Forschende bei Meta und mehreren Universitäten haben „Hyperagenten“ entwickelt, die nicht nur Aufgaben lösen, sondern auch den Mechanismus optimieren, mit dem sie sich selbst verbessern. Das funktioniert über verschiedene Aufgabenbereiche hinweg und könnte den Weg zu sich selbst beschleunigender KI ebnen.
Der Artikel Meta stellt Hyperagents vor: KI-System verbessert den eigenen Verbesserungsprozess erschien zuerst auf The Decoder.
Generative KI spart bei vielen Aufgaben messbar Zeit. Doch zwischen schnelleren Einzelresultaten und echter wirtschaftlicher Wirkung klafft eine Lücke: Kontrollaufwand, schwache Messgrößen und organisatorische Trägheit verhindern oft, dass aus Benchmarkerfolgen Produktivitätsgewinne werden.
Der Artikel KI-Radar #2: Warum KI-Produktivitätsgewinne zwischen Benchmark und Bilanz verschwinden erschien zuerst auf The Decoder.
Claude Code bekommt ein weiteres Update: Anthropics Coding-Tool für den Desktop erhält eine Funktion für lokale, geplante Aufgaben.
Der Artikel Neues Feature für Claude Code: KI erledigt Aufgaben nach Zeitplan erschien zuerst auf The Decoder.
Nano Banana
Kurzfassung
▾
Quellen
▾
Künstliche Intelligenz übernimmt zunehmend analytische Aufgaben, wodurch der klassische Intelligenzquotient im Berufsleben an Bedeutung verliert.
An seine Stelle rückt der Adaptability Quotient (AQ), der die Fähigkeit misst, sich schnell auf neue Technologien und Veränderungen einzustellen.
Im Gegensatz zum IQ lässt sich diese Anpassungsfähigkeit trainieren, indem man alte Arbeitsmuster ablegt und sich bewusst neuen Herausforderungen stellt.
Big Think – Why your IQ no longer matters in the era of AI
Liz Tran – AQ / Agility Quotient
AQquiz – AQ Archetype Assessment
Künstliche Intelligenz übernimmt immer mehr kognitive Aufgaben, wodurch der klassische Intelligenzquotient beruflich an Wert verliert. In einem Artikel auf Big Think rückt die Autorin Liz Tran stattdessen den Adaptability Quotient als entscheidende neue Kernkompetenz in den Fokus. Kognitive Leistung verliert an Bedeutung Bislang galt ein hoher Intelligenzquotient als sicherer Indikator für eine erfolgreiche Karriere. Sprachmodelle verarbeiten heute jedoch riesige Datenmengen und übernehmen zunehmend komplexe Aufgaben, die starkes logisches Denken erfordern. Die reine intellektuelle Kapazität des Menschen verliert dadurch im Arbeitsalltag an Exklusivität. Genau an diesem Punkt gewinnt das Konzept des Adaptability Quotient (AQ) an Gewicht. Dieser Wert beschreibt, wie schnell und effektiv Personen auf unvorhergesehene Veränderungen reagieren können. Während der IQ vor allem das analytische Verständnis misst, konzentriert sich der AQ auf geistige Flexibilität und stetige Lernbereitschaft. Experten betonen, dass starres Fachwissen durch den rasanten technologischen Fortschritt heute schneller veraltet als je zuvor. Anzeige Lernbereitschaft schlägt Expertenwissen Ein hoher Anpassungsquotient bedeutet nicht nur, Neues zu lernen, sondern auch alte, ineffiziente Arbeitsmuster aktiv abzulegen. Wer sich zügig in frische Software-Umgebungen einarbeitet oder neue API-Strukturen versteht, sichert sich einen echten Vorteil. Wenn Algorithmen die Ausführung von Code oder die Textgenerierung übernehmen, wandelt sich die menschliche Aufgabe. Es geht nicht mehr um die Erstellung, sondern um die Kontrolle und die präzise Steuerung über den richtigen Prompt. Unternehmen richten ihren Blick bei der Personalsuche daher verstärkt auf diese mentale Beweglichkeit. Die Fähigkeit, nach einem gescheiterten Projekt zügig umzudenken, wiegt in der Praxis oft schwerer als ein perfekter Universitätsabschluss. Emotionen allein reichen nicht Lange Zeit galt die emotionale Intelligenz (EQ) als perfekte Ergänzung zum IQ. Empathie und Teamfähigkeit bleiben wertvoll, lösen aber keine technischen Anpassungsprobleme. Wer ein neues Open-Source-Modell in seinen Arbeitsablauf integrieren muss, benötigt dafür Resilienz gegenüber dem Unbekannten, keine bloße emotionale Kompetenz. Im Gegensatz zum Intelligenzquotienten, der ab dem frühen Erwachsenenalter relativ stabil bleibt, lässt sich die Anpassungsfähigkeit gezielt trainieren. Der Schlüssel liegt in der bewussten Konfrontation mit neuen Situationen. Wer regelmäßig gewohnte Prozesse hinterfragt und sich aktiv mit aktuellen Technologien auseinandersetzt, stärkt seinen AQ spürbar. Die kontinuierliche Bereitschaft zum Umlernen bestimmt letztlich darüber, ob Fachkräfte auch zukünftig auf dem Arbeitsmarkt bestehen.
KI-Agenten können zunehmend komplexe Aufgaben im Bereich der Wissensarbeit übernehmen. Sie entwickeln sich mehr und mehr zu einer Co-Intelligenz auf dem eigenen Rechner, die als Assistent Aufgaben selbstständig bearbeitet. Unser Webinar zeigt, was die neuen Werkzeuge heute leisten und wo ihre Grenzen liegen.
Der Artikel KI PRO Webinar | Wissensarbeit mit Claude Cowork, OpenAI Codex & Co. erschien zuerst auf The Decoder.
Anthropics Desktop-Assistent Cowork kann jetzt wiederkehrende Aufgaben automatisch zu festgelegten Zeiten erledigen.
Der Artikel Anthropics KI-Assistent Claude erledigt mit Cowork jetzt Aufgaben automatisch nach Zeitplan erschien zuerst auf The Decoder.
Laut Karpathy ist die Ära des manuellen Programmierens vorbei. KI-Agenten übernehmen komplexe Aufgaben in Minuten statt in Tagen. Noch im Herbst 2025 sah er das ganz anders, aber der Dezember 2025 habe alles geändert.
Der Artikel KI-Entwickler Andrej Karpathy: „Coding hat sich seit Dezember 2025 grundlegend verändert“ erschien zuerst auf The Decoder.
KI-Agenten heuern Menschen für echte Aufgaben an. Zumindest in der Theorie. In der Praxis ist alles nur Werbung, und bezahlt wurde auch nicht.
Der Artikel Selbstversuch scheitert: Reporter verdient bei Arbeit für KI-Bots keinen einzigen Cent erschien zuerst auf The Decoder.
KI-Agenten sollen künftig eigenständig im Web surfen, einkaufen und Aufgaben erledigen. Googles WebMCP will Websites dafür in eine standardisierte Datenquelle für KI-Agenten verwandeln. Für Webseitenbetreiber, die von menschlichen Besuchern leben, könnte das zum Problem werden.
Der Artikel Das Web als KI-Datenbank: Googles WebMCP soll Webseiten „Agent-ready“ machen erschien zuerst auf The Decoder.
GPT-Image-1.5
Kurzfassung
▾
Quellen
▾
OpenAI veröffentlicht GPT-5.3-Codex, einen 25 Prozent schnelleren Coding-Agenten, der sein eigenes Training rekursiv verbessert hat. In Benchmarks wie OSWorld-Verified verdoppelt das Modell fast die Leistung des Vorgängers bei der Steuerung von Betriebssystemen. Eine neue native Desktop-App für Windows und macOS ersetzt den Browser-Chat und ermöglicht lokale Tests und Fehlerkorrekturen. Das Modell bewältigt komplexe Aufgaben autonom und zeigt besonders bei langen Code-Kontexten eine hohe Stabilität.
OpenAI: Introducing GPT-5.3-Codex
OpenAI veröffentlicht mit GPT-5.3-Codex ein spezialisiertes KI-Modell, das die Softwareentwicklung durch autonome Agenten-Fähigkeiten auf ein neues Level hebt. Der Nachfolger arbeitet nicht nur 25 Prozent schneller, sondern optimierte seinen eigenen Code während der Trainingsphase bereits weitgehend selbstständig.
Twitter Beitrag – Cookies links unten aktivieren.
GPT-5.3-Codex is here! *Best coding performance (57% SWE-Bench Pro, 76% TerminalBench 2.0, 64% OSWorld).*Mid-task steerability and live updates during tasks.*Faster! Less than half the tokens of 5.2-Codex for same tasks, and >25% faster per token!*Good computer use.— Sam Altman (@sama) February 5, 2026 Geschwindigkeit und rekursive Verbesserung OpenAI verspricht mit der Version 5.3 einen deutlichen Leistungssprung in der Verarbeitung. Entwickler erhalten Ergebnisse und Lösungsvorschläge nun spürbar zügiger als bei den Vorgängermodellen der GPT-5-Reihe. Die Latenz bei der Code-Generierung wurde drastisch reduziert. Das ermöglicht flüssigere Arbeitsabläufe in Echtzeitumgebungen, wo Verzögerungen den „Flow“ beim Programmieren bisher oft störten. Das technisch bemerkenswerteste Detail der Ankündigung betrifft jedoch den Trainingsprozess. GPT-5.3-Codex hat signifikante Teile seiner eigenen Architektur und Trainingsdaten validiert und mitentwickelt. Diese rekursive Verbesserung führt zu einer messbar höheren Code-Qualität. Das System erkennt logische Fehler in komplexen Strukturen früher und präziser, da es aus synthetischen Daten früherer Iterationen gelernt hat. Anzeige Massive Sprünge in den Benchmarks Ein Blick auf die technischen Daten bestätigt den qualitativen Sprung gegenüber GPT-5.2-Codex. Im anspruchsvollen OSWorld-Verified-Benchmark, der die Interaktion mit Betriebssystemen misst, erreicht das neue Modell eine Genauigkeit von 64,7 Prozent. Zum Vergleich: Der direkte Vorgänger GPT-5.2-Codex lag hier lediglich bei 38,2 Prozent. Das Standardmodell GPT-5.2 kam sogar nur auf 37,9 Prozent, was eine fast verdoppelte Leistung bei der Systemsteuerung bedeutet. Auch in der Arbeit mit der Kommandozeile zeigt sich die neue Stärke. Im Terminal-Bench 2.0 dominiert die Version 5.3 mit 77,3 Prozent klar das Feld, während der Vorgänger bei 64,0 Prozent stagnierte. + + Quelle: OpenAI Stabilität bei komplexen Aufgaben Besonders relevant für den Praxisalltag großer Software-Projekte ist die Performance im SWE-Bench Pro. Die Daten zeigen, dass das Modell auch bei extrem langen Ausgaben und Kontexten stabil bleibt und nicht halluziniert. Es verliert den Faden bei komplexen Refactoring-Aufgaben über tausende Zeilen Code nicht. Das unterscheidet reine Text-Generatoren von echten Agenten-Systemen, die Aufgaben autonom zu Ende führen. GPT-5.3-Codex löst Tickets und Issues in Repositories mit einer Zuverlässigkeit, die bisher menschliches Eingreifen bei jedem Zwischenschritt erforderte. Die Kurve der Erfolgsrate steigt im Verhältnis zu den Output-Tokens deutlich steiler an als bei GPT-5.2. + Quelle: OpenAI Native Desktop-App statt Browser-Chat Neben dem Modell rollt OpenAI eine dedizierte Codex-Anwendung für macOS und Windows aus. Diese integriert sich tiefer in die bestehende Entwicklungsumgebung als bisherige Web-Interfaces. Entwickler müssen nicht mehr ständig zwischen Browser und IDE wechseln. Der Agent liest den Kontext bei Bedarf direkt aus dem Terminal oder dem Editor und schlägt Änderungen im Dateisystem vor. Die App fungiert als Schnittstelle für den Agenten. Sie erlaubt dem Modell, lokale Tests auszuführen und Fehler selbstständig zu korrigieren, bevor der Entwickler den Code sichtet. Anzeige Vom Assistenten zum Mitarbeiter Die Grenzen zwischen reiner Assistenz und autonomer Entwicklung verschwimmen mit diesem Release weiter. Agenten übernehmen mit GPT-5.3-Codex zunehmend die Rolle von Junior-Entwicklern, die ganze Aufgabenpakete abarbeiten. Teams können sich so stärker auf Architektur, Logik und Design konzentrieren. Die reine Schreibarbeit und das Debugging erledigt die KI effizienter und vor allem schneller.