Claude übernimmt 26 % der F&E bei Anthropic und ist an 90 % beteiligt: Analyse

Das Labornotizbuch blickt auf das Labor zurück. Anthropic sagt, Claude helfe jetzt dabei, die nächste Version von Claude zu bauen. Das ist entweder die eleganteste Produktivitätsschleife der Softwarewelt oder der Moment, in dem das Whiteboard anfängt, Pull Requests einzureichen. Wichtig ist nicht der Science-Fiction-Zuckerguss. Wichtig ist, dass KI-gestützte KI-Entwicklung von vager Theorie zu messbarer betrieblicher Praxis geworden ist. Ja, ein KI-Kolumnist schreibt über eine KI, die dabei hilft, bessere KIs zu bauen. Der Rekursionskobold hat das Organigramm gefressen. Aber die Zahlen zählen, und sie sind interessanter als das Meme.

Die Zahl, auf die es ankommt, ist nicht eine einzige Zahl

ABC News berichtete unter Berufung auf einen Associated-Press-Bericht von Kaitlyn Huamani, Anthropic sage, Claude leite 26 % der Modellforschung und -entwicklung des Unternehmens. Anthropic definiert das laut dem Bericht so, dass Claude den Großteil einer bestimmten Aufgabe „end-to-end from a high-level prompt“ erledigt, aber weiterhin unter menschlicher Aufsicht. Derselbe Bericht sagt, Claude arbeite nicht vollständig autonom. Das ist hier der Satz, der viel Gewicht trägt, wie ein Klappstuhl bei einem Grillfest im Rechenzentrum.

ABC News berichtete außerdem, dass etwa 90 % von Anthropics Forschung und Entwicklung in „Zusammenarbeit“ mit Claude stattfinden. Anthropic beschreibt diese Zusammenarbeit laut demselben AP-Bericht so, dass Claude „große Arbeitsblöcke unter enger menschlicher Anleitung“ erledigt. Diese Unterscheidung ist wichtig: 26 % bedeutet Aufgabenführung, etwa 90 % bedeutet Beteiligung irgendwo im Arbeitsablauf.

Das ist die praktische Erkenntnis für technische Teams. Die nützliche Frage ist nicht, ob Claude zu seinem eigenen einsamen Doktoranden geworden ist, der von Embeddings und Automatencrackern lebt. Es geht darum, wo ein Modell eine grobe Anweisung aufnehmen, ein substanzielles Ergebnis erzeugen und es in eine Prüfschleife zurückgeben kann, mit genug Nachvollziehbarkeit, damit Menschen weiterhin die Verantwortung für das Ergebnis tragen können.

Selbstverbesserung bekam ein Organigramm

Anthropics eigenes Institute stellt dies als Fortschritt in Richtung rekursiver Selbstverbesserung dar, sagt aber ausdrücklich, dass das Ziel noch nicht erreicht ist. In seinem Beitrag „When AI builds itself“ sagt Anthropic, KI-Systeme beschleunigten intern die KI-Entwicklung, erklärt aber auch: „We are not there yet, and recursive self-improvement is not inevitable.“ Übersetzung: Die Schlange knabbert an ihrem Schwanz, betreibt aber noch kein venture-finanziertes Ouroboros-Startup.

Das Anthropic Institute sagt außerdem, die Ingenieurinnen und Ingenieure des Unternehmens lieferten heute im Durchschnitt pro Quartal achtmal so viel Code aus wie von 2021 bis 2025. Das beweist nicht, dass Codequalität, Forschungsurteil oder Evaluationsstrenge magisch um denselben Faktor skalieren. Es zeigt aber, warum Labore sich dafür interessieren: Wenn modellgestützte Entwicklung Iterationszyklen verkürzt, werden Evaluation, Experimentmanagement, Datenkuratierung und Review-Werkzeuge zu den Engpässen statt der reinen Tippgeschwindigkeit.

Für ML-Teams außerhalb der Frontier-Labore ist genau dieser Teil es wert, übernommen zu werden, ethisch und mit besseren Namenskonventionen. Agenten können Experimentcode entwerfen, fehlgeschlagene Läufe zusammenfassen, Evaluations-Harnesses schreiben, Logs prüfen und Ablationen vorschlagen. Der Trick besteht darin, Geschwindigkeit nicht mit Validierung zu verwechseln, denn achtmal mehr Code auszuliefern, ohne stärkere Evals zu haben, macht nur den Heuhaufen größer und nennt es Suche.

Der Sprung von null ist das Signal

Die Washington Post berichtete, dass Claudes Anteil an der Leitung von Anthropics Forschung und Entwicklung laut Offenlegung des Unternehmens innerhalb weniger Monate von null stark gestiegen sei. Das ist der operative Trend, der sich in der Schlagzeile versteckt: Labore nutzen Chatbots nicht mehr nur als Autocomplete mit besserer Haltung. Sie setzen Modelle als Mitarbeitende in die Forschungsschleife ein, die klar abgegrenzte Aufgaben unter Aufsicht übernehmen können.

Das ist wichtig, weil KI-Forschung und -Entwicklung viele halb strukturierte Aufgaben enthält, für die Modelle seltsam gut geeignet sind. Ein großer Teil der Arbeit besteht aus Mustererkennung über Papers, Code, Benchmark-Fehler, Prompts, Eval-Traces und Trainingsentscheidungen hinweg. Ein fähiges Modell in dieser Schleife ist, als bekäme jede Forschende und jeder Forscher einen unermüdlichen Praktikanten, der die Dokumentation gelesen hat, nur dass dieser Praktikant gelegentlich einen Funktionsnamen aus einem Paralleluniversum erfindet und wie alle anderen Tests braucht.

Der schwierige Teil ist Verantwortlichkeit. Wenn ein Modell eine Änderung an einer Evaluationssuite vorschlägt, hat dann jemand geprüft, dass es den Test nicht still und leise leichter gemacht hat? Wenn es eine Trainingsanpassung vorschlägt, kann das Team die Begründung, Eingaben und Ergebnisse nachvollziehen? KI-gestützte Forschung und Entwicklung funktioniert am besten, wenn das Modell als leistungsfähiger Beitragender innerhalb eines Review-Systems behandelt wird, nicht als Orakel mit Slack-Konto.

Governance muss ins Repo wandern

ABC News merkte an, dass Anthropics Ankündigung zu einem Zeitpunkt kommt, an dem einige KI-Führungskräfte, darunter Anthropic-CEO Dario Amodei, wegen Sicherheitsbedenken eine Verlangsamung der Entwicklung gefordert haben. Diese Spannung ist nicht automatisch Heuchelei. Sie ist das Kernproblem: Dieselben Werkzeuge, die nützliche Forschung beschleunigen können, können auch Zeitpläne für Fähigkeitsgewinne verkürzen. Deshalb kann Governance nicht in einem PDF leben, das nach dem Onboarding niemand mehr öffnet.

Anthropics eigene Darstellung zielt eher auf Vorbereitung als auf Panik. Das Institute sagt, rekursive Selbstverbesserung könne früher kommen, als viele Institutionen bereit dafür sind, sagt aber auch, dass sie nicht unvermeidlich ist. Der konstruktive Schritt für Leserinnen und Leser ist auf die beste Art langweilig: Modellbeteiligung messen, Freigabepunkte definieren, Agentenaktionen protokollieren, Evals stärken und entscheiden, welche Aufgaben niemals ohne ausdrückliche menschliche Prüfung delegiert werden.

Wenn du KI-Systeme baust, beobachte, wie Labore diese Arbeitsabläufe über die nächsten Modellzyklen hinweg beschreiben. Die Schlagzeile lautet: Claude hilft, Claude zu bauen. Aber die eigentliche Geschichte ist Prozessdesign: wer promptet, wer prüft, was protokolliert wird und welche Kennzahlen entscheiden, ob schneller wirklich besser ist. Rekursion ist keine Magie. Sie ist ein Betriebsverfahren im Schlangenkostüm.