For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/de/articles/anthropic-ai-work-report-agent-hours-hiri-d16b5c5e.md.
Anthropic veröffentlichte am 16. Oktober zwei Berichte, die den internen Einsatz von KI dem öffentlichen Blick auf die Technologie gegenüber...
Anthropic veröffentlichte am 16. Oktober zwei Berichte, die den internen Einsatz von KI dem öffentlichen Blick auf die Technologie gegenüberstellen. Einer untersucht Beschäftigung und Arbeit innerhalb des Unternehmens. Der andere vergleicht eine Befragung von 1.334 Anthropic-Mitarbeitenden mit Antworten von Erwachsenen in den USA.
Der Unterschied ist groß. Die Mitarbeitenden erwarten, dass KI bis 2030 durchschnittlich 75 % ihrer derzeitigen Arbeitsstunden übernehmen kann; bei den beschäftigten Befragten in den USA liegt der Wert bei 28 %. Bei der Frage, ob es bis 2030 eine Entdeckung auf Nobelpreisniveau geben wird, liegen die entsprechenden Erwartungen bei 91 % unter den Mitarbeitenden und 39 % unter den Erwachsenen in den USA.
Das sind unterschiedliche Erfahrungen und Prognosen, keine zwei Messungen einer bereits feststehenden Zukunft. Um die Berichte zu verstehen, muss man unterscheiden zwischen dem, was Anthropic innerhalb eines Unternehmens beobachtet hat, und dem, was die Befragten für die Zukunft erwarten.
Anthropics Beschäftigungsstudie kombiniert interne Daten zu Beschäftigung und Arbeitsergebnissen, Telemetriedaten von Agenten, Kommunikations- und Kalenderdaten, Einstellungsbewertungen, Umfragen und 17 Mitarbeitendeninterviews. Sie beschreibt eine Organisation, in der der Einsatz von Agenten in technischen wie nichttechnischen Bereichen zum Alltag geworden ist.
Im März 2026 übertraf die kombinierte Laufzeit autonomer und interaktiver Agenten erstmals die geschätzten Arbeitsstunden von Menschen. Bis August erreichten allein die von Mitarbeitenden gesteuerten interaktiven Agenten ungefähr das Sechsfache der menschlichen Arbeitsstunden; in der Forschungsorganisation lag der Wert laut der Grafik der Quelle bei etwa dem 19-Fachen.
Diese Vergleiche müssen anhand ihrer Definitionen eingeordnet werden. Die Arbeitszeit der Agenten umfasst Inferenz und aktive Tool-Nutzung; Wartezeiten von mehr als 30 Minuten sind ausgenommen. Die menschlichen Arbeitsstunden werden auf Grundlage der Beschäftigtenzahl bei 40 Stunden pro Woche geschätzt. Parallel ausgeführte Software kann schnell viel Laufzeit ansammeln. Das Sechsfache der Laufzeit belegt weder das Sechsfache an nützlicher Arbeit noch den Ersatz von sechs Mitarbeitenden.
Ein Beispiel aus dem Slack-Netzwerk einer Abteilung veranschaulicht den Wandel der Kommunikation. Die Quelle beschreibt einen Anstieg von 155 Mitarbeitenden und 150 Agentenkonversationen auf 237 Mitarbeitende und 7.922 Agentenkonversationen. Die Agentenknoten stehen für Threads oder Sitzungen, nicht für Tausende voneinander unabhängige Kolleginnen und Kollegen mit menschlicher Arbeitsleistung.
Der Bericht zeigt, dass die Zahl der Engineering-Commits auf ungefähr das Fünffache des Werts von Dezember 2025 stieg. Auch bei Data-Science-Abfragen, bearbeiteten Verträgen, Rechnungen und Vertriebsleistung gab es Zuwächse. In der Grafik der Quelle liegt die Zahl der Commits pro Ingenieurin beziehungsweise Ingenieur beim 5,1-Fachen des Ausgangswerts.
Anthropic vergleicht Mitarbeitende, die Agenten-Tools einführten, mit Beschäftigten, die diese noch nicht übernommen hatten, und verfolgt die Entwicklung im Zeitverlauf. Das ist aussagekräftiger als ein einfacher Vorher-nachher-Vergleich der Gesamtzahlen des Unternehmens. Die Einführung erfolgte jedoch nicht zufällig. Unternehmenswachstum, veränderte Projekte und die Merkmale der frühen Anwenderinnen und Anwender können den Vergleich beeinflussen.
Auch die Code-Menge ist ein unvollkommenes Maß für Qualität oder geschäftlichen Nutzen. Anthropic berichtet bei seinen Codevergleichen innerhalb derselben Personen von keinem Unterschied bei mehreren nachgelagerten Kennzahlen zu Löschungen und Rücknahmen. Diese Näherungswerte erfassen jedoch nicht alle möglichen Fehler.
Die Beispiele machen den organisatorischen Wandel konkret:
Dabei handelt es sich um begrenzte interne Ergebnisse und individuelle Schilderungen. Die Aussage, die Erwartungen einer Woche entsprächen andernorts drei Monaten, ist ein Vergleich eines Interviewpartners und keine gemessene Produktivitätskennzahl für die gesamte Wirtschaft.
Eine höhere Produktionsgeschwindigkeit bringt ein zweites Problem mit sich: Menschen können nicht unbegrenzt große Mengen an Ergebnissen überprüfen. Die Grafik der Quelle schätzt, dass das Lesen sämtlicher Claude-Ausgaben aus den Bereichen Engineering und Forschung pro Woche rund 424 Stunden je Person erfordern würde.
Dabei handelt es sich um eine rechnerische Lesezeit, die anhand der generierten Tokens mit 0,75 Wörtern pro Token und 250 Wörtern pro Minute berechnet wurde. Die Zahl bedeutet nicht, dass Beschäftigte tatsächlich 424 Stunden gearbeitet haben oder jede generierte Zeile lesen mussten.
Umgekehrt verbrachten interaktive Sitzungen rund 80 % ihrer verstrichenen Zeit mit dem Warten auf menschliche Eingaben. Das ist eine Messung von Leerlaufzeit und keine Fehlerquote von 80 % bei Aufgaben. Zusammengenommen beschreiben die Beobachtungen einen Engpass bei der Aufmerksamkeit: Agenten können mehr erzeugen, doch Menschen entscheiden weiterhin, was angefordert, geprüft und umgesetzt wird.
Die Mitarbeitenden reagierten darauf, indem sie Agenten entwickelten, die andere Agenten vorsortieren, sowie Überwachungs-Dashboards und wiederverwendbare Anweisungen erstellten. Die Zahl der erfassten dauerhaften Anweisungen stieg innerhalb eines Jahres von einigen Hundert auf 8.500. Der geschätzte Anteil der Sitzungen, die dieser Art von Werkzeugen und Koordination gewidmet waren, stieg laut Bericht von 10 % auf 22 %.
Auch die Aktualität des organisatorischen Kontexts ist wichtig. Der Name eines Mitarbeitenden stand noch auf einem alten Dokument zur Unternehmensausstattung. Deshalb erhielt die Person weiterhin Agentenanfragen zu T-Shirts und Tassen, obwohl sich ihre Zuständigkeiten geändert hatten. Mehr Softwareaktivität sorgt nicht automatisch für ein korrektes institutionelles Gedächtnis.
Die Zahl der täglich zusammengeführten Codeänderungen in Anthropics Monorepo stieg von rund 2.500 im Mai auf mehr als 30.000 im September. Der Bericht des Engineering-Teams beschreibt die Migration des Monorepos auf ein neues Versionsverwaltungssystem namens Scion sowie die Entwicklung von Review- und verwandten Tools.
Ein Team aus sieben Personen entwickelte die Systeme und schloss die Migration innerhalb von fünf Monaten ab. In einem konkreten Beispiel benötigte eine frühe Überarbeitung der Git-zu-Scion-Ingestionspipeline mit Mythos Preview ein Zwanzigstel des Speichers und lief viermal schneller als der frühere Prototyp des Teams. Diese Faktoren beziehen sich auf den Vergleich dieser Pipeline und nicht auf die gesamte Engineering-Arbeit.
Anthropics Befragung der Mitarbeitenden im August lief parallel zu einer Umfrage von Morning Consult unter 10.980 Erwachsenen in den USA. Die US-Stichprobe wurde so gewichtet, dass sie Erwachsene im ganzen Land repräsentiert; die Mitarbeitendenbefragung war ungewichtet. Die Zukunftsfragen für die Befragten in den USA bezogen sich auf 2027 und 2030.
Bei der Einschätzung dessen, was KI heute leisten kann, lagen die Gruppen näher beieinander als bei den erwarteten künftigen Fähigkeiten. Ungefähr ein Viertel jeder Gruppe war der Ansicht, dass KI bereits eine wissenschaftliche Studie entwerfen, durchführen und veröffentlichen kann. Bei den Erwartungen für das Jahr 2027 gingen die Einschätzungen zu dieser Fähigkeit auseinander: auf etwa 90 % unter den Mitarbeitenden und 38 % unter den Erwachsenen in den USA.
Beschäftigte in den Bereichen Informatik, Ingenieurwesen und Naturwissenschaften außerhalb von Anthropic erwarteten, dass KI bis 2030 33 % ihrer eigenen Arbeit übernehmen könnte. Bei regelmäßigen KI-Nutzenden in diesen Berufen lag der Wert bei 40 % und damit weiterhin unter den 75 % der Anthropic-Mitarbeitenden.
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Auch bei der Zeitersparnis zeigte sich ein Unterschied. Bezogen auf eine Aufgabe, für die KI gut geeignet ist und bei der Prüfung und Korrektur mitberücksichtigt werden, sagten 59 % der Mitarbeitenden, sie benötige höchstens ein Viertel der Zeit. Unter den Erwachsenen in den USA, die KI bei der Arbeit nutzen, gaben 26 % diese Antwort; 29 % meinten, KI koste gleich viel oder mehr Zeit.
Diese Antworten beziehen sich auf geeignete Aufgaben, nicht auf die gesamte Arbeit. Sie können unterschiedliche Tools, Arbeitsabläufe, Aufgabenauswahl, den Zugang zu Modellen, organisatorische Unterstützung und Erwartungen der Befragten widerspiegeln.
Die Mitarbeitenden wurden außerdem zur umfassenderen Arbeit an der Entwicklung eines Frontier-Modells von Anfang 2026 befragt, einschließlich Forschungsrichtung, Experimenten und Evaluierung. Ihre mittlere Schätzung lautete, dass KI zu diesem Zeitpunkt 51 % der Arbeit erledigte. Bis Ende 2027 sollte der Anteil auf 80 % und bis Ende 2030 auf 95 % steigen.
Der Wert von 95 % ist eine persönliche Prognose aus einer internen Umfrage. Er ist weder eine geprüfte Messung noch eine offizielle Zusage von Anthropic, bei der Entwicklung genau 5 % der Arbeit Menschen zu überlassen. Die festgelegte Bezugsgröße Anfang 2026 unterscheidet sich außerdem von der Frage, wie viel Arbeit nötig sein wird, um das zu entwickeln, was 2030 als Frontier-Modell gilt.
Eine gesonderte Forschungsdiskussion von Anthropic bietet eng umrissene Beispiele für Fortschritte:
| Experiment oder Beispiel | Berichtetes Ergebnis | Grenzen des Vergleichs |
|---|---|---|
| Optimierung des Trainingscodes für kleine Modelle | Mythos Preview erzielte etwa das 52-Fache der Ausgangsgeschwindigkeit; eine erfahrene Person erreichte innerhalb von vier bis acht Stunden ungefähr das Vierfache | Dies ist eine fest umrissene Codeoptimierungsaufgabe und keine 52-fache Beschleunigung des Trainings eines realen Frontier-Modells. |
| Forschung zu schwacher und starker Supervision | Agenten schlossen 97 % einer definierten Leistungslücke, mit insgesamt 800 Stunden und ungefähr 18.000 US-Dollar Rechenkosten; zwei Menschen schlossen innerhalb einer Woche etwa 23 % | Menschen wählten das Problem und das Bewertungsschema aus; das Ergebnis ließ sich nicht ohne Weiteres auf Modelle im Produktionsmaßstab übertragen. |
| Auswahl des nächsten Forschungsschritts | Der Vorschlag von Mythos Preview wurde in 64 % von 129 ausgewählten Fällen als besser beurteilt | Die Fälle wurden gezielt so ausgewählt, dass die ursprüngliche menschliche Entscheidung noch Verbesserungsspielraum bot. |
Die Bedingung, nach der die Fälle ausgewählt wurden, ist besonders wichtig. Bei einer separaten Gruppe von 127 Fällen, in denen die menschliche Entscheidung bereits gut war, wurden die Modellvorschläge nur in etwa 20 % der Fälle als besser beurteilt. Die Ergebnisse sprechen für Verbesserungen bei bestimmten Forschungskomponenten, nicht für die allgemeine Schlussfolgerung, dass KI das menschliche Urteilsvermögen in der Forschung übertroffen hat.
Anthropic wuchs insgesamt deutlich, doch die Zusammensetzung der technischen Einstellungen veränderte sich. Laut Beschäftigungsbericht sank der Anteil von Berufseinsteigenden in technischen Abteilungen von 21 % auf 14 %, während der Anteil der neu eingestellten Berufseinsteigenden von 27 % auf 9 % zurückging.
Ein sinkender Anteil bedeutet nicht automatisch, dass die absolute Zahl der Beschäftigten zurückgeht. Er wirft jedoch eine eigene Frage auf: Wie erwerben Menschen Fachwissen, wenn weniger Einstiegsaufgaben in der Umsetzung zu Arbeitsplätzen werden? Der Unternehmensbericht behandelt interne Versetzungen und die Beobachtung von Rollen, die gefährdet sein könnten. Zugleich räumt er ein, dass der Schutz bestehender Mitarbeitender denjenigen nicht hilft, die nie eingestellt wurden.
Die Mitarbeitenden gingen im Allgemeinen nicht davon aus, dass die Einstellungen des Unternehmens insgesamt zum Stillstand kommen würden: 95 % erwarteten, dass die Beschäftigtenzahl im nächsten Jahr wachsen würde. Das sind Einschätzungen der Mitarbeitenden und kein Einstellungsplan.
Der Bericht zu den Erwartungen überführt die Antworten aus der Umfrage außerdem in ein Wirtschaftsmodell. Die Eingaben des medianen Erwachsenen in den USA ergeben ein US-BIP-Wachstum von 5,4 % im Jahr 2030; die Eingaben der medianen Anthropic-Mitarbeiterin beziehungsweise des medianen Anthropic-Mitarbeiters ergeben 17,1 %. Diese Zahlen beschreiben bedingte Modellszenarien und weder eine gemessene Wachstumsrate noch eine Prognose ohne Vorbehalte.
Die Quelle schließt mit der Vermutung, Anthropic sei einer breiteren Einführung um etwa 18 Monate voraus. Das lässt sich als wirtschaftliche Interpretation lesen, doch die Berichte belegen keinen allgemeingültigen Zeitplan von 18 Monaten für andere Unternehmen. Die Verbreitung wird von Zuverlässigkeit, Sicherheit, Kosten, Regulierung, Kundenpräferenzen und der Organisation der Arbeit abhängen.
Nein. 95 % ist die mittlere Erwartung der Mitarbeitenden für Ende 2030 als Antwort auf eine Frage zur Entwicklung eines Frontier-Modells von Anfang 2026. Der Bericht unterscheidet diese persönlichen Einschätzungen ausdrücklich von einer Messung oder Prognose des Unternehmens.
Nein. Beim Laufzeitvergleich wird die Ausführung der Software gezählt, während die menschlichen Arbeitsstunden anhand der Beschäftigtenzahl geschätzt werden. Um eingesparte Arbeit festzustellen, müssten Ergebnisse der Aufgaben, Qualität, Prüfaufwand und ein valider Vergleich mit dem menschlichen Arbeitsablauf berücksichtigt werden.
Die Zahl von ungefähr dem Fünffachen bezieht sich auf Commits pro Ingenieurin beziehungsweise Ingenieur im Vergleich zu einem bestimmten Ausgangswert. Sie belegt nicht denselben Zuwachs für jede Rolle, und mehr Code ist kein vollständiges Maß für nützliche Arbeitsergebnisse.
Die Zahl rechnet das Ausgabevolumen in die Zeit um, die bei einer angenommenen Lesegeschwindigkeit zum Lesen nötig wäre. Sie veranschaulicht den Umfang des generierten Textes und weder die tatsächlichen Arbeitsstunden der Beschäftigten noch die Notwendigkeit, alles zu lesen.
Er belegt eine Veränderung der Einstellungsstruktur bei einem rasch wachsenden KI-Unternehmen. Die Entwicklung insgesamt hängt von der Einführung der Technologie, der Nachfrage, der Entstehung neuer Aufgaben und davon ab, wie Arbeitgeber Ausbildung und Karrierewege gestalten.
Die Zahl ist ein modellbasiertes Szenario, das aus den Antworten der medianen befragten Person bei Anthropic abgeleitet wurde. Es hängt von Annahmen zu Fähigkeiten, Einführung, Zeitersparnis, Autonomie und beruflichen Übergängen ab.
Anthropics interne Daten zeigen einen zunehmenden Einsatz von Agenten, höhere Werte bei mehreren Leistungskennzahlen, mehr Arbeit für die Überwachung von Agenten und einen geringeren Anteil von Berufseinsteigenden bei technischen Einstellungen. Die Mitarbeitendenbefragung zeigt außerdem, dass die erwarteten Fortschritte bei KI deutlich schneller ausfallen als in der Befragung der Öffentlichkeit.
Am aussagekräftigsten sind die Berichte, wenn beobachtete Veränderungen am Arbeitsplatz, aufgabenspezifische Experimente und persönliche Prognosen klar voneinander getrennt bleiben.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
