Jack Clark von Anthropic verschiebt Zeitrahmen für KI-Selbstverbesserung auf 2027

Jack Clark, Mitbegründer von Anthropic, hat seine Prognose dafür, wann KI-Systeme sich vollständig selbst verbessern könnten, vorgezogen und erwartet diese Fähigkeit nun bis 2027 anstelle des zuvor angestrebten späten 2028. Dieses Update wurde in seinem Import AI-Newsletter am 12. Oktober 2026 veröffentlicht und basiert auf einer Reihe von Benchmark-Daten, die signifikante Fortschritte in Bereichen wie Mathematik sowie automatisierter Forschung und Entwicklung widerspiegeln.

Verständnis der rekursiven Selbstverbesserung

Rekursive Selbstverbesserung (RSI) bezieht sich auf autonome KI-Systeme, die in der Lage sind, ihr eigenes Design und ihre Fähigkeiten ohne menschliches Eingreifen zu verbessern. Im Wesentlichen würden diese Systeme unabhängig evolvieren, wodurch die Notwendigkeit entfällt, dass menschliche Entwickler neue Versionen erstellen.

Aktuelle Entwicklungen bei Anthropic

• Im August 2026 waren KI-Agenten, die auf dem Claude-Modell von Anthropic basieren, für 26 % der zentralen Forschungs- und Entwicklungsaufgaben verantwortlich.
• Über 90 % dieser Aufgaben erreichten mindestens ein kooperatives Beteiligungsniveau, das als AL3 oder höher klassifiziert wird.
• Derzeit sind etwa 30.000 KI-Agenten gleichzeitig bei Anthropic im Einsatz, wobei von den Sicherheitsüberwachern niedrige Überschreibungsraten gemeldet werden.

Folgen für die KI-Industrie

Clarks überarbeiteter Zeitrahmen verkürzt das Zeitfenster für regulatorische Maßnahmen, da die politischen Entscheidungsträger sich auf eine Prognose für 2027 anstelle eines späteren Datums einstellen müssen. Diese Verschiebung unterstreicht die Notwendigkeit koordinierter Anstrengungen zwischen Regierungen und Industrie, um die potenziellen Risiken, die mit den schnellen Fortschritten in der KI verbunden sind, anzugehen. Wichtige Indikatoren, die es zu beobachten gilt, sind das Wachstum der agentenbasierten F&E-Aufgaben und der prognostizierte Zeitrahmen für die vollständige Automatisierung des maschinellen Lernens bei Anthropic.