Anthropic-Mitgründer Jack Clark rechnet bei sich selbst verbessernder KI nun mit 2027 statt 2028 als wahrscheinlichstem Jahr. Anlass ist der Benchmark TasteVal, der das Planen und Auswerten von Experimenten misst, eine bisher als Engpass geltende Fähigkeit. Für Investoren in KI-Infrastruktur verschiebt sich damit eine Grundannahme über das Tempo der Branche.
Was TasteVal misst
Hinter dem Benchmark TasteVal steht das Forschungsteam P-Zero Research. Er prüft, wie gut ein Modell Experimente entwirft und daraus die richtigen Schlüsse zieht. Die acht Aufgaben stammen aus der KI-Entwicklung selbst, etwa die Auswahl von Trainingsdaten. Den Code schreibt ein fest vorgegebener Coding-Agent, damit nur das Forschungsurteil zählt.
Gemessen wird, mit wie viel Rechenzeit ein Modell das Ergebnis von 24 menschlichen Experten erreicht. Am besten schneidet Opus 5.5 von Anthropic ab, mit einem Faktor von 2,3 bei breiter statistischer Spanne. Seit Dezember 2025 verdoppelt sich der Faktor bei Spitzenmodellen etwa alle drei Monate (Stand: Oktober 2026). Zuvor dauerte eine Verdopplung rund 14 Monate.
Warum Clark seine Einschätzung ändert
Im Mai hatte Clark seine Prognose im Newsletter Import AI 455 ausführlich begründet. Dass ein Spitzenmodell bis Ende 2028 seinen Nachfolger selbst trainiert, hielt er zu rund 60 Prozent für wahrscheinlich. Für 2027 nannte er 30 Prozent.
Gegen ein früheres Datum sprach aus seiner Sicht vor allem fehlende Kreativität der KI-Systeme. In Import AI 476 sieht er hier nun Fortschritte, etwa bei mathematischen Durchbrüchen und bei Benchmarks wie TasteVal. Deshalb hält er 2027 inzwischen für das wahrscheinlichere Jahr.
Was die Daten nicht zeigen
Die Autoren der Studie nennen selbst deutliche Grenzen. Ihre Aufgaben lassen sich schnell prüfen und laufen auf einer einzelnen GPU. Das ist weit entfernt von der Größenordnung echter Spitzenforschung. Die Wahl lohnender Forschungsfragen misst TasteVal gar nicht.
Echte Neuerfindungen fand das Team in den Lösungen der Modelle keine. Die Modelle kombinierten und verfeinerten bekannte Methoden. Auch die Qualität des Endergebnisses, unabhängig vom Rechenaufwand, zeigt laut Studie keine Beschleunigung. Hinzu kommt ein möglicher Interessenkonflikt: Clark hat das Unternehmen mitgegründet, dessen Modell den Benchmark anführt.
Worauf Investoren jetzt achten
Nach Einschätzung von altii zählt für Investoren weniger das genaue Jahr als die Richtung der Debatte. Kommen Modelle mit derselben Rechenleistung schneller zu Ergebnissen, wird Forschungseffizienz zum Werttreiber. Sie steht dann neben der reinen Rechenkapazität. Das betrifft die Bewertung von KI-Laboren ebenso wie Annahmen zur Auslastung von Rechenzentren.
Clark selbst warnt in Import AI 455 vor einem Risiko: Kleine Fehler beim Ausrichten von KI-Systemen können sich über viele Modellgenerationen aufschaukeln. Je mehr Forschung Modelle selbst planen, desto schwerer lässt sie sich von außen prüfen. Ob die steile Kurve seit Dezember 2025 einen echten Trendbruch markiert, werden erst unabhängige Messungen zeigen.
* DE: Die ergänzenden Inhalte können KI-generiert sein. EN: The additional content may be AI-generated.