Im Mai 2026 veröffentlichte Anthropic 16 Monate longitudinaler Produktionsdaten, die zeigen, dass Claude über 80% des gesamten zusammengeführten Codes im Unternehmen verfasste — gestiegen von einstelligen Prozentzahlen vor Februar 2025 —, während Ingenieure 8-mal mehr Code pro Quartal im Vergleich zur Baseline von 2024 lieferten. Die von Marina Favaro und Jack Clark mitverfasste und auf der Website des Anthropic Institute veröffentlichte Analyse stellt den ersten groß angelegten empirischen Nachweis rekursiver Selbstverbesserung in einer kommerziellen KI-Entwicklungsumgebung dar.
Was die Produktionsdaten zeigen: Metriken über 16 Monate
Der Datensatz umfasst Anthropics eigene zusammengeführte Produktions-Codebase von Anfang 2025 bis Mai 2026 — ein realer longitudinaler Datensatz, der sich klar von einer kontrollierten Benchmark-Umgebung unterscheidet. Die Hauptzahl, über 80% des zusammengeführten Codes von Claude verfasst, misst Code, der von KI-Systemen geschrieben, getestet und eingereicht wurde, wobei die menschliche Überprüfung als Qualitätsgate dient und die Urheberschaft bei den KI-Systemen liegt.
Neben dem Code-Volumen berichtet Anthropic, dass Ingenieure im Q2 2026 achtmal mehr Code pro Quartal gegenüber 2024 lieferten. Eine interne Umfrage vom März 2026 (n=130 Mitarbeiter) erfasste einen medianen selbstberichteten Output-Anstieg um das 4-Fache nach Zugang zu Mythos Preview — Anthropics internem agentischem Coding-System auf Basis von Claude Opus 4.6.
Die Erfolgsrate bei offenen Aufgaben erreichte 76% im Mai 2026 — ein Gewinn von 50 Prozentpunkten in sechs Monaten. Der Aufgabenhorizont erweiterte sich konsistent über drei Modellgenerationen: Claude Opus 3 bewältigte 4-Minuten-Aufgaben (März 2024), Claude Sonnet 3.7 handhabte 90-Minuten-Aufgaben (März 2025), und Claude Opus 4.6 erledigte 12-Stunden-Aufgaben (März 2026) — ungefähr eine Größenordnung pro Generation.
Qualitätsdaten ergänzen die Volumenzahlen. Die automatisierte Überprüfung durch Claude erkennt etwa ein Drittel der Produktionsfehler, die Anthropics erfahrenste Ingenieure übersehen hatten. Im April 2026 reichte Claude mehr als 800 gezielte Korrekturen ein, die eine bestimmte Klasse von API-Fehlern um den Faktor 1.000× reduzierten. Der verantwortliche Ingenieur schätzte, dass ein menschliches Team vier Jahre benötigt hätte, um gleichwertige Ergebnisse zu erzielen.
Code-Optimierungs-Benchmarks zeigen dieselbe Beschleunigung. KI-gesteuerte Optimierung erzielte im Mai 2025 durchschnittlich ~3-fache Beschleunigung; im April 2026 produzierte dieselbe Aufgabenklasse eine ~52-fache Beschleunigung — gegenüber dem 4-Fachen, das erfahrene Menschen in 4–8 Stunden erreichten, was einem 13-fachen Leistungsvorteil gegenüber menschlichen Experten in dieser Aufgabenklasse entspricht.
Forschungsurteilsmetriken folgen einer parallelen Entwicklung. Im November 2025 wählte Claude in 51% von 129 direkten Vergleichen mit menschlichen Forschern die überlegene Forschungsrichtung. Bis April 2026 stieg diese Zahl auf 64% im selben Evaluierungssatz — Claude etabliert sich damit als Mehrheitswahl bei der Forschungsleitung in anspruchsvollen Entscheidungsszenarien.
Ein autonomes Forschungsprojekt über 800 kumulierte Rechenstunden (Gesamtkosten: rund 18.000 Dollar) zeigte, dass Claude 97% des Leistungsrückstands bei einer gezielten Forschungsaufgabe schloss; menschliche Forscher schlossen 23% in einem vergleichbaren Zeitraum. Projekt Glasswing, eine interne Sicherheitsinitiative mit Mythos Preview, identifizierte in den ersten Betriebswochen über 10.000 hoch- und kritisch-kritische Softwareschwachstellen.
Warum dieser Datensatz über das hinausgeht, was Benchmarks R&D-Führungskräften mitteilen können
Drei Merkmale unterscheiden diese Evidenz von Standardberichten zur KI-Leistung und beeinflussen direkt, wie Forschungsleiter die Zahlen interpretieren sollten.
Erstens ist die Messumgebung Anthropics eigene Produktions-Codebase — die Codebase einer Organisation mit starken institutionellen Anreizen, strenge Qualitätsstandards aufrechtzuerhalten. Die 80% Code-Urheberschaft spiegelt echte Merge-Entscheidungen und echte Code-Überprüfungen mit direkten Konsequenzen für die Systemzuverlässigkeit wider. Dies ist ein Produktionssignal, das das Gewicht operativer Rechenschaftspflicht trägt — eine Dimension, die in den Punktzahlen kompetitiver Benchmarks fehlt.
Zweitens sind die 1.000-fache API-Fehlerreduzierung und die 52-fache Optimierungsbeschleunigung absolute domänenspezifische Ergebnisse, ausgedrückt in ingenieurstechnischen Einheiten. Eine 1.000-fache Fehlerreduzierung erzeugt eine direkte, messbare Verbesserung der Systemzuverlässigkeit. Eine 52-fache Optimierungsbeschleunigung entspricht einem 13-fachen Leistungsvorteil gegenüber menschlichen Experten in einer Domäne, die jahrelange Spezialisierung erforderte, um dieses menschliche Leistungsniveau zu erreichen. Diese Ergebnisse liegen in denselben Einheiten wie Produktions-Ingenieursziele, wodurch der direkte Vergleich mit menschlichem Output eindeutig wird.
Drittens ist die Aufgabenhorizont-Progression — 4 Minuten, 90 Minuten, 12 Stunden über drei aufeinanderfolgende Generationen — empirisch konsistent und beschleunigend. Das Paper koppelt diese Entwicklung mit einem Governance-Vorschlag: Anthropic plädiert ausdrücklich für einen globalen Pausierungsmechanismus, der aktiviert werden soll, wenn rekursive Selbstverbesserung die menschliche Überwachungskapazität übersteigt. Eine Organisation, die die höchste bekannte KI-Code-Urheberschaftsrate berichtet und gleichzeitig einen internationalen Bremsmechanismus vorschlägt, sendet ein Governance-Signal, das unabhängig von einer möglichen Aktivierung dieses Mechanismus Bedeutung besitzt.
Die Infrastrukturfrage, die Ihre Roadmap 2027 beantworten muss
Anthropics Produktionsdaten etablieren eine konkrete Referenzentwicklung: Ein 16-monatiger Weg von einstelligen zu 80% KI-Code-Urheberschaft entspricht einem 8-fachen Produktivitätsmultiplikator und einer messbaren Erweiterung autonomer Aufgabenkapazität. Die strategische Frage für CTOs und Forschungsleiter, die 2026–2027-Budgets zuweisen, ist präzise: Bei welchem Prozentsatz KI-Code-Urheberschaft bewahrt Ihre aktuelle Qualitätssicherungs- und Überprüfungsinfrastruktur das Zuverlässigkeitssignal, das menschliche Urheberschaft bei geringen KI-Urheberschaftsraten lieferte — und welche Investition erreicht diese Schwelle, bevor der Prozentsatz über das Niveau steigt, das Ihr Team effektiv überwachen kann?
Artikel von MIRA — Research & Evidence
MIRA berichtet über KI-Forschung mit akademischer Strenge. Jede Behauptung stammt aus einem gemessenen Ergebnis.