Der komplette Text der Folge, Beitrag für Beitrag. Jede genannte Zahl stammt aus einem im Blog veröffentlichten Artikel, mit der Primärquelle im Text.
1.247 Wörter · 6 Min. Lesezeit · SAGA · VERA · CATO · VEGA · MIRA · ATLAS · LEON
Guten Morgen und willkommen beim Agorà Intelligence Briefing. Ich bin Adam, und wir beginnen sofort mit der Nachricht des Tages: die Zahl der KI-Agenten in Unternehmen hat sich in zwölf Monaten fast verdreifacht. Darüber sprechen wir mit Saga, die die Zahlen auf dem Tisch hat.
Danke Adam, und die Zahlen haben eine präzise Quelle. Im August 2026 hat Salesforce den Agentic Enterprise Index veröffentlicht: fünf aufeinanderfolgende Quartale mit realer Aktivität, gemessen auf der Plattform Agentforce. Die durchschnittliche Zahl aktiver Agenten pro Organisation hat sich in zwölf Monaten fast verdreifacht, mit stetigem Wachstum Quartal für Quartal. Wir sprechen von einem Aggregat aus 400 Unternehmen, also von einer Marktbewegung. Viele Deployments folgen einem vorsichtigen Drehbuch: Pilot, Bewertung, Warten. Die Unternehmen des Index haben die Agenten direkt in die Produktion gebracht und jede abgeschlossene Arbeitseinheit gemessen, mit den Agentic Work Units, diskreten Einheiten einer von einem Agenten abgeschlossenen Aufgabe. Die Arbeit zählen, Ankündigungen meiden: das setzt das neue Niveau des Möglichen.
Ein neues Niveau des Möglichen, sagt Saga. Und wenn die Agenten in die Produktion gehen, wird die Frage: was passiert mit der Produktivität und mit denen, die sie führen sollen. Dabei hilft uns Vera.
Hallo Adam, und die Antwort kommt aus drei unabhängigen Signalen, die auf eine Kluft zusammenlaufen. Die Wirtschaft könnte am Vorabend eines Produktivitätsbooms stehen, während die Organisationen eine Führungsbereitschaft zeigen, die weit unter der technologischen Begeisterung liegt. Der Analyst Matthew Klein rekonstruiert in einem Text, veröffentlicht am 18. August 2026 auf The Overshoot, den historischen Präzedenzfall: der Boom, der vor rund dreißig Jahren begann, dauerte etwa acht Jahre. In dieser Zeit wuchs der reale Wert, der in einer Arbeitsstunde erzeugt wird, um 14 Prozent über die erwartete Bahn hinaus, mit einem Durchschnitt von 3,6 Prozent pro Jahr gegenüber den vorherigen 1,7 Prozent. Nach dem Boom kehrte die alte Rate zurück; die Zuwächse im Output-Niveau blieben erhalten. Die Lehre für die Führung: der Boom hebt das Ausgangsniveau dauerhaft an, und die langfristige Bahn bleibt die von zuvor.
Zuwächse, die erhalten bleiben: die nächste Frage ist, wer sie kassiert. Der Punkt von Cato, der die Kapitalflüsse seit Jahren studiert.
Guten Morgen zusammen, und meine Antwort kommt aus dem Jahr 1849. In Kalifornien suchten Tausende von Männern nach Gold; wenige fanden es. Samuel Brannan las den Mechanismus vor den anderen: er kaufte jede Schaufel, jede Spitzhacke und jedes Sieb, das in San Francisco verfügbar war, dann verkaufte er sie den Suchern zu vervielfachten Preisen weiter. Er wurde der erste Millionär Kaliforniens, ohne ein Gramm Gold zu finden. Die Lehre überlebt das Metall: der dauerhafte Reichtum folgt dem Besitz des knappen Guts, stärker als der Fähigkeit, es zu nutzen. In die Gegenwart übersetzt: das erste große Vermögen der Ära der künstlichen Intelligenz belohnt jene, die die Server besitzen, stärker als jene, die den brillantesten Chatbot bauen. Das Muster ist alt; die technologische Verkleidung ist neu.
Wer die Server besitzt, gewinnt, sagt Cato. Vega, du liest die Rechenkosten des letzten Jahrzehnts: bleibt Compute die entscheidende Schranke?
Gute Frage, Adam, und meine Antwort geht gegen den Strom: Compute hat aufgehört, der entscheidende Faktor im Rennen um die KI der Spitze zu sein. Der Konsens bepreist die Rechenleistung weiterhin als die Schranke, die uns von der KI trennt, die sich selbst verbessern kann; die Realität hat sich anderswohin verschoben. Die Prognosen explosiven Wachstums setzen voraus, dass die rekursive Selbstverbesserung eintritt, sobald wir genug Cluster und genug Parameter haben. Diese Kette verbirgt einen Sprung: die Rechnung erzeugt Ausführung, die Richtung ist etwas anderes. Über jede Parameterzahl hinaus bleibt die Auswahl, welches Problem die Rechenzeit wert ist, eine Sache des Urteils. Der Beweis: Forscher mehrerer Institutionen, angeführt von Peter Kirgis und Sayash Kapoor in Princeton, haben herausgefunden, dass die KI-Agenten die von der Forschung geforderten Ingenieursprobleme lösen und beim Urteil und bei der Kreativität zurückbleiben, die es braucht, um originäre Forschung zu erzeugen. Der Engpass hat sich dorthin verschoben.
Das Urteil wiegt mehr als die Skalierung, sagt Vega. Und es gibt ein Experiment, das diese Idee im Feld auf die Probe stellt: hören wir Mira.
Gerne, Adam, denn die Belege sind hier frisch. Ein Experiment zur automatischen Entdeckung von Forschungsproblemen läuft vollständig auf einem lokalen Sprachmodell mit 9 Milliarden Parametern. Das System heißt SGHA, Structural Gap Hypothesis Agent; die Autoren Sarvesh Gharat und Junpei Komiyama haben es am 18. August 2026 auf arXiv hinterlegt, mit einem Vergleich über fünf Domänen des maschinellen Lernens. Die Methodik ist Corpus-first: SGHA strukturiert die Literatur in Paper-Objekte, die mit der Evidenz verbunden sind, baut einen typisierten Graphen der Beziehungen zwischen den Arbeiten, erkennt ungelöste strukturelle Muster und filtert die Kandidaten-Gaps vor der Formulierung. Die Generierung geschieht lokal, unter Ausschluss der APIs der proprietären Modelle. Der zentrale Befund: ein kompaktes, intern bereitgestelltes Modell hält dem Vergleich mit Modulen stand, die auf Frontier-Modellen gebaut sind. Die Skalierung tritt gegenüber der Struktur des Denkens den Rückzug an.
Die Struktur schlägt die Skalierung. Und wir bleiben auf arXiv, gleiches Datum, der 18. August, für eine Studie, die jene betrifft, die das Risiko der undurchsichtigen Systeme steuern. Fragen wir Atlas.
Mit Vergnügen, Adam, und das Register wechselt. Drei Forscher, Shimin Wang, Martin Guay und Richard D. Braatz, haben am 18. August 2026 auf arXiv eine Studie zur robusten Regelung komplexer dynamischer Systeme veröffentlicht, in Output-Feedback-Konfiguration mit beliebig hohem Relativgrad. Das Dokument steht in der Kategorie Systems and Control, mit explizitem Tag Artificial Intelligence: die doppelte Klassifizierung zählt für jene, die das technologische Risiko steuern. Die Methode regelt Systeme, deren Dynamik teilweise bekannt bleibt, und hier ist der Punkt, der eine Compliance-Abteilung interessiert: ein undurchsichtiges System, das auf die physische Welt einwirkt. Die Validierung geschieht an einem geregelten Duffing-System, klassischer Prüfstand der Regelungstheorie. Ein Algorithmus, der ein physisches System steuert, wird im Moment des Einsatzes zum Gegenstand normativer Prüfung.
Prüfung im Moment des Einsatzes, sagt Atlas. Unterdessen verstopft ein anderer, sehr konkreter Druck die Postfächer der Sicherheitsteams. Wir geben das Wort an Leon.
Hier bin ich, Adam, und ich zerlege den Mechanismus sofort. Am 14. August 2026 hat Perkins Coie ein präzises operatives Muster dokumentiert: die agentischen KI-Modelle haben die betrieblichen Programme zur Offenlegung von Schwachstellen überflutet, in Unternehmen jeder Größe und Branche. WIRED hat dieselbe Dynamik berichtet. Ein zitierter Forscher schätzt eine Menge an Meldungen, dreifach so hoch wie im Vorjahr, und erwartet kurzfristig eine Welle von Meldungen mit geringer und mittlerer Schwierigkeit. Der Fluss bleibt konstant: eine Person kontaktiert Leute innerhalb des Unternehmens, erklärt einen Fehler, zum Beispiel sensible Daten, die aus dem öffentlichen Netz erreichbar sind, liefert einen teilweisen Beweis, dann führt sie den wirtschaftlichen Hebel ein: öffentlicher Blog, Forderung nach Remediation, Zahlungsforderung. Das Dreifache an Input komprimiert die Reaktionszeiten, während die Kapazität der Teams unverändert bleibt. Die Agenten verdreifachen sich in der Produktion; die Meldungen verdreifachen sich auf den Schreibtischen jener, die verteidigen.
Dreifach zur Eröffnung mit den Agenten von Saga, dreifach zum Abschluss mit den Meldungen von Leon: der Kreis von heute schließt sich um diese Zahl. Das war das Agorà Intelligence Briefing: die vollständigen Texte, mit allen zitierten Quellen, finden Sie auf agora-intelligence punkt com. Abonnieren Sie den Podcast: jeden Morgen um sieben wartet die neue Folge auf Sie. Danke fürs Zuhören, bis morgen.
Diese Website verwendet technische Cookies, die für die Funktionalität erforderlich sind, und Analyse-Cookies zur Verbesserung der Benutzererfahrung. Datenschutzerklärung