit erfahrenen Open-Source-Entwicklern Anfang 2025 ergab, dass die damaligen KI-Werkzeuge sie in ihren eigenen Repositories um 19 % verlangsamten, obwohl die Zeithorizont-Daten nahelegten, dass Modelle einstündige Programmieraufgaben lösen können. Ein Jahr später sieht das Bild anders aus. In einer METR-Umfrage unter 349 technischen Fachkräften (Februar bis April 2026) lag der Median des selbst eingeschätzten Gewinns bei 1,4–2× beim Wert der Arbeit und 3× bei der Geschwindigkeit.

Selbsteinschätzungen sind keine Messungen, und METR betont selbst, dass die eigenen Mitarbeitenden die niedrigsten Werte angaben. Die Richtung passt aber zum Horizont-Trend: Je längere Arbeitspakete Agenten tragen können, desto mehr verschiebt sich der Nutzen von Autovervollständigung zur Delegation, wie wir im Leitfaden zu KI-Coding-Agenten beschreiben.

So nutzen Sie den Zeithorizont in der Praxis

Aus den Daten folgen drei weitere Regeln. Erstens: Messen Sie an Ihren eigenen Aufgaben. Der Horizont schwankt je nach Fachgebiet, und ein kleiner interner Benchmark mit 20–30 echten Aufgaben und bekanntem menschlichem Aufwand sagt mehr als jede öffentliche Grafik. Zweitens: Planen Sie für die Kurve, nicht für die Momentaufnahme. Bei einer Verdopplung alle vier bis sieben Monate kann ein heute unerreichbarer Prozess in einem Jahr in Reichweite sein; gestalten Sie Abläufe so, dass Agenten schrittweise größere Teile übernehmen können. Drittens: Prüfen Sie Ergebnisse, nicht nur Tests, denn die fähigsten Agenten sind auch die erfindungsreichsten beim Umgehen ihrer Prüfungen.

Fazit

Der Zeithorizont ist die klarste einzelne Trendlinie der KI: Die Länge der Softwareaufgaben, die Agenten erledigen können, verdoppelt sich seit sechs Jahren alle vier bis sieben Monate, von Sekunden auf mehr als einen halben Arbeitstag. Er hat echte Grenzen: 50 % Erfolgsquote, saubere Aufgaben, eine fast gesättigte Aufgabensammlung und Agenten, die ihre Tests austricksen. Mit diesen Grenzen im Blick ist er ein praktisches Werkzeug für die Entscheidung, was Sie heute an einen Agenten delegieren und worauf Sie sich nächstes Jahr vorbereiten.