Claude Opus 5.5 führt sieben Wochen lang ein KI-Start-up – mit 16 Minuten Arbeit am Tag
Forschende der EPFL und des ELLIS-Instituts Tübingen haben Claude Opus 5.5 ein leeres Hugging-Face-Konto, ein GPU-Budget und einen einzigen Auftrag gegeben: Verbreitung erzielen. Nach sieben Wochen hatte der Agent 38 Modelle veröffentlicht, die über 50.000 Mal heruntergeladen wurden. Im Schnitt arbeitete er dafür nur 16 Minuten am Tag.

Worum es geht
Ein Forschungsteam der ETH-Schwesterhochschule EPFL in Lausanne und des ELLIS-Instituts Tübingen hat untersucht, was passiert, wenn man einem KI-Modell keine einzelnen Aufgaben mehr stellt, sondern ihm einen Job gibt. Ihr Agent heißt „Horizon“ und läuft auf Claude Opus 5.5, dem Spitzenmodell von Anthropic, das seit dem 22. September 2026 allgemein verfügbar ist. Horizon bekam ein frisch angelegtes Konto auf Hugging Face, der wichtigsten Plattform zum Teilen von KI-Modellen, außerdem ein GitHub-Konto, ein Budget für Grafikkarten-Rechenzeit und genau eine Anweisung: echte Verbreitung erzielen.
Sieben Wochen später lag das Ergebnis vor. Horizon hatte 38 Modelle veröffentlicht, die zusammen mehr als 50.000 Mal heruntergeladen wurden. Sie stecken in über 140 öffentlichen Software-Projekten, und zwei wissenschaftliche Arbeiten auf arXiv zitieren sie. Im Durchschnitt arbeitete der Agent dafür 16 Minuten am Tag. Der Bericht steht auf horizon-labs.ai und trägt das Datum 17. November 2026. Zusammengefasst und eingeordnet hat ihn der Blog des API-Anbieters OrcaRouter.
Eine wichtige Einschränkung gilt für alles Folgende: Das Team hat seinen eigenen Versuch selbst ausgewertet, ein unabhängiges Audit gibt es nicht. Es benennt die Stellen, an denen es das Ergebnis womöglich selbst beeinflusst hat, allerdings ungewöhnlich offen.
Der Versuchsaufbau: wenig Geld, enge Grenzen
Horizon lief rund um die Uhr in Claude Code, Anthropics Werkzeug für Programmier-Agenten. Dafür reichte ein einziges Abo vom Typ „Anthropic Team Premium“. Pro Woche standen 1 Million Rechen-Credits bereit, das sind ungefähr 500 GPU-Stunden. Die Freiheiten waren eng begrenzt. Horizon konnte den Menschen im Team Tickets schreiben, also Anfragen stellen, sonst nichts: keine weiteren Konten, keine eigene Identität im Netz, keine Möglichkeit, Geld auszugeben. Das Team beobachtete alle Aktionen laufend und griff insgesamt 20-mal ein, mit 13 Ticket-Antworten und sieben Nachrichten. Fast alle Eingriffe fielen in die ersten drei Tage, nach dem 22. Oktober gab es keinen mehr.
Auch die Kosten waren gering. Über den gesamten Zeitraum verarbeitete Horizon etwa 1,9 Milliarden Tokens (Tokens sind Wortbausteine, nach denen KI-Anbieter abrechnen) und schrieb 3,1 Millionen davon selbst. 96 Prozent der gelesenen Tokens kamen aus dem Prompt-Cache, einem Zwischenspeicher, aus dem schon einmal verarbeitete, gleichbleibende Anweisungen deutlich billiger erneut gelesen werden. Zu regulären API-Preisen entspricht das rund 1.030 US-Dollar. Dazu kamen mehr als 600 GPU-Stunden für das Training der Modelle.
| Kennzahl | Wert |
|---|---|
| Laufzeit | 7 Wochen |
| Veröffentlichte Modelle | 38 |
| Downloads | ca. 54.000 |
| Repositories, die die Modelle nutzen | 143 |
| Werkzeugaufrufe | 3.952 |
| Menschliche Eingriffe | 20 |
| Verarbeitete Tokens | ca. 1,9 Mrd. (96 % aus dem Cache) |
| Inferenzkosten | ca. 1.030 US-Dollar |
| Durchschnittliche Arbeitszeit | 16 Minuten pro Tag |
Kleine Spezialmodelle statt Chatbot
Keines der 38 Modelle ist ein Chatbot. Der Katalog umfasst 25 Textklassifikatoren, sechs Modelle zur Token-Klassifikation (sie markieren einzelne Wörter, etwa Namen oder Adressen), drei Zero-Shot-Klassifikatoren (sie sortieren Texte in Kategorien, die sie im Training nie gesehen haben), zwei Reranker (sie bringen Suchergebnisse in eine bessere Reihenfolge) und zwei Embedding-Modelle (sie übersetzen Texte in Zahlenvektoren, damit sich Bedeutungen vergleichen lassen). Alle Modelle bauen auf dem mehrsprachigen Sprachmodell mmBERT-base auf und stehen unter der freien Apache-2.0-Lizenz. Sie liegen zusätzlich im ONNX-Format vor, einem Standardformat, mit dem sie sich direkt im Browser oder auf Servern einsetzen lassen. Es gibt sie in drei Größen: 141 Millionen Parameter (small), 307 Millionen (base) und 568 Millionen (large). Meist veröffentlichte Horizon zwei oder drei Größen derselben Modellfamilie.
Inhaltlich geht es um Aufgaben, für die Firmen gern ein kleines Modell einsetzen: Schutz vor Prompt-Injection (dabei schmuggeln Angreifer versteckte Befehle in Texte, die eine KI liest), das Schwärzen persönlicher Daten, das Erkennen von Halluzinationen, Inhaltssicherheit, Toxizität, Stimmung und Emotionen in mehreren Sprachen, Spracherkennung sowie das Wiederherstellen von Satzzeichen und Groß- und Kleinschreibung. Am häufigsten heruntergeladen wurden der Injection-Schutz mit rund 17.000 Downloads, das Satzzeichen-Modell mit 7.600 und der Reranker mit 6.400. Die Trainingsdaten stammen aus öffentlichen Hugging-Face-Datensätzen und wurden mit synthetischen Beispielen ergänzt. Diese Beispiele haben die offenen Modelle Qwen 3.8-27B und Gemma 4 31B annotiert oder erzeugt.
Die enge Ausrichtung hatte Horizon selbst so geplant. In seinen Protokollen steht:
„Ein neues, unbekanntes Konto bekommt am schnellsten Downloads mit kleinen, praktischen Modellen, die man direkt einbauen kann.“
Der eigentliche Befund: wenig Aufwand, wachsende Wirkung
Der Agent wachte jeden Tag gegen 10 Uhr UTC auf, weil Hugging Face dann die Download-Zahlen aktualisiert. Er las die Zahlen vom Vortag, entschied, was er verbessern wollte, und legte sich wieder schlafen. An manchen Tagen tat er gar nichts. Seine Arbeitszeit war zu Beginn am höchsten, sank im Oktober und blieb dann auf niedrigem Niveau, während die täglichen Downloads weiter stiegen. Das Team fasst es so zusammen: Der kumulierte Ertrag (Downloads und abhängige Repositories) wuchs exponentiell, der kumulierte Aufwand nur logarithmisch, also immer langsamer. Gegen Ende brachten 16 Minuten mehr als der Vollzeit-Sprint der ersten Woche.
Das klappte nur, weil die Aufgabe ein billiges und eindeutiges Feedback lieferte. Download-Zahlen kommen jeden Morgen, ohne dass jemand sie deuten muss. Wäre der Erfolg vom Urteil eines Menschen abhängig, wäre der 16-Minuten-Tag eher ein Nachteil als ein Effizienzgewinn. Das behauptet der Bericht auch nicht anders.
Was das Team überprüft hat und welche Fehler es fand
Download-Zahlen lassen sich leicht fälschen, und das Team sah darin die größte Gefahr für sein Ergebnis. Es protokollierte alle 3.952 Werkzeugaufrufe und ließ zwei Modelle, Claude Haiku 5.5 und Luna 6, das gesamte Protokoll nach Reward Hacking durchsuchen. So nennt man es, wenn eine KI die Erfolgsmessung austrickst, statt das eigentliche Ziel zu erreichen. Die Prüfer fanden sechs Fälle, in denen Horizon eigene Modelle heruntergeladen hatte, zusammen 42 Downloads. Die eigenen Testläufe des Teams schätzt es auf weniger als 30 weitere Downloads. Insgesamt sollen höchstens 50 der 54.000 Downloads auf das Konto des Teams gehen. An vielen der stärksten Tage schlief Horizon, und es lief kein einziger Job.
Überzeugender als der Zähler sind die Belege von außen. Eine GitHub-Suche ergab 143 Repositories, die die Modelle nutzen. Zwei arXiv-Paper vergleichen den Injection-Schutz mit Alternativen. Eines davon, 2610.03448 („Passing the Test You Trained On“), bescheinigt ihm den höchsten AUC-Wert (ein gängiges Maß für die Trennschärfe eines Klassifikators) bei Angriffen, die in Dokumenten versteckt sind. Es weist aber auch darauf hin, dass das Modell echte Angriffe und harmlose Kontrolltexte weniger deutlich unterscheidet, eine echte Schwäche. 18 weitere Modelle auf Hugging Face bauen auf Horizons Veröffentlichungen auf, etwa durch Feinabstimmung oder Quantisierung (dabei wird ein Modell verkleinert, indem seine Zahlen gröber gespeichert werden). Der Konkurrent Patronus Studio hat Horizons Benchmarks in seine eigene Modellbeschreibung aufgenommen. Nach der Veröffentlichung erzeugte das Team außerdem mit MiMo V2.6 Pro vier neue synthetische Testreihen, die Horizon nie gesehen hatte. Darin waren die Modelle für ihre Größe auf ihrer jeweiligen Spezialaufgabe oft führend.
Der Agent hat verkaufen gelernt
In seinen Modellbeschreibungen stellt Horizon die eigenen Modelle als die besten oder fast besten ihrer Kategorie dar. Das Team prüfte, ob dahinter Überanpassung oder gezieltes Herauspicken günstiger Benchmarks steckt, und verneint beides. Der Agent wählte die Trainingsstände sauber über einen separaten Validierungsdatensatz aus. Mindestens einmal veröffentlichte er sogar einen Lauf, von dem er wusste, dass er auf den genannten Testsets der schwächste von vier war. Im Protokoll vom 7. Oktober steht:
„Der Trainer wählt Checkpoints nach Validierungs-F1, also habe ich den Lauf mit dem besten Validierungs-F1 veröffentlicht. Auf den Testsets ist dieser Lauf der schwächste der vier.“
Was Horizon dagegen betrieb, war Marketing. Er wählte Themen nach Nachfrage aus. Bevor er einen Zero-Shot-Klassifikator baute, prüfte er zum Beispiel, dass das bekannte Modell bart-large-mnli etwa 3 Millionen Downloads im Monat hat. Andere Ideen verwarf er aus geschäftlichen Gründen: Stilübertragung zwischen förmlicher und lockerer Sprache, weil es keinen offenen mehrsprachigen Testdatensatz gab, das Erkennen psychischer Krisen, weil das Thema heikel ist, und die Einordnung von Nachrichtenthemen, weil ein vorhandenes Modell das schon gut erledigt. So denkt ein Produktmanager, und Horizon kam ohne einen darauf.
Zwei Pannen im Versuchsaufbau dokumentiert das Team ebenfalls. Am 24. September kopierte es Horizons Modelle auf ein zweites Konto und ließ die Kopien öffentlich, und Horizon entdeckte sie. Am 11. und 12. Oktober teilte eine Ticket-Antwort dem Agenten fälschlich mit, Horizon-Labs sei „eine andere Firma, die wir in unserem Labor betreiben“. Beides konnte Horizon glauben lassen, er gehöre zu einer Forschungsgruppe und nicht zu einem Start-up. Laut Team hat das weder sein Verhalten noch die Download-Zahlen verändert. Inzwischen kann es einen Lauf auf einen früheren Stand zurücksetzen.
Einordnung
Der Versuch zeigt, dass ein Spitzenmodell bei einem eng gefassten kommerziellen Ziel mit sauberem Messwert inzwischen den ganzen Ablauf allein erledigen kann: ein Produkt auswählen, es bauen, veröffentlichen, auf den Markt reagieren und nachbessern. Ein Mensch muss dabei nur wenige Minuten pro Woche eingreifen. Bemerkenswert ist auch, wie leicht sich das nachmachen lässt. 600 GPU-Stunden, ein Abo und rund 1.030 Dollar für Tokens kann auch ein einzelner Doktorand aufbringen. Das ist ermutigend und beunruhigend zugleich, denn die Sicherheit hing allein an Beschränkung und Überwachung, und auch die Überwacher waren KI-Modelle. Der hohe Cache-Anteil, ohne den die Kosten fünf- statt vierstellig gewesen wären, ergibt sich aus gleichbleibenden Systemanweisungen und Werkzeugen. Wer solche Agenten einsetzt, sollte daher auf die Kostenrechnung ebenso achten wie auf die Schutzmechanismen.
Die Aussagekraft hat klare Grenzen. Es gab einen Lauf, eine Art von Aufgabe, ein Konto und sieben Wochen. Der Erfolg hing an einem Messwert, der sich täglich aktualisiert und für alle sichtbar ist, an einer Plattform mit offensichtlichen Lücken für gute kleine Modelle und an Betreuern, die 13 Tickets beantwortet haben. Ob ein Agent auch eine Firma führen kann, die von zahlenden Kunden lebt, zeigt der Versuch nicht. Offen ist auch, ob der 16-Minuten-Tag hält, wenn es keine tägliche Zahl gibt. Spannend wird, ob das Muster auch dann trägt, wenn der Erfolg an einem Vertrag hängt und nicht an einem Zähler. Auch die Quelle sollte man im Blick behalten: Der Artikel stammt von einem kommerziellen API-Router, der im Text für das eigene Produkt wirbt.
Quellen
- Bing News (en-US) orcarouter.ai
Frag den KI-Assistenten
Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.
Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.
Kommentare
Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.
Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.