Wie diese Momentaufnahme zu lesen ist
Dieses Dashboard erfasst öffentliche Evidenz, die am 13. September 2026 verfügbar war. Es ist keine Live-Rangliste und sollte nicht stillschweigend aktualisiert werden. KI-Produkte, Gerüste, Bewertungssätze und Preise ändern sich zu schnell, als dass eine undatierte „aktuelle“ Seite ehrlich bleiben könnte.
Fähigkeit ist mehrdimensional. Ein System kann ein Olympiade-Problem lösen und trotzdem eine analoge Uhr nicht ablesen können, Expertenfragen zur Biologie beantworten und trotzdem einen Laborarbeitsablauf nicht abschließen, oder einen Coding-Bewerter bestehen, während es einen Patch erzeugt, den ein Maintainer ablehnen würde. Stanfords AI Index 2026 nennt dieses Muster zerklüftete Intelligenz und dokumentiert große Lücken zwischen kontrollierten und realen Umgebungen (Stanford AI Index, technische Leistung).
Die untenstehenden Bewertungen beschreiben die Evidenz, nicht ein universelles Modell. „Stark“ bedeutet, dass führende Systeme bei relevanten öffentlichen Bewertungen beeindruckend abschneiden. Es bedeutet nicht sicher, menschenäquivalent oder zuverlässig genug für autonomen Einsatz mit hohem Risiko.
| Dimension | Evidenz September 2026 | Wichtige Einschränkung |
|---|---|---|
| Sprache und Wissen | Stark bei breiten Frage-Antwort- und multimodalen Tests | Halluzinationen, Kontamination und uneinheitliche faktische Zuverlässigkeit bleiben bestehen |
| Mathematik und strukturiertes Denken | Frontier-Systeme erreichten bei ausgewählten Problemen Wettbewerbsergebnisse auf Spitzenniveau | Die Leistung bleibt zerklüftet und empfindlich gegenüber Werkzeugen und Inferenzbudget |
| Programmierung und Computernutzung | Rasche Fortschritte bei Programmier- und strukturierten Desktop-Agenten-Benchmarks | Das Bestehen von Bewertern garantiert keine wartbare Produktionsarbeit |
| Autonomie bei langen Aufgaben | Gemessene Software-Aufgabenhorizonte stiegen rasch | Überwiegend saubere Software-/ML-/Cyberaufgaben; nicht Dauer eigenständigen Betriebs |
| Wissenschaftliche Assistenz | Starkes Fachwissen und sich verbessernde Protokoll-/Fehlerbehebungsleistung | Wissenspunktzahlen begründen keine durchgängige experimentelle Kompetenz |
| Cyber-Fähigkeit | Agenten können reale Schwachstellen finden und ausgewählte Expertenaufgaben abschließen | Durchgängige autonome Angriffe sind öffentlich nicht belegt |
| Überzeugungskraft | Messbare Meinungsverschiebungen in kontrollierten Experimenten | Bösartige Wirkung im Bevölkerungsmaßstab ist nicht nachgewiesen |
| Robotik und Verkörperung | Starker Fortschritt in kontrollierten Umgebungen | Zuverlässigkeit im Haushalt und in der offenen Welt bleibt deutlich geringer |
| Sicherheit und Zuverlässigkeit | Schutzmaßnahmen und Bewertungen verbessern sich | Berichterstattung ist uneinheitlich, und keine Methode garantiert Kontrolle |
Denken ist beeindruckend und uneinheitlich
Der AI Index 2026 berichtet, dass ein System von Google DeepMind bei der Internationalen Mathematikolympiade 2025 innerhalb des Wettbewerbszeitlimits eine Punktzahl auf Goldmedaillenniveau erreichte. Dasselbe Kapitel berichtet, dass das bestgetestete Modell bei ClockBench analoge Uhren nur in etwa der Hälfte der Fälle korrekt ablas, gegenüber etwa 90 Prozent bei Menschen. Diese Tests sind nicht gleich wichtig, aber ihr Kontrast widerlegt die Vorstellung eines einzigen skalaren „Intelligenzniveaus“.
Benchmark-Gewinne können ein besseres Basismodell, mehr Rechenleistung zur Inferenzzeit, Werkzeugnutzung, das Sampling mehrerer Lösungen oder spezialisiertes Gerüst widerspiegeln. Ein Ergebnis gehört zum vollständigen getesteten System unter den angegebenen Bedingungen. Es sollte nicht beiläufig auf eine billigere Produktstufe oder einen zeitlich begrenzten Einsatz übertragen werden.
Viele Tests sättigen auch schnell. Stanford berichtet von steilen Gewinnen bei Humanity’s Last Exam und nahezu Sättigung bei SWE-bench Verified, weist dabei aber auf ungültige Fragen und mögliche Anpassung an die Rangliste hin. Sättigung bedeutet, dass eine Bewertung weniger Aussagekraft hat, um führende Systeme zu unterscheiden; sie bedeutet nicht, dass die zugrunde liegende Domäne gelöst ist.
Programmierung und Computernutzung
Führende Agenten können ausgewählte Repository-Probleme beheben, umfangreichen Code schreiben und grafische Anwendungen bedienen. Stanford berichtet, dass die OSWorld-Leistung von etwa 12 Prozent auf 66,3 Prozent gestiegen ist, wobei weiterhin etwa jede dritte strukturierte Aufgabe scheitert. Echte Computernutzung fügt sich ändernde Schnittstellen, unklare Ziele, Zugangsdaten, feindseligen Inhalt und Konsequenzen hinzu, die ein Benchmark auslassen kann.
Automatisierte Bewertung ist eine weitere Grenze. METRs Studie von 2026 zu SWE-bench-Patches ergab, dass das Bestehen der Benchmark-Tests nicht bedeutete, dass Maintainer die Änderungen mergen würden, was Qualitätsdimensionen jenseits funktionaler Testfälle hervorhebt (METR-Maintainer-Überprüfungsstudie). Produktionsprogrammierung erfordert Architektur, Kommunikation, Sicherheit, Wartung und Verantwortung für Fehlschläge.
Diese Evidenz stützt erhebliche Assistenz und Automatisierung ausgewählter Arbeit. Sie stützt nicht, dass „Softwareentwicklung gelöst ist“.
Autonomie bei langen Aufgaben
METRs Dashboard vom Mai 2026 schätzt die Bearbeitungsdauer eines menschlichen Experten, bei der ein Agent eine vorhergesagte Erfolgsrate von 50 oder 80 Prozent hat. Die Aufgaben betreffen vorwiegend Softwareentwicklung, maschinelles Lernen und Cybersicherheit. METR erklärt, dass Messungen über sechzehn Stunden mit der aktuellen Testreihe unzuverlässig sind (METR-Aufgabenhorizonte).
Die Kennzahl wird oft falsch wiedergegeben. Ein Vier-Stunden-Horizont bedeutet nicht, dass der Agent vier Stunden lang eigenständig läuft; er bedeutet, dass ein menschlicher Experte typischerweise etwa vier Stunden für Aufgaben der gemessenen Schwierigkeit benötigt. Erfolgreiche Agenten könnten viel schneller fertig sein. Die Testreihe ist in sich geschlossen und objektiv bewertbar, anders als vieles an organisatorischer Arbeit.
METR warnt weiter, dass sich Domänen um Größenordnungen unterscheiden, Fehlerbalken breit sein können und ein 50-Prozent-Horizont unzureichend ist, wo 98-prozentige Zuverlässigkeit erforderlich ist (METR-Einschränkungen). Der Trend ist bedeutsame Evidenz für raschen Fortschritt bei ausgewählten digitalen Aufgaben — keine Uhr, die zur Arbeitsplatzautomatisierung oder AGI herunterzählt.
Wissenschaft, Biologie und Cyber
Das UK AI Security Institute berichtet, dass Systeme, die bis Oktober 2025 getestet wurden, seine Doktoranden-Experten-Baselines bei ausgewählten Chemie- und Biologiefragen übertrafen und sich bei Protokollerstellung und Laborfehlerbehebung verbesserten. Es berichtet auch von anhaltenden Schwierigkeiten mit durchgängigem Plasmid-Design (AISI-Frontier-KI-Trendbericht). Dies sind staatliche Bewertungsergebnisse, aber Experten-Baselines und Aufgabenkonstruktion bestimmen weiterhin die Bedeutung.
Cyber-Fähigkeit hat sich von der Fragenbeantwortung hin zu Agenten entwickelt, die Schwachstellen entdecken und mehrstufige Herausforderungen lösen. AISI berichtete im Februar 2026 von schnellerem Wachstum in seinen Cyber-Aufgabenmessungen (AISI-Cyber-Trends). Der Internationale KI-Sicherheitsbericht unterscheidet diese Evidenz vom Einsatz: Angreifer nutzen KI, doch vollständig autonome durchgängige Angriffe wurden öffentlich nicht berichtet, und ob Angriff oder Verteidigung mehr gewinnt, bleibt ungewiss (Internationaler KI-Sicherheitsbericht 2026).
Überzeugungskraft und soziale Fähigkeit
Konversations-KI kann in Experimenten Einstellungen ändern. Eine von AISI geleitete Studie von 2026 mit 76.977 Teilnehmern fand größere Überzeugungseffekte durch Prompting und auf Überzeugung ausgerichtetes Nachtraining als durch Skalierung oder grundlegende Personalisierung; Personalisierungseffekte lagen unter einem Prozentpunkt. Erhöhte Überzeugungskraft war mit verringerter faktischer Genauigkeit verbunden (AISI-Überzeugungsstudie).
Dieser Befund belegt gemessene Fähigkeit unter experimentellen Bedingungen. Er beweist keine dauerhafte Verhaltensänderung, Wahleffekte oder Bevölkerungskontrolle. Reichweite, Plattformverteilung, konkurrierende Botschaften, Nutzervertrauen und Beständigkeit bleiben separate Variablen.
Verkörperung bleibt eine große Lücke
Robotik zeigt den klarsten Unterschied zwischen kontrollierten und offenen Umgebungen. Stanford berichtet von hohem Erfolg in einem Simulationsbenchmark, aber nur 12 Prozent bei getesteten realen Haushaltsaufgaben. Autonome Fahrzeuge operieren in bedeutsamem Maßstab in eingegrenzten Einsatzgebieten, mit betrieblichen Auslegungsbereichen und externer menschlicher Unterstützung, die für die Interpretation relevant sind.
Die breite digitale Schnittstelle eines Sprachmodells sollte nicht mit Allgemeinheit in der physischen Welt verwechselt werden. Wahrnehmung, Manipulation, Sicherheit im Umgang mit Menschen, Erholung von neuartigen Fehlern, Hardware-Wartung und Kosten schränken den Einsatz allesamt ein. Das Kapitel zu humanoiden Robotern dieses Handbuchs verfolgt diese Lücke zwischen Benchmark-Demonstrationen und realer Roboterleistung ausführlicher, Unternehmen für Unternehmen.
Zuverlässigkeit ist Teil der Fähigkeit
Ein Agent, der in 66 Prozent der Fälle erfolgreich ist, mag mit Überprüfung nützlich und ohne sie inakzeptabel sein. Systeme mit hohem Risiko erfordern kalibrierte Unsicherheit, Fehlererkennung, Widerspruchsmöglichkeit, Prüfprotokolle, Rückrollung, Sicherheit und menschliche Rückfallebenen. Durchschnittliche Benchmark-Werte verbergen seltene, aber folgenreiche Fehler.
Der AI Index 2026 stellt fest, dass Entwickler mainstream-Fähigkeits-Benchmarks weit konsistenter berichten als Bewertungen zu verantwortungsvoller KI (AI-Index-Kapitel zu verantwortungsvoller KI). Fehlende öffentliche Ergebnisse beweisen nicht das Fehlen interner Tests, begrenzen aber Vergleichbarkeit und öffentliche Absicherung.
Was dieses Dashboard nicht begründet
Es begründet weder Bewusstsein, Absichten, wirtschaftlichen Wert über alle Berufe hinweg noch eine anerkannte AGI-Schwelle. Es zeigt nicht, dass sich ein Benchmark-Ergebnis auf eine andere Sprache, Population, Werkzeugausstattung, Kostengrenze oder feindselige Umgebung überträgt. Es klärt nicht, ob heutige Architekturen robust allgemein werden können.
Stand dieser Momentaufnahme lautet die stärkste Schlussfolgerung, dass Frontier-Systeme außergewöhnliche Breite und raschen Fortschritt zusammen mit anhaltender Brüchigkeit, Domänenlücken und unvollständiger Sicherheitsevidenz zeigen. Das ist folgenreicher — und zutreffender — als entweder „nur Autovervollständigung“ oder „AGI ist angekommen“.