Welche Arbeit sich übergeben lässt

Wer eine Aufgabe an ein Modell übergeben will, fragt meist zuerst, ob das Modell sie kann. Für die Entscheidung reicht die Antwort selten. Eine Übergabe kostet auch dann Zeit, wenn das Modell gut ist: Jemand muss das Ergebnis ansehen, und wenn es nicht reicht, macht er die Arbeit doch selbst. Dieses Kapitel rechnet diese Kosten aus, an einer Messung, die genau diese Rechnung aufmacht. Wie lang eine Aufgabe sein darf, damit ein Modell sie überhaupt zuverlässig schafft, steht in Beurteilen und Einordnen, Kapitel 03.

Drei Posten einer Übergabe

Jede Übergabe hat drei Posten. Das Modell erzeugt ein Ergebnis. Ein Mensch sieht nach, ob es taugt, und das kostet Prüfaufwand. Was die Prüfung besteht, ist abgenommen. Und wenn es nicht taugt, folgt die Nacharbeit, im ungünstigen Fall die ganze Aufgabe noch einmal von Hand. Nur der erste Posten hängt allein am Modell.

Gemessen hat das OpenAI mit einem eigenen Benchmark namens GDPval, im Herbst 2025. Die Aufgaben decken laut GDPval-Arbeit (externe Seite, arxiv.org) die meisten Tätigkeiten aus 44 Berufen ab, die das US-Arbeits­mi­nis­te­rium führt. Entworfen haben sie Fachleute mit im Mittel 14 Jahren Berufserfahrung, aus ihrer eigenen Arbeit. Die Aufgaben arbeiten mit echten Dateien, etwa Tabellen, Dokumenten, Präsentationen, Bildern oder Kon­struk­ti­ons­da­teien (Anhang A.4.1). Ein Hersteller misst hier also mit einem eigenen Maßstab, und die Rechnung liegt nur für dessen eigene Modelle vor, zuletzt für GPT-5. Unter den Quellen dieses Kapitels ist sie die einzige, die Prüfung und Nacharbeit in Minuten ausrechnet.

Für die 220 veröffentlichten Aufgaben brauchte eine Fachkraft im Mittel 404 Minuten, gut sechseinhalb Stunden. Die Prüfung eines Modellergebnisses dauerte im Mittel 109 Minuten. Gemeint ist die Zeit, die eine Fachkraft braucht, um ein Ergebnis des Modells zu beurteilen (Anhang A.2.1 (externe Seite, arxiv.org)).

Was vom Vorsprung bleibt

Rechnet man nur die Zeit, die das Modell zum Schreiben braucht, war GPT-5 in dieser Messung 90-mal schneller als die Fachkraft. Die Arbeit rechnet dann den Ablauf, wie er im Betrieb aussähe: Das Modell liefert, die Fachkraft prüft, und wo das Ergebnis unter ihrem Anspruch bleibt, erledigt sie die Aufgabe selbst (GDPval, Anhang A.2.1 (externe Seite, arxiv.org)). Abgenommen ist dabei ein Ergebnis, das die Fachleute besser bewerten als das menschliche; das traf bei GPT-5 in 39 Prozent der Fälle zu.

Mit Prüfung und Nacharbeit bleibt ein Faktor von 1,12 (Tabelle 2 der Arbeit). Aus neunzigmal so schnell wird gut einmal so schnell. Die Arbeit fasst es in einem Satz zusammen: Wer Prüfung und Nacharbeit einrechnet, für den schrumpft der Ertrag (GDPval, Anhang A.2.1 (externe Seite, arxiv.org)).

Die Zahlen dahinter lassen sich mit den Mittelwerten der Arbeit nachrechnen. Das ist eine Probe: Die Arbeit rechnet je Aufgabe und mittelt dann, deshalb weicht der Überschlag um einige Minuten ab.

Die Prüfung setzt die Grenze

Aus derselben Tabelle folgt eine Obergrenze. Angenommen, das Modell wäre in jedem Fall besser als die Fachkraft und es gäbe keine Nacharbeit: Dann blieben 4,5 Minuten Erzeugen und 109 Minuten Prüfen, zusammen gut 113. Der Faktor läge bei 404 durch 113, also bei etwa 3,6. Mehr gibt diese Rechnung nicht her, solange die Prüfung so lange dauert, gleich wie gut das Modell wird.

Ob sich eine Übergabe lohnt, entscheidet damit vor allem das Verhältnis zwischen Nachsehen und Machen. Ein Modell, das schneller schreibt, verschiebt diese Grenze kaum. Eine Aufgabe, deren Ergebnis sich in fünf Minuten beurteilen lässt, verschiebt sie sehr.

Was Leute tatsächlich übergeben

Dieselbe Größe nennen Leute, wenn man sie fragt, was sie übergeben. Anthropic hat im August 2025 die eigene Belegschaft befragt, 132 Leute aus Entwicklung und Forschung, und mit 53 von ihnen ausführlich gesprochen (Bericht (externe Seite, anthropic.com)). Mehr als die Hälfte gab an, höchstens ein Fünftel ihrer Arbeit ganz übergeben zu können. Ein Hersteller befragt hier die eigenen Leute über das eigene Produkt, und der Bericht nennt selbst eine wahrscheinliche Verzerrung: Wer eine starke Meinung hat, antwortet eher. Als Größenordnung für andere Betriebe taugen die Zahlen deshalb nicht. Brauchbar sind die Gründe.

Übergeben wird demnach, was sich leicht prüfen lässt. Einer der Befragten nennt das Modell großartig für alles, bei dem die Prüfung im Vergleich zur Erstellung wenig Aufwand macht (Bericht (externe Seite, anthropic.com)). Das ist die GDPval-Rechnung in einem Satz. Dazu kommen Teile, die vom Rest gut abgegrenzt sind, Arbeit, bei der ein Fehler wenig kostet, etwa Code zum Wegwerfen, und lästige, sich wiederholende Arbeit. Und Aufgaben, bei denen der Befragte selbst wenig Vorwissen hat, die aber insgesamt einfach sind.

Behalten wird, was Überblick und Strategie verlangt, und Ent­wurfs­ent­schei­dungen, für die man die Organisation kennen muss oder Geschmack braucht. Viele beschreiben diese Grenze als beweglich: Sie wird regelmäßig neu gezogen, wenn die Modelle besser werden.

Ein vierter Posten: das Vorwissen

Das größte Hindernis ist für einen der Befragten der kalte Start (Bericht (externe Seite, anthropic.com)): Wer sein Projekt kennt, weiß vieles, was das Modell nicht weiß, und dieses Wissen müsste erst in die Anweisung. Eine andere Aussage im selben Abschnitt zieht die Grenze bei zehn Minuten: Was voraussichtlich kürzer dauert, macht der Befragte gleich selbst.

In GDPval fehlt dieser Posten: Die Modellzeit ist dort die Zeit, die das Modell braucht, wenn die Anweisung schon vorliegt (Anhang A.2.1). Auch die Aufgaben von METR, an denen Beurteilen und Einordnen, Kapitel 03 die Aufgabenlänge misst, sind mit Absicht abgeschlossen und vollständig beschrieben. Die meiste echte Arbeit beruht dagegen auf Vorwissen: auf früheren Gesprächen, auf Erfahrung, auf der Kenntnis eines bestehenden Projekts (Messreihe (externe Seite, metr.org)). METR empfiehlt deshalb, eine Zwei-Stunden-Aufgabe als das zu lesen, was jemand ohne Vorwissen über das Projekt in zwei Stunden erledigen könnte. Für die Übergabe heißt das: Eine Aufgabe, die nur mit Hauswissen gelingt, kostet einen vierten Posten, nämlich das Mitgeben dieses Wissens.

Wie viel heute übergeben wird

Eine Größenordnung für die Verbreitung liefert eine Zufallsstichprobe. Epoch AI und Ipsos haben im Juli 2026 in den USA 1.106 Erwerbstätige nach zehn verbreiteten Tätigkeiten der Wissensarbeit gefragt, vom Auswerten von Daten bis zum Führen von Akten (Erhebung (externe Seite, epoch.ai)). Jeder Fünfte sagt, dass KI inzwischen mindestens eine Aufgabe erledigt, die vorher an Kollegen oder Auftragnehmer ging.

Meist übernimmt die KI dabei nur einen Teil. Wo sie nur einen Teil übernimmt, berichten die Befragten bei 37 Prozent der Aufgaben eine Zeitersparnis, wo sie fast alles übernimmt, bei 53 Prozent. Epoch stellt selbst daneben, dass die Richtung offen ist: Vielleicht spart die größere Übergabe Zeit, vielleicht übergeben Leute mehr, wenn sie ohnehin Zeit sparen wollen, oder es sind schlicht Aufgaben, die KI besonders gut erledigt. Und etwa jede sechste Aufgabe mit KI dauert nach eigener Angabe länger als vorher.

Was daraus für die Auswahl folgt

Für eine Aufgabe, die man übergeben will, genügen drei Schätzungen: wie lange sie von Hand dauert, wie lange das Nachsehen dauert, und wie oft das Ergebnis ohne Nacharbeit reicht. Die Übergabe lohnt sich, wenn das Nachsehen weniger kostet als der Teil der Arbeit, den das Modell im Mittel tatsächlich abnimmt. Die Rechnung dazu steht in Ebene 2, eine Vorlage für den eigenen Vorgang in Ebene 3.

Die Bedingungen aus Beurteilen und Einordnen, Kapitel 03, kurz, abgegrenzt und prüfbar, gelten weiter. Diese Rechnung sagt, welche davon den Ausschlag gibt: die Prüfbarkeit, gemessen in Minuten. Wie geprüft wird und welche Fehler ein Vorgang verträgt, sind eigene Kapitel dieses Pfads.

Ebene 1 hat die Übergabe als Ganzes gerechnet: Ein Modell liefert, ein Mensch prüft. Im Alltag gibt es eine zweite Art, mit einem Modell zu arbeiten, und sie ist häufiger. Beide Arten sind gemessen, und der Unterschied zwischen ihnen erklärt einen Teil dessen, was in Ebene 1 offen blieb.

Übergeben und mitarbeiten

Wer übergibt, beschreibt eine Aufgabe und nimmt das Ergebnis entgegen. Wer mitarbeitet, geht mit dem Modell in mehreren Runden über einen Entwurf, fragt nach, korrigiert, lernt dabei. Anthropic unterscheidet beides im eigenen Economic Index, der Gespräche mit Claude den Tätigkeiten aus der US-Berufsdatenbank O*NET zuordnet. In der ersten Auswertung vom Februar 2025 fielen 57 Prozent der Nutzung auf das Mitarbeiten und 43 Prozent auf das Übergeben (Arbeit zum Index (externe Seite, arxiv.org)). Eingestuft hat dabei ein Modell des Herstellers, und gemessen ist eine einzige Plattform; das sagt die Arbeit selbst.

Gespräche, in denen jemand eine Aufgabe in einem Zug und mit möglichst wenig Hin und Her übergibt, führt der Index als directive. Ihr Anteil auf Claude.ai stieg von 27 Prozent Ende 2024 auf 39 Prozent im Sommer 2025, binnen acht Monaten (Bericht September 2025 (externe Seite, anthropic.com)). Zum ersten Mal überwog in diesem Bericht das Übergeben das Mitarbeiten. Zum Übergeben zählt der Index neben directive auch Gespräche, in denen das Modell eine Aufgabe erledigt und der Mensch nur bei Bedarf Rückmeldung gibt. Zwischen den Messungen hat der Hersteller das einstufende Modell gewechselt. Er hat deshalb mit dem alten nachgerechnet und fand das Übergeben auf einem niedrigeren Stand, 45 statt 49 Prozent, den Anstieg aber weiter deutlich.

Ein Gewinn, bei dem nichts übergeben wird

Eine Feldstudie im laufenden Betrieb stammt aus dem Kundendienst, und in ihr wird gar nichts übergeben. Brynjolfsson, Li und Raymond haben die gestaffelte Einführung eines Gesprächs­as­sis­tenten bei 5.179 Beschäftigten untersucht (NBER-Arbeit (externe Seite, nber.org)). Der Assistent schlägt Antworten vor, das Gespräch führt der Mensch. Gelöste Fälle je Stunde stiegen im Mittel um 14 Prozent, bei Neuen und weniger Geübten um 34 Prozent, bei Erfahrenen kaum.

Für die Frage dieses Kapitels heißt das: Mitarbeiten ist eine eigene Antwort. Wer eine Aufgabe nicht übergeben kann, weil das Nachsehen zu teuer wäre, kann sie oft trotzdem schneller machen, mit dem Modell als Vorschlagsgeber und sich selbst als dem, der entscheidet.

Wer länger dabei ist, übergibt seltener ganz

Die naheliegende Erwartung lautet, dass man mit der Erfahrung mehr übergibt. So beschreiben es auch viele der Anthropic-Beschäftigten aus Ebene 1: erst einfache Aufgaben, dann nach und nach schwierigere (Bericht (externe Seite, anthropic.com)). Der Economic Index findet im März 2026 das Gegenteil. Wer seit mindestens sechs Monaten dabei ist, arbeitet häufiger in Runden mit dem Modell und übergibt deutlich seltener ganze Aufträge (Bericht März 2026 (externe Seite, anthropic.com)). Der Bericht hält ausdrücklich fest, dass das einer eigenen Vermutung aus dem Vorjahr widerspricht.

Der Bericht nennt selbst eine andere Erklärung: Wer früh kam und geblieben ist, kann von vornherein technischer sein. Beide Befunde kommen vom selben Hersteller, der eine aus einer Befragung, der andere aus einer Einstufung durch das eigene Modell. Vereinbar sind sie, wenn das Vertrauen wächst und mit ihm der Anspruch: Wer das Modell besser kennt, gibt schwierigere Aufgaben hinein und geht sie dafür in mehr Runden durch. Gemessen ist diese Deutung nicht.

Das Werkzeug verschiebt die Übergabe

Wie viel übergeben wird, hängt auch an der Oberfläche. Der Index vom Juni 2026 stuft ein, wie selbstständig das Modell in einem Gespräch arbeitet, und findet dafür eine klare Ordnung: Was sich leicht beschreiben lässt, etwa eine Rechnung oder eine Übersetzung, verlangt wenig Selbstständigkeit (Bericht Juni 2026 (externe Seite, anthropic.com)). Viel verlangt, was viele Entscheidungen offenlässt: eine Anwendung, eine Präsentation, ein Spiel.

Derselbe Bericht vergleicht dieselben Ergebnisse auf zwei Oberflächen. Für einen Blogbeitrag oder Artikel gehen im Chat und in Cowork im Median 13 Runden hin und her, eine Sitzung in Claude Code enthält im Median eine einzige Anweisung. Der Unterschied in der Selbstständigkeit bleibt auch bei demselben Modell bestehen, und Anthropic schließt daraus, dass das Produkt wahrscheinlich mehr ausmacht als das Modell darunter. Wer übergeben will, wählt also mit dem Werkzeug schon die Art der Arbeit.

Eine Sorge liegt nahe: Wer ganze Aufgaben übergibt, lernt dabei nichts mehr. Die Befragten, die viel übergeben, berichten im selben Bericht, genauso viel zu lernen wie alle anderen. Anthropic schränkt das selbst ein. Es sind Selbst­ein­schät­zungen, und ein Verlust an Fertigkeiten lässt sich damit nicht ausschließen.

Wollen ist die zweite Achse

Ob sich eine Aufgabe übergeben lässt, ist eine Frage an das Modell und an die Rechnung. Ob die Leute, die sie machen, sie übergeben wollen, ist eine dritte. Eine Arbeit aus Stanford hat dazu 1.500 Beschäftigte in den USA zu 844 Aufgaben aus 104 Berufen befragt und daneben Fachleute eingeschätzt, was KI-Agenten bei diesen Aufgaben können (WORKBank (externe Seite, arxiv.org)). Die Fähigkeitsseite beruht auf dem Urteil dieser Fachleute.

Bei 46,1 Prozent der Aufgaben äußern die Beschäftigten eine positive Haltung dazu, sie von einem Agenten erledigen zu lassen. Als Grund nennen sie am häufigsten Zeit für die wichtigere Arbeit, in gut zwei Dritteln der Fälle. Dahinter folgen gleichauf mit je 46,6 Prozent die Wiederholung, wie bei Anthropic, und die Aussicht auf bessere Qualität. Die Arbeit führt dazu eine Skala menschlicher Beteiligung ein, von H1 (der Agent arbeitet allein) bis H5 (ohne den Menschen geht es nicht). In 45,2 Prozent der Berufe wünschen sich die Beschäftigten am häufigsten die Mitte, H3, eine gleichberechtigte Zusammenarbeit. Wer eine Übergabe plant, rechnet also gegen eine Belegschaft, die zu einem großen Teil mitarbeiten will.

Wann sich die Prüfung rechnet

Die GDPval-Rechnung aus Ebene 1 lässt sich in einem Satz schreiben. Die Zeit mit Modell ist die Modellzeit plus die Prüfzeit plus der Anteil der Fälle, in denen das Ergebnis nicht reicht, mal der eigenen Zeit (GDPval, Anhang A.2.1 (externe Seite, arxiv.org)). Die Übergabe lohnt sich, wenn das weniger ist als die eigene Zeit allein. Umgestellt heißt das: Modellzeit und Prüfzeit müssen kleiner sein als die eigene Zeit mal der Erfolgsquote. Die Erfolgsquote ist hier der Anteil der Fälle, in denen keine Nacharbeit nötig ist.

Mit den Mittelwerten der Arbeit lässt sich das an zwei Modellen nachrechnen. Für GPT-5 mit 39 Prozent Erfolg ergibt die rechte Seite knapp 158 Minuten, die linke knapp 114: Die Übergabe lohnt sich, knapp. Für das ältere GPT-4o mit 12,5 Prozent ergibt die rechte Seite gut 50 Minuten, die linke etwa 110: Die Übergabe kostet mehr, als sie spart, und Tabelle 2 der Arbeit weist genau das aus, einen Faktor von 0,87.

Gerechnet mit 404 Minuten eigener Zeit und 109 Minuten Prüfzeit aus Anhang A.2.1, die Modellzeit aus dem jeweiligen Faktor ohne Prüfung (327 und 90).

Die Rechnung ist in zwei Richtungen unvollständig. Zwei Punkte benachteiligen das Modell. Der erste folgt aus der Zählweise: Als Erfolg zählt nur ein Ergebnis, das besser bewertet wird als das menschliche, ein Gleichstand gilt als Nacharbeit. Den zweiten nennt die Arbeit selbst, für den Ablauf mit mehreren Versuchen: Dort werde das Modell zu hart bestraft, weil die Fachkraft ihre Anweisung vermutlich nachbessert und mit der Übung schneller prüft (GDPval, Fußnote 9 (externe Seite, arxiv.org)). In der anderen Richtung fehlt die Prüfung der menschlichen Arbeit, die im Betrieb ebenfalls jemand ansieht, auch das sagt die Arbeit. Und es fehlen Fehler, deren Folgen weit teurer sind als die Arbeit selbst. Welche Fehler ein Vorgang verträgt, ist der Gegenstand eines späteren Kapitels dieses Pfads.

Die Rechnung aus den ersten beiden Ebenen braucht drei Größen: die eigene Zeit, die Prüfzeit und die Erfolgsquote. Für den eigenen Vorgang muss man sie schätzen oder messen, und an beidem scheitern auch Fachleute. Diese Ebene sammelt, woran, und endet mit einer Vorlage, die das berücksichtigt.

Warum der Gewinn kaum noch zu messen ist

Einen Versuch mit Losverfahren dazu hat METR 2025 gemacht: Erfahrene Entwickler bearbeiteten Aufgaben aus ihren eigenen Projekten, per Los mit oder ohne KI. Mit KI dauerten die Aufgaben 19 Prozent länger (Arbeit (externe Seite, arxiv.org)). Warum METR die Nachmessung von 2026 selbst für ein unzuverlässiges Signal hält, steht in Vibe-Coding / Agentic Engineering, Kapitel 01, Ebene 3.

Für dieses Kapitel zählt an der Nachmessung eine Einzelheit. Für die zurückgekehrten Teilnehmer schätzt METR nun 18 Prozent weniger Zeit mit KI, mit einem Vertrauensbereich, der von 38 Prozent weniger bis 9 Prozent mehr reicht (Nachtrag (externe Seite, metr.org)). Und 30 bis 50 Prozent der Teilnehmer reichten einzelne Aufgaben gar nicht erst ein, weil sie sie nicht ohne KI machen wollten. Damit fehlen systematisch Aufgaben, von denen sie sich viel von der KI erhofften.

Das ist die Über­ga­be­ent­schei­dung selbst, als Störgröße im Versuch. Wer gewohnt ist abzugeben, sortiert die Aufgaben schon vor, und die übrigen sind die, bei denen die Übergabe nach eigener Erwartung wenig bringt. Jeder Vergleich, der Aufgaben von Leuten sammelt, die bereits mit KI arbeiten, hat dieses Problem, auch ein Vergleich im eigenen Betrieb.

Die eigene Einschätzung taugt nicht als Messung

Im Versuch von 2025 schätzten die Entwickler hinterher, die KI habe ihre Bearbeitungszeit um 20 Prozent verkürzt, während sie tatsächlich langsamer waren (Arbeit (externe Seite, arxiv.org)). Anfang 2026 hat METR technisch Beschäftigte nach ihrer Einschätzung gefragt, eine Gele­gen­heits­stich­probe, gewonnen vor allem über GitHub, Hochschulen und das eigene Umfeld. Im Median gaben sie eine dreifache Geschwindigkeit an (Befragung (externe Seite, metr.org)). Den Wert der eigenen Arbeit sahen sie im Median um das 1,4- bis 2-Fache gestiegen. METR stellt die eigene Warnung daneben: Solche Antworten sind nicht unbedingt in der Wirklichkeit verankert. Im Versuch von 2025 überschätzten die Beteiligten die Wirkung im Mittel um 40 Prozentpunkte.

Für die Rechnung heißt das, dass keine der drei Größen aus dem Gefühl kommen sollte. Die eigene Zeit lässt sich an früheren Vorgängen ablesen, die Prüfzeit und die Erfolgsquote nur an einer Probe: eine Reihe gleichartiger Vorgänge, einmal mit Übergabe, einmal ohne, mit der Uhr daneben.

Mehr Ausstoß ist noch kein Wert

Nach eigener Schätzung wäre gut ein Viertel der Arbeit, die Anthropics Beschäftigte mit Claude erledigen, ohne das Modell gar nicht gemacht worden (Bericht (externe Seite, anthropic.com)). Genannt werden Werkzeuge, die man sich sonst gespart hätte, und Erkundungen, die von Hand zu teuer gewesen wären.

METR beschreibt, was daraus für jede Messung folgt (Beitrag zum Aufgabentausch (externe Seite, metr.org)). Wo KI eine Arbeit billig macht, wechseln Leute zu genau diesen Aufgaben. Gemessen an den neuen Aufgaben ist der Gewinn dann sehr hoch, gemessen am Wert womöglich viel kleiner. Für Arbeit, die jemand nur macht, weil sie billig geworden ist, verwendet METR den Namen Cadillac-Aufgabe. Das ist eine Überlegung mit Formeln, gemessen ist sie nicht.

Die GDPval-Rechnung misst die Zeit für eine gegebene Aufgabe. Ob die Aufgabe es wert war, misst sie nicht. Wer eine Übergabe bewertet, stellt deshalb vor die Rechnung die Frage, ob der Vorgang ohne das Modell überhaupt stattgefunden hätte, und wenn nein, was er dem Betrieb bringt.

Betroffen heißt noch nicht übergebbar

Viel zitiert wird eine Arbeit von 2023, nach der rund 80 Prozent der Beschäftigten in den USA bei mindestens einem Zehntel ihrer Aufgaben von Sprachmodellen betroffen sein könnten. Drei der vier Verfasser kamen von OpenAI, und eingestuft haben Menschen und GPT-4 (GPTs are GPTs (externe Seite, arxiv.org)). Nach derselben Arbeit ließen sich etwa 15 Prozent aller Aufgaben mit einem Sprachmodell bei gleicher Qualität deutlich schneller erledigen, mit darauf aufbauender Software 47 bis 56 Prozent.

Betroffenheit ist eine Einschätzung, ob ein Modell eine Aufgabe beschleunigen könnte. Über die Prüfzeit, die Erfolgsquote und das Vorwissen, das mitgehen muss, sagt sie nichts, und eine Zeitachse behauptet die Arbeit ausdrücklich nicht. Als Liste möglicher Kandidaten ist sie brauchbar. Welche davon sich übergeben lassen, entscheidet die Rechnung am einzelnen Vorgang.

Was der Hersteller empfiehlt und was Nutzer tun

OpenAIs Leitfaden für den Bau von Agenten vom April 2025 empfiehlt, zuerst Abläufe anzugehen, die sich bisher der Automatisierung entzogen haben. An erster Stelle stehen Entscheidungen mit Urteil, Ausnahmen und Kontext, als Beispiel die Freigabe von Erstattungen im Kundendienst (Leitfaden (externe Seite, cdn.openai.com), Abschnitt „When should you build an agent?“). Wo das nicht zutrifft, genüge vielleicht eine feste Lösung. Der Leitfaden wirbt zugleich für das eigene Agents SDK.

Die Befragten bei Anthropic behalten genau diese Arbeit: Urteil, Strategie, Entscheidungen mit Orga­ni­sa­ti­ons­kon­text. Beides widerspricht sich weniger, als es klingt. Der Leitfaden spricht vom Bau eines Agenten für einen festen Ablauf, mit Leitplanken, Freigaben und einer Übergabe an einen Menschen bei Unsicherheit; die Befragten sprechen von ihrem eigenen Arbeitstag. Wer einen Ablauf mit Urteil übergibt, baut die Prüfung in den Ablauf ein und senkt damit die Prüfzeit je Fall. Wie das technisch aussieht, steht in Agenten und Harness, Kapitel 01 und Conversational AI, Kapitel 07. Ob dafür ein fester Ablauf genügt, entscheidet die Prüffrage aus Agenten und Harness, Kapitel 01: Wer wählt den nächsten Schritt?

Eine Rechenvorlage für den eigenen Vorgang

Gebraucht werden vier Zahlen, alle an einer Probe gemessen:

• E, die eigene Zeit für den Vorgang ohne Modell, aus früheren Fällen
• P, die Zeit für das Nachsehen eines Modellergebnisses
• M, die Zeit, die Anweisung, Vorwissen und Modell zusammen kosten
• q, der Anteil der Ergebnisse, die ohne Nacharbeit abgenommen werden

Die Übergabe lohnt sich, wenn M + P kleiner ist als q mal E. Der Faktor, um den sie schneller ist, beträgt E geteilt durch (M + P + (1 − q) · E). Das ist die Formel aus Anhang A.2.1 von GDPval, mit einem Unterschied: Dort ist M reine Rechenzeit, hier steckt das Mitgeben des Vorwissens darin, der Posten, den GDPval nicht enthält.

Ein Rechenbeispiel mit ausgedachten Zahlen, zur Probe der Formel: Ein Bericht kostet von Hand 60 Minuten. Die Anweisung samt Unterlagen dauert 10 Minuten, das Nachsehen 15. Dann lohnt sich die Übergabe erst, wenn mehr als 25 von 60, also mehr als rund 42 Prozent der Ergebnisse ohne Nacharbeit abgenommen werden. Bei 80 Prozent ergibt sich ein Faktor von 60 durch 37, also etwa 1,6.

Zwei Hebel ergeben sich direkt aus der Formel. Eine kürzere Prüfung senkt die Schwelle für q, und sie wirkt bei jedem Fall. Ein Vorwissen, das einmal sauber aufgeschrieben ist und dann bei jedem Vorgang mitgeht, senkt M auf Dauer. Was als abgenommen gilt, muss vor der Probe feststehen, sonst lässt sich q nicht zählen. Wie die Abnahme aussieht, ist der Gegenstand eines eigenen Kapitels dieses Pfads.