Geschwin­dig­keit der Ent­wick­lung

„Wie schnell geht das eigentlich?“ hat keine einzelne Antwort, weil mehrere Größen gleichzeitig wachsen. Sie wachsen alle, und sie wachsen unterschiedlich schnell. Genau diese Unterschiede sind die eigentliche Auskunft.

Warum eine Verdopplung schwer vorzustellen ist

Zwei Rechnungen dazu sind älter als jede Kennzahl auf dieser Seite, und beide kommen ohne KI aus.

Die erste ist die Legende vom Reiskorn auf dem Schachbrett: Auf das erste Feld kommt ein Korn, auf jedes weitere doppelt so viel wie auf das vorige. Über 64 Felder summiert sich das auf 18.446.744.073.709.551.615 Körner. Der Sprung liegt dabei ganz hinten. Auf dem 64. Feld allein liegen mehr Körner als auf allen 63 Feldern davor zusammen, genau eines mehr. Bei Feld 32 ist die Hälfte der Felder abgearbeitet, auf dem Tisch liegt dann rund ein Vier-Milliardstel der Endmenge.

Die zweite Rechnung faltet ein Blatt Papier, und jede Faltung verdoppelt die Dicke. Bei einem Zehntelmillimeter, also einem gewöhnlichen Blatt, reicht der Stapel nach 42 Faltungen bis zum Mond: 439.805 Kilometer gegen einen mittleren Abstand von 384.400 Kilometern (externe Seite, science.nasa.gov). Nach 41 Faltungen sind es 219.902, also gut die Hälfte des Weges, und eine einzige weitere Faltung schafft den Rest. Ein doppelt so dünnes Blatt kostet eine Faltung mehr; an der Größenordnung ändert das nichts.

Und hier hört das Bild auf. 42 Faltungen gibt es in der Wirklichkeit nicht. Der eingetragene Rekord steht bei zwölf Faltungen (externe Seite, guinnessworldrecords.com), aufgestellt 2002 von Britney Gallivan, und dafür brauchte sie ein Seidenpapier von 1.219 Metern Länge. Was sich verdoppelt, stößt irgendwann an eine physische Grenze. Welche das in diesem Feld sind, steht am Ende dieser Seite.

Die Takte im nächsten Abschnitt sind genau solche Verdopplungen, gerechnet in der Zeit statt auf einem Brett.

Sechs Takte nebeneinander

Gemessene Ver­dopp­lungs­zeiten, Stand August 2026:

Zeile 1, 2 und 6 stammen aus dem Kennzahlenblatt von Epoch AI (externe Seite, epoch.ai). Zeile 3 kommt aus der Zeithorizont-Messung, die Kapitel 03 genauer behandelt. Nach der Arbeit von METR (externe Seite, arxiv.org) verdoppelt sich die Aufgabenlänge, die Spitzenmodelle schaffen, seit 2019 etwa alle sieben Monate. Der Satz geht in der Arbeit weiter: Der Trend habe sich seit 2024 womöglich beschleunigt. Die Fassung 1.1 (externe Seite, metr.org) der Messung vom Januar 2026 kommt für den ganzen Zeitraum auf genau dieselbe Verdopplungszeit von 196 Tagen, also sieben Monaten. Für GPT-2, GPT-3 und GPT-3.5 setzt sie dabei die Werte der ersten Fassung ein, weil diese Modelle nicht neu gemessen wurden.

Ab 2023 gerechnet sind es dort 131 Tage, ab 2024 gerechnet rund 89, also gut vier und knapp drei Monate. Die Messreihe dazu führt METR seit dem 08.09.2026 nach eigener Angabe nicht mehr fort. Schon seit Mai vermerkt ihre Seite (externe Seite, metr.org), dass Werte über 16 Stunden mit der vorhandenen Aufgabensammlung unzuverlässig sind.

Zeile 5 stammt aus einer eigenen Erhebung über gekaufte Chips (externe Seite, epoch.ai): Seit 2023 bringt ein Dollar, der in einem Quartal für KI-Chips ausgegeben wird, im Schnitt jedes Jahr rund 49 Prozent mehr Rechenleistung, und damit verdoppelt sich die Leistung je Dollar alle 1,7 Jahre.

Zwischen der schnellsten und der langsamsten Zeile liegt der Faktor 6,5, also 5,2 Monate gegen 33,6. Wer von „exponentiellem Fortschritt“ liest, sollte deshalb fragen, welche dieser Zeilen gemeint ist.

Welcher Takt bei Ihnen ankommt

Für die Frage, was in einem Betrieb ankommt, zählen die unteren Zeilen mehr als die oberen. Der Rechenaufwand an der Spitze sagt, was ein Labor investiert. Zeile 5 sagt, was ein Rechenzentrum für sein Geld an Rechenleistung bekommt: Die Erhebung rechnet mit den Kaufpreisen der Chips, in Dollar von 2025. Diese Kurve verläuft sprunghaft: Bis Mitte 2024 blieb die Leistung je Dollar nach der Erhebung (externe Seite, epoch.ai) fast gleich, dann verdoppelte sie sich ungefähr, als Chips der Blackwell-Generation den größten Teil der neuen Ausgaben ausmachten.

Anderthalb Jahre nahezu Stillstand, dann eine Verdopplung. Ein glatter Jahreswert verdeckt das.

Wer ein Modell über eine Schnittstelle nutzt, zahlt einen anderen Preis, und der fällt viel schneller. Epoch AI hat im September 2026 gemessen, was eine feste Leistung auf fünf Benchmarks aus Mathematik, Naturwissenschaft und Spielen kostet. Nach dem Bericht (externe Seite, epoch.ai) fällt dieser Preis seit 2023 um etwa 47 Prozent im Quartal, auf ein Dreizehntel im Jahr.

Gerechnet ist das für jemanden, der für jede Aufgabe stets das billigste Modell wählt, das sie schafft. Die Autoren schreiben selbst, dass echte Nutzer so oft nicht wechseln und deshalb weniger sparen. Am schnellsten fällt der Preis einer Leistung, solange sie neu ist. Gemittelt über alle fünf Benchmarks sinken die Kosten für eine Leistung, die gerade zum ersten Mal erreicht wurde, um 66 Prozent im Quartal, auf ein Fünf­und­sieb­zigstel im Jahr (Bericht (externe Seite, epoch.ai)). Dieses Muster zeigen drei der fünf Benchmarks.

Zwei Jahre später sind es noch 32 Prozent im Quartal. Epoch AI vermutet dahinter einen Aufschlag, den ein Anbieter kurz verlangen kann, solange er eine Leistung als Erster bietet.

Die Verfahren werden auch besser

Zeile 4 ist die am wenigsten bekannte und zugleich die bemerkenswerteste. Sie misst die Verfahren selbst: Wie viel Rechenleistung braucht man heute für eine Leistung, die früher mehr gekostet hat. Hardware und Geld stehen dabei fest. Eine Arbeit von Epoch AI (externe Seite, arxiv.org) hat das an über 200 Auswertungen von Sprachmodellen aus den Jahren 2012 bis 2023 gemessen: Der Rechenaufwand für eine feste Leistungsschwelle hat sich etwa alle acht Monate halbiert, mit einem 95-Prozent-Vertrauensintervall von rund 5 bis 14 Monaten. Das ist deutlich schneller als der Zuwachs der Hardware nach dem Mooreschen Gesetz.

Dieselbe Arbeit ordnet den Befund allerdings selbst ein, und dieser Satz fehlt in fast jeder Wiedergabe: Der Zuwachs an Rechenleistung hat im selben Zeitraum noch mehr zur Verbesserung beigetragen als die besseren Verfahren.

Die besseren Verfahren wirken also schnell, und im gemessenen Zeitraum hat die schiere Rechenleistung noch mehr bewegt. Wer nur die erste Hälfte zitiert, erzählt eine Geschichte über Erfin­dungs­reichtum, wo die Daten eine über Investitionen erzählen.

Der Antrieb hat 2024 gewechselt

Bis dahin kam der Fortschritt vor allem aus größeren Trainingsläufen. Der Rechenaufwand dafür wuchs jahrelang stetig, nach einer Auswertung von Epoch AI (externe Seite, epoch.ai) von 2010 bis Mai 2024 um das Vier- bis Fünffache im Jahr.

Seit 2024 kommt etwas dazu. Epoch AI hat vier Messreihen zu Fähigkeiten darauf untersucht, ob sie schneller geworden sind, und findet es in drei davon. Am besten erklärt die Daten ein Bruch mit den nachdenkenden Modellen: Nach dem Bericht (externe Seite, epoch.ai) machten sie einmal einen Sprung in der Leistung und legen seither etwa zwei- bis dreimal so schnell zu wie Modelle ohne Nachdenken. Einen genauen Takt nennt der Bericht nicht, weil für jede einzelne Reihe auch andere beschleunigte Kurven gut passen.

Die drei Reihen messen vor allem Programmierung und Mathematik, also Felder, in denen sich ein Ergebnis maschinell prüfen lässt. Die Autoren halten es für möglich, dass Aufgaben ohne eine solche Prüfung weniger zugelegt haben.

Nachdenkende Modelle rechnen länger, während sie antworten. Das verschiebt Aufwand vom Training in den Betrieb, und was das kostet, steht in Grundkurs, Kapitel 10.

Was diese Zahlen nicht sagen

Eine Verdopplungszeit beschreibt, was bisher geschehen ist. Sie sagt nichts darüber, wie lange das so weitergeht. Jede der sechs Zeilen kann an eine Grenze stoßen, und drei Grenzen sind absehbar: Strom, die Zeit, die der Bau eines großen Rechenzentrums braucht, und der Vorrat an öffentlich verfügbarem Text. Ebene 3 beziffert alle drei.

Hinter den Takten aus Ebene 1 stehen zwei Gesetzmäßigkeiten, die man kennen sollte. Die erste ist von 2020, die zweite hat sie zwei Jahre später korrigiert, und beide gelten bis heute für das Training.

Das Skalierungsgesetz

Kaplan und Mitautoren maßen 2020, wie der Fehler eines Sprachmodells mit drei Größen fällt. Nach ihrer Arbeit (externe Seite, arxiv.org) folgt er einem Potenzgesetz in der Modellgröße, der Datenmenge und dem Rechenaufwand für das Training, einzelne dieser Verläufe über mehr als sieben Größenordnungen.

Ein Potenzgesetz. Das heißt: Der Fehler fällt zuverlässig, aber immer langsamer. Wer ihn halbieren will, braucht ein Vielfaches an Aufwand, und wer ihn noch einmal halbieren will, wieder.

Die praktische Empfehlung daraus lautete, große Modelle zu bauen und das Training früh abzubrechen. Weil größere Modelle nach der Arbeit (externe Seite, arxiv.org) deutlich mehr aus jedem Beispiel lernen, nutzt ein festes Rechenbudget am besten, wer ein sehr großes Modell auf vergleichsweise wenig Daten trainiert und deutlich vor dem Ende der Konvergenz aufhört.

Die Korrektur

Zwei Jahre später maßen Hoffmann und Mitautoren dasselbe an über 400 Modellen von 70 Millionen bis über 16 Milliarden Parametern und kamen zum gegenteiligen Rat. Die großen Sprachmodelle ihrer Zeit sind nach der Chinchilla-Arbeit (externe Seite, arxiv.org) deutlich zu kurz trainiert, weil man sie vergrößert und die Menge der Trainingsdaten dabei gleich gelassen hatte.

Die Faustregel, die daraus wurde, ist einprägsam: Bei festem Rechenbudget gehört zu jeder Verdopplung der Modellgröße auch eine Verdopplung der Trainingstoken (Chinchilla-Arbeit (externe Seite, arxiv.org)).

Damit war die Größe eines Modells als Kennzahl entwertet. Ein kleineres, länger trainiertes Modell kann ein größeres schlagen, und genau deshalb sagt eine Parameterzahl heute wenig über die Fähigkeit. Was sie noch sagt, steht in Kapitel 01: Sie bestimmt, was auf ein Gerät passt. Welche Modellklasse aus dieser Entwertung entstanden ist, behandelt KI jenseits der Sprachmodelle, Kapitel 10.

Der zweite Weg

2024 kam ein Weg dazu, der beim Antworten ansetzt statt beim Trainieren. Snell und Mitautoren untersuchten, wie viel es bringt, ein Modell länger rechnen zu lassen, bevor es antwortet. Ihr wichtigster Befund ist eine Einschränkung: Wie gut die verschiedenen Arten wirken, beim Antworten mehr zu rechnen, hängt nach der Arbeit (externe Seite, arxiv.org) entscheidend davon ab, wie schwer die gestellte Aufgabe ist.

Es hängt also an der Aufgabe. Bei einer, die das Modell ohnehin manchmal löst, wirkt zusätzliche Rechenzeit stark: Bei gleicher Gesamtzahl an Rechenschritten schlägt ein kleineres Modell mit mehr Rechenzeit beim Antworten dort ein 14-mal größeres (Arbeit (externe Seite, arxiv.org)).

Bei den schwersten Aufgaben bringt sie nach der Arbeit kaum etwas, dort hilft mehr Training mehr. Die praktische Folge steht in Grundkurs, Kapitel 10: Der zweite Regler neben der Modellgröße ist der Reasoning Effort, und er kostet Wartezeit und Token.

Der dritte Weg, und wie sicher er gemessen ist

Neben dem Training und der Antwortzeit gibt es einen dritten Zuwachs, und er kostet gar keine Rechenleistung: bessere Verfahren. Epoch AI hat ihn an über 200 Auswertungen aus elf Jahren gemessen, mit dem Ergebnis aus Ebene 1, dass sich der nötige Rechenaufwand für dieselbe Leistung etwa alle acht Monate halbiert.

An dieser Zahl lohnt sich der Blick auf die Streuung. Das Ver­trau­ens­in­ter­vall reicht von 5 bis 14 Monaten, also fast um den Faktor drei. Und die Arbeit (externe Seite, arxiv.org) nennt ihre eigene Schwäche: Die Benchmarkdaten, auf denen sie aufbaut, streuen stark.

Wer diese acht Monate neben die 5,2 aus Zeile 1 stellt, vergleicht damit zwei Zahlen sehr verschiedener Güte. Für die 5,2 Monate nennt das Kennzahlenblatt (externe Seite, epoch.ai) ein Intervall von 4,6 bis 6,0 Monaten. Das gilt für die ganze Tabelle: Sie ordnet Größenordnungen und lädt nicht dazu ein, Zeilen auf den Monat genau gegen­ein­an­der­zu­stellen.

Die Beschleunigung von 2024

Diese Verlagerung ist in den Zahlen sichtbar. Epoch AI verfolgt einen eigenen Fähigkeitsindex, METR die Aufgabenlänge, und beide knicken im selben Jahr nach oben. Nach einer Auswertung vom Dezember 2025 (externe Seite, epoch.ai) beschleunigt der Fähigkeitsindex im April 2024 um 90 Prozent und die Aufgabenlänge im Oktober 2024 um 40 Prozent. Epoch AI hat diese Auswertung inzwischen selbst als überholt markiert.

Im April 2026 hat Epoch AI die Frage mit einem strengeren Verfahren an vier Reihen geprüft. Verschiedene Kurven wurden dafür an ältere Daten angepasst und daran gemessen, wie gut sie die jüngeren vorhersagen. Das Ergebnis des Berichts (externe Seite, epoch.ai): Drei der vier Reihen, der Fähigkeitsindex, der Logarithmus der Aufgabenlänge von METR und ein eigener Mathematik-Index aus mehreren Benchmarks, zeigen deutlich, dass der Fortschritt schneller geworden ist als eine einzige Gerade durch die Daten ab 2023.

Die vierte Reihe, ein Index aus WeirdML V2, zeigt keine Beschleunigung. Dort hat ein Modell fünf Versuche ohne Werkzeuge. Die drei anderen messen vor allem Programmierung und Mathematik, also Felder, in denen sich ein Ergebnis maschinell prüfen lässt. Die Autoren ziehen daraus selbst die Grenze ihres Befunds: Aufgaben, deren Ergebnis schwerer zu prüfen ist, haben womöglich weniger zugelegt, und die Beschleunigung gilt dann weniger allgemein, als die Zahlen der Zusammenfassung nahelegen (Bericht (externe Seite, epoch.ai)).

Auch der Grund bleibt unscharf. Mit den nachdenkenden Modellen änderte sich dreierlei zugleich: mehr Rechenzeit beim Antworten, mehr bestärkendes Lernen im Nachtraining und Modelle, die ihre Überlegung ausschreiben. Der Bericht trennt diese drei nicht. Einen genauen Wachstumstakt nennt der Bericht ebenfalls nicht, weil mehrere beschleunigte Kurven fast gleich gut passen.

Zuwachs und Preis folgen getrennten Kurven

Die METR-Arbeit (externe Seite, arxiv.org) benennt vorsichtig, woher der Zuwachs bei der Aufgabenlänge kommt: In ihrer ersten Fassung scheint er vor allem auf größerer Verlässlichkeit und auf der Fähigkeit zu beruhen, sich auf Fehler einzustellen, ergänzt um besseres logisches Schließen und den Gebrauch von Werkzeugen.

In der aktuellen Fassung der Arbeit vom Juli 2026 stehen vier Gründe gleichrangig in einer Reihe: Verlässlichkeit, der Umgang mit Fehlern, logisches Schließen und der Gebrauch von Werkzeugen. Die ersten beiden hängen auch an der Umgebung um das Modell, und dort setzt Agenten und Harness, Kapitel 04 an.

Für den Preis gibt es zwei eigene Kurven. Was ein Dollar an Chips kauft, verdoppelt sich alle 1,7 Jahre (externe Seite, epoch.ai), gebunden an Fertigung und Chipgenerationen. Was eine feste Leistung über eine Schnittstelle kostet, fällt nach Epoch AI um 47 Prozent im Quartal (externe Seite, epoch.ai), also auf etwa ein Dreizehntel im Jahr. Ein Betrieb, der plant, betrachtet die drei Kurven getrennt: Was ein Modell kann, was die Rechenleistung dahinter kostet und was eine Antwort auf einem gegebenen Niveau kostet.

Ver­dopp­lungs­zeiten sind eingängig und werden deshalb überstrapaziert. Drei Fragen halten sie im Rahmen: Was behauptet die zugrunde liegende Kurve, wo liegt der Engpass, und was folgt daraus für eine Planung.

Was ein Potenzgesetz behauptet

Die Skalierungsarbeit (externe Seite, arxiv.org) von 2020 misst über einen bemerkenswerten Bereich: Der Fehler folgt einem Potenzgesetz in Modellgröße, Datenmenge und Rechenaufwand, und einzelne dieser Verläufe reichen über mehr als sieben Größenordnungen.

Sieben Größenordnungen sind ein Faktor von zehn Millionen. Eine Regelmäßigkeit, die darüber hält, ist ungewöhnlich stabil.

Sie behauptet allerdings etwas anderes, als die meisten daraus lesen. Ein Potenzgesetz sagt, dass der Fehler mit wachsendem Aufwand fällt, und zwar immer langsamer. Es sagt nichts darüber, welche Fähigkeit bei welchem Fehlerwert erscheint. Der Weg von der gemessenen Größe zu einer nützlichen Aussage über Können ist eine eigene Frage, und genau dafür gibt es die Zeithorizont-Messung aus Kapitel 03.

Und es sagt nichts über die Zeit. Dass sich der Rechenaufwand alle 5,2 Monate verdoppelt hat, ist eine Beobachtung über Investitionen.

Der stille Engpass

Unter den Zahlen aus Ebene 1 sticht eine heraus. Die Spei­cher­band­breite einer Grafikkarte verdoppelt sich seit 2008 alle 2,8 Jahre, während sich der Rechenaufwand an der Spitze alle 5,2 Monate verdoppelt (Kennzahlenblatt (externe Seite, epoch.ai), abgerufen am 09.10.2026). Rechenwerke gewinnen also erheblich schneller an Tempo als der Weg, auf dem die Zahlen zu ihnen kommen.

Beim Erzeugen von Text ist genau das die bindende Größe. Für jedes einzelne Token muss ein Modell seine Gewichte durch das Rechenwerk schieben, und dabei wartet der Rechner mehr, als er rechnet. Der eigene Werkstattbericht Elf Wege, ein lokales Modell schneller zu machen misst diesen Fall an einem Arbeitsrechner über vier Textsorten. Welche Obergrenze für das Tempo eines Geräts daraus folgt, rechnet Nutzung und Anpassung von LLMs, Kapitel 04 vor. Warum ein Server deshalb viele Anfragen zugleich rechnet, erklärt Nutzung und Anpassung von LLMs, Kapitel 05.

Daraus folgt eine unbequeme Erwartung: Die Ant­wort­ge­schwin­dig­keit wird sich langsamer verbessern als die Fähigkeit. Wer heute mit Wartezeiten kämpft, plant also besser mit dem heutigen Tempo. Die nächste Chipgeneration verschiebt diese Grenze nur um einen Bruchteil dessen, was sie an Rechenleistung bringt.

Zwei Preiskurven mit eigenem Verlauf

Die Preisachse der Chips hat einen eigenen Takt: Seit 2023 wächst die Leistung, die ein Dollar beim Kauf von KI-Chips bringt, um rund 49 Prozent im Jahr und verdoppelt sich damit alle 1,7 Jahre (Erhebung von Epoch AI (externe Seite, epoch.ai)).

Wichtiger als die Zahl ist die Form der Kurve. Sie verläuft in Sprüngen, gebunden an Chipgenerationen, und dazwischen liegen lange flache Strecken. Wer aus einem Jahreswert einen Monatswert macht, rechnet mit einer Glätte, die es nicht gibt.

Diese Kurve misst Kaufpreise von Chips. Was eine feste Leistung über eine Schnittstelle kostet, fällt weit schneller, nach Epoch AI um 47 Prozent im Quartal (externe Seite, epoch.ai). Auch diese Kurve ist ungleichmäßig: Solange eine Leistung neu ist, fällt ihr Preis um 66 Prozent im Quartal, zwei Jahre später um 32 Prozent. Gerechnet ist das für einen Nutzer, der stets zum billigsten Modell wechselt, das eine Aufgabe schafft.

Was den Ausbau begrenzt

Drei Größen begrenzen den Ausbau, und zwei davon sind physisch. Die erste ist Strom: Die Leistungsaufnahme beim Training der Spitzenmodelle ist nach einer Schätzung von Epoch AI (externe Seite, epoch.ai) um das 2,1-Fache im Jahr gewachsen, mit einem 90-Prozent-Vertrauensintervall von 1,9 bis 2,2. Als Spitzenmodell zählen dort die zehn Modelle mit dem größten Trainingsaufwand zur Zeit ihres Erscheinens, seit 2010 sind das 45 Beobachtungen.

Eine Verdopplung des Strombedarfs jedes Jahr lässt sich einige Male wiederholen und danach nicht mehr. Die zweite Größe ist die Bauzeit eines Rechenzentrums im Gigawattbereich: Vom Baubeginn bis zu einem Gigawatt Gesamtleistung vergehen ein bis 3,6 Jahre (Auswertung von Epoch AI (externe Seite, epoch.ai)).

Gemessen ist das an den großen Rechenzentren in den USA, die Epoch AI verfolgt und deren Bau in den letzten drei Jahren begann, und ein Teil der Daten sind Pläne der Betreiber. Das Kennzahlenblatt setzt dafür 2,1 Jahre an.

Die dritte Grenze ist der Text selbst. Nach der Chinchilla-Regel aus Ebene 2 wächst mit dem Modell die Datenmenge, und der Vorrat an öffentlichem, von Menschen geschriebenem Text ist endlich. Nach einer Arbeit von Epoch AI (externe Seite, arxiv.org) erreichen die Trainingsdaten zwischen 2026 und 2032 etwa die Größe des ganzen öffentlichen Vorrats, etwas früher, wenn Modelle über das rechnerisch günstigste Maß hinaus trainiert werden.

Das gilt unter der Bedingung, dass die Trends anhalten. Als Auswege nennt die Arbeit erzeugte Daten, das Lernen aus Feldern mit mehr Daten und einen sparsameren Umgang mit Daten.

Was eine Verdopplungszeit hergibt

Sie beschreibt die Vergangenheit. Jede der sechs Zeilen aus Ebene 1 ist eine angepasste Gerade durch gemessene Punkte. Über den letzten Punkt hinaus sagt sie nichts, und diese Seite zeichnet solche Linien deshalb nicht weiter.

Die METR-Arbeit selbst zieht eine solche Folgerung und kennzeichnet sie als das, was sie ist: eine Fortschreibung unter der Annahme, dass die Ergebnisse auf wirkliche Softwarearbeit übertragbar sind. Beides sind Annahmen, und die Arbeit diskutiert sie im selben Abschnitt.

Sie hat eine Streuung. Die Stromangabe nennt ihr Ver­trau­ens­in­ter­vall, und das Kennzahlenblatt nennt zu jeder Zeile ein 90-Prozent-Intervall. Danach verdoppelt sich der Rechenaufwand an der Spitze in 4,6 bis 6,0 Monaten, die Spei­cher­band­breite in 2,4 bis 3,2 Jahren und die Chipleistung je Dollar in 1,4 bis 2,3 Jahren. Der Faktor 6,5 aus Ebene 1 liegt damit irgendwo zwischen 4,8 und 8,3. Eine Zahl ohne Streuung verführt dazu, ihr mehr Genauigkeit zuzutrauen, als sie hat.

Sie eignet sich für Größenordnungen. Wenn sich eine Fähigkeit alle sieben Monate verdoppelt, lohnt es sich, eine Anwendung, die heute knapp scheitert, in einem halben Jahr erneut zu versuchen. Eine Anwendung, die heute um den Faktor zehn scheitert, ist damit knapp zwei Jahre entfernt: Zehn erreicht man über drei bis vier Verdopplungen, also nach 23 Monaten.

Und sie zeigt, wo Sie einhaken. Den Zuwachs bei der Aufgabenlänge führt METR (externe Seite, arxiv.org) vor allem auf vier Dinge zurück: Verlässlichkeit, den Umgang mit Fehlern, logisches Schließen und den Gebrauch von Werkzeugen. An den ersten beiden lässt sich auch ohne Modellwechsel arbeiten, und wie das aussieht, steht in Agenten und Harness, Kapitel 04.