Fluide Intelligenz

Was genau ist Intelligenz? Und wie lässt sie sich messen? Letzte Woche erschien ARC-AGI-3, ein neuer Benchmark, an dem sich die leistungsfähigsten KI-Modelle der Welt messen lassen. Das aktuelle Ergebnis ist eindeutig: Menschen lösen die Aufgaben mit sehr hoher Zuverlässigkeit. Die besten Modelle erreichen bisher weniger als 1 Prozent. Doch woran liegt das? Und was misst dieser Test, was andere Tests nicht messen?

ARC-AGI-3 ist die dritte Generation eines Intelligenz-Tests, den François Chollet entwickelt hat, einer der einflussreichsten KI-Forscher seiner Generation. Auf die Lösung sind mehr als zwei Millionen Dollar Preisgeld ausgesetzt.

ARC-AGI-3 funktioniert grundlegend anders als klassische Tests. Es gibt keine Fragen, die Faktenwissen abfragen, und keine klaren Anweisungen. Stattdessen landet man in einer unbekannten Umgebung, die an ein Videospiel erinnert, und muss selbst herausfinden, welche Regeln gelten, was das Ziel ist und wie man es erreicht. ARC-AGI-3 misst nicht, was ein System weiß, sondern wie es mit etwas umgeht, das es noch nie gesehen hat.

Im menschlichen Alltag zeigt sich diese Fähigkeit ständig: sich in einer neuen Stadt zu orientieren oder ein Spiel zu spielen, dessen Regeln man erst verstehen muss.

KI-Agenten agieren zunehmend in realen, ihnen unvertrauten Umgebungen. Unsere Infrastruktur ist auf menschliches Urteilsvermögen und implizite Regeln ausgelegt. Maschinen müssen sich darin orientieren können, ohne Fehler zu produzieren, die sich entlang der Prozesskette verstärken. In hypervernetzten Systemen bleiben falsche Annahmen selten isoliert. Sie werden weiterverarbeitet, bauen aufeinander auf und erzeugen kaskadierende Fehlerketten. Besonders dann, wenn Modelle auf Situationen treffen, die außerhalb ihres Trainingsraums liegen.

Genau hier zeigt sich, was die Forschung als fluide Intelligenz beschreibt: die Fähigkeit, sich in neuen Situationen zurechtzufinden, Regeln zu erschließen und handlungsfähig zu bleiben.

Um zu verstehen, warum diese Fähigkeit so entscheidend ist, lohnt sich ein Blick in die Geschichte der Intelligenzforschung.

Der britische Psychologe Raymond Cattell unterschied in den 1960er Jahren zwei Formen von Intelligenz: kristallisierte Intelligenz, die Fähigkeit, erworbenes Wissen abzurufen und anzuwenden. Und fluide Intelligenz, die Fähigkeit, in unbekannten Situationen eigenständig Regeln und Zusammenhänge zu erschließen.

Die meisten KI-Tests messen die erste Kategorie. ARC-AGI-3 zielt auf die zweite. Wenn Systeme primär auf das Abrufen und Kombinieren von Bekanntem optimiert werden, entwickeln sie keine robuste Fähigkeit, mit Unbekanntem umzugehen.

Das erklärt ein Phänomen, das Forscher als „jagged intelligence“ bezeichnen. Systeme, die komplexe Prüfungen bestehen und gleichzeitig an Aufgaben scheitern, die einem Menschen trivial erscheinen. Das Muster kennt man auch bei Menschen. KI-Systeme zeigen es extremer.

Diese Unterscheidung spiegelt sich in der Geschichte der KI-Benchmarks wider. Die Idee, maschinelle Intelligenz zu messen, geht auf Alan Turing zurück. In seinem Paper ‘Computing Machinery and Intelligence’ ersetzte er die Frage ‘Kann eine Maschine denken?’ durch einen Test: Ein Mensch kommuniziert per Text mit einem Gegenüber und muss entscheiden, ob es ein Mensch oder eine Maschine ist. Kann er das nicht, gilt die Maschine als intelligent. Als Messinstrument war der Test von Anfang an umstritten, weil er nicht zwischen echter Intelligenz und überzeugender Imitation unterscheiden kann.

Erst als KI praktisch relevant wurde, brauchte man präzisere Verfahren.

Der moderne Benchmark-Boom beginnt mit ImageNet an der Stanford University. Ein Datensatz mit Millionen gelabelter Bilder und einem klar definierten Ziel: erkennen, was zu sehen ist. 2012 gewinnt ein neuronales Netz deutlich und löst die Deep-Learning-Revolution aus. Maschinen lernen zu sehen.

Wenige Jahre später folgt Sprache. GLUE (General Language Understanding Evaluation), später SuperGLUE. Mehrere Sprachaufgaben, zusammengefasst in einer einzigen Kennzahl. Innerhalb kurzer Zeit übertreffen Modelle das menschliche Vergleichsniveau.

Das Muster etabliert sich: Ein Test erscheint. Modelle scheitern. Modelle verbessern sich. Der Test wird nutzlos.

MMLU (Massive Multitask Language Understanding) wird 2020 entwickelt: ein breit angelegter Wissenstest mit 15.908 Fragen aus 57 Disziplinen. Anfangs zeigt er einen klaren Abstand zwischen Modellen und Experten. Heute ist er weitgehend gesättigt.

Humanity’s Last Exam erhöht die Schwierigkeit. Der in Nature beschriebene Benchmark umfasst 2.500 Fragen und wurde gemeinsam vom Center for AI Safety und Scale AI entwickelt; fast 1.000 Fachleute aus über 500 Institutionen in 50 Ländern haben beigetragen. Die Modelle verbessern sich schnell, aber es bleibt ein Wissenstest.

SWE-bench misst, ob Modelle echte Software-Bugs aus realen Projekten lösen können. Die besten erreichen über 80 Prozent. Die Forscher erkannten, dass die Modelle einen Teil der Lösungen bereits aus ihren Trainingsdaten kannten. Auf einem sauberen Test sank die Leistung unter die Hälfte. Was wie Problemlösung aussieht, ist oft Wiedererkennung.

METR, ein Forschungsinstitut aus Berkeley, misst etwas anderes: Wie lange kann ein KI-Agent eigenständig an einer Aufgabe arbeiten? Ihr Ergebnis: Diese Dauer verdoppelt sich alle paar Monate. Seit sechs Jahren, exponentiell. Der dazugehörige Graph ist zum meistdiskutierten Diagramm der KI-Forschung geworden.

Und dann gibt es die Erdős-Probleme. Paul Erdős war einer der produktivsten Mathematiker des 20. Jahrhunderts. Als er 1996 starb, hinterließ er Hunderte offene Vermutungen, verstreut über Jahrzehnte hinweg in Publikationen. Die Website erdosproblems.com sammelt sie. Aktuell sind es 1183 Stück. Seit Ende 2025 dokumentiert Fields-Medaillist Terence Tao, wie KI-Modelle bei einer wachsenden Zahl dieser Probleme nützlich waren. Der Großteil ist beschleunigte Synthese: bestehende Theoreme, neu kombiniert. In mindestens zwei Fällen hat jedoch ein Modell eigenständig einen originalen Beweis konstruiert.

Das Muster bleibt konstant: Solange Systeme auf vorhandenes Wissen oder dessen Kombination zurückgreifen können, funktionieren sie gut. Genau dort enden die bisherigen Tests und beginnt ARC-AGI-3.

Was ist Intelligenz? Nach Jahrzehnten der Forschung und einem halben Dutzend saturierter Testverfahren kommen wir der Antwort näher, indem wir sehen, was sie nicht ist. Sie ist nicht Wissen, Mustererkennung oder Synthese allein. Sie ist möglicherweise das, was übrig bleibt, wenn all das nicht mehr reicht. Der ARC Prize läuft bis Dezember 2026. Bislang hat kein Test lange gehalten.

Quellen: ARC Prize Foundation, „Announcing ARC-AGI-3", arcprize.org, 25. März 2026; Turing, A., „Computing Machinery and Intelligence", Mind, 1950; Krizhevsky et al., „ImageNet Classification with Deep Convolutional Neural Networks", 2012; Wang et al., „SuperGLUE: A Stickier Benchmark", 2019; Hendrycks et al., „Measuring Massive Multitask Language Understanding", 2020; Northcutt et al., „Pervasive Label Errors in Test Sets Destabilize Machine Learning Benchmarks", 2024; Phan et al., „A benchmark of expert-level academic questions to assess AI capabilities", Nature Vol. 649, Januar 2026; HLE Leaderboard, llm-stats.com, Stand April 2026; SWE-bench Verified Leaderboard, swebench.com, März 2026; OpenAI Kontaminierungsaudit via marc0.dev, März 2026; METR, metr.org/about; METR, „Time Horizon 1.1", Januar 2026; MIT Technology Review, „This is the most misunderstood graph in AI", Februar 2026; Scientific American, „AI uncovers solutions to Erdős problems", Februar 2026; Tao, AI Contributions Wiki; Chollet, „On the Measure of Intelligence", 2019; ARC Prize Foundation, arcprize.org/arc-agi/1; ARC Prize Foundation, arcprize.org/arc-agi/3; Winbuzzer, „ARC-AGI-3 Offers $2M for AI Matching Human Reasoning", März 2026; Revolution in AI, „ARC-AGI-3 Launched", März 2026

Anthropic gilt als das sicherheitsbewussteste der großen KI-Labore. Umso bemerkenswerter ist, was letzte Woche passiert ist: Große Teile des Quellcodes ihres wichtigsten Produkts, Claude Code, wurden öffentlich zugänglich. Nicht durch einen Hack, sondern durch einen Konfigurationsfehler bei der Softwareauslieferung. Über 500.000 Zeilen Code waren kurzfristig im Internet verfügbar, und innerhalb von zwei Tagen fanden sich Tausende von Kopien auf der Entwicklerplattform GitHub.

Es war nicht der erste Vorfall dieser Art. Bereits im Februar 2025 hatte ein ähnlicher Fehler zu einem Leak geführt. Und nur wenige Tage vor dem aktuellen Ereignis wurden aufgrund einer separaten Panne rund 3.000 interne Dokumente öffentlich, darunter Entwürfe zu einem bislang nicht angekündigten KI-Modell mit dem Codenamen „Mythos“. Zwei Leaks innerhalb weniger Tage, ausgerechnet bei einem Unternehmen, das Sicherheit zu seinem Markenkern erklärt hat.

Claude Code ist Anthropic’s Werkzeug für KI-gestütztes Programmieren und eines der am schnellsten wachsenden Produkte auf dem Markt. Entwickler formulieren Aufgaben in normaler Sprache, und das System schreibt, testet und verbessert den Code selbstständig. Man kann es sich als hochqualifizierten technischen Assistenten vorstellen, der nicht nur einzelne Befehle ausführt, sondern auch komplette Arbeitsabläufe übernimmt.

Interessant ist dabei weniger der Leak selbst als das, was er sichtbar macht.

Der veröffentlichte Code zeigt, dass der Wettbewerbsvorteil nicht allein im Sprachmodell liegt, sondern in erheblichem Maße in der darüberliegenden Schicht. Also in der Art, wie das Modell gesteuert, mit Werkzeugen verbunden und in Prozesse eingebettet wird.

In der Entwicklung spricht man hier von Orchestrierung. Gemeint ist damit das System, das Aufgaben zerlegt, priorisiert und koordiniert. In Claude Code übernimmt diese Rolle ein sogenannter Harness, eine Art Steuerzentrale, die das Modell mit verschiedenen Werkzeugen, Datenquellen und Teilaufgaben verbindet. Dazu gehören Mechanismen, die steuern, wie viel Kontext das Modell gleichzeitig verarbeiten kann, ebenso wie Strukturen, die es ermöglichen, mehrere Teilaufgaben parallel zu bearbeiten.

Konkret heißt das: Statt ein einzelnes Modell eine komplexe Aufgabe Schritt für Schritt lösen zu lassen, wird die Arbeit auf mehrere spezialisierte Teilprozesse verteilt. Diese können gleichzeitig laufen und ihre Ergebnisse wieder zusammenführen. Dadurch entsteht ein System, das deutlich leistungsfähiger ist als das zugrunde liegende Modell allein.

Das Modell bleibt der Kern und ist nach wie vor schwer zu kopieren. Aber erst durch diese Systemarchitektur wird ein Großteil seiner tatsächlichen Leistungsfähigkeit genutzt. Der Leak macht damit etwas sichtbar, das in der öffentlichen Diskussion oft unterschätzt wird: Ein erheblicher Teil der wahrgenommenen Leistungsfähigkeit entsteht nicht allein im Modell, sondern im Zusammenspiel von Modell, Werkzeugen und Prozessdesign.

Für Unternehmen, die KI in ihre Abläufe integrieren, gilt dasselbe: Die Wahl des Modells bleibt relevant, aber der entscheidende Hebel liegt in der Qualität der Prozesse und Organisationsstrukturen, die dieses Modell steuern, erweitern und skalieren.

Die Reaktion auf den Leak zeigt, wie schnell sich solche Systeme verbreiten. Bereits kurz nach der Veröffentlichung tauchten erste Neuimplementierungen auf, unter anderem in Python, einer der weltweit am häufigsten verwendeten Programmiersprachen. Entwickler konnten nachvollziehen, wie das System funktioniert, und begannen, zentrale Teile eigenständig nachzubauen.

Juristisch ist das ein relevanter Unterschied. Während das direkte Kopieren von Code problematisch ist, sind unabhängige Neuimplementierungen in vielen Fällen zulässig. Das bedeutet, dass nicht der konkrete Code weiterverwendet wird, wohl aber die zugrunde liegenden Ideen und Designentscheidungen. Diese verbreiten sich damit deutlich schneller als je zuvor klassische Software.

Anthropic reagierte zunächst mit sogenannten DMCA-Löschanfragen an GitHub, einem Verfahren, mit dem urheberrechtlich geschützte Inhalte entfernt werden können. Rund 8.100 Repositorys wurden zeitweise blockiert, darunter auch Projekte, die lediglich auf offiziellen Versionen basierten oder gar nichts mit dem Leak zu tun hatten. Nach Kritik wurde ein Großteil dieser Maßnahmen zurückgenommen.

Besonders interessant wird die Situation im Bereich des Urheberrechts. Der Leiter von Claude Code, Boris Cherny, erklärte öffentlich, dass ein Großteil seiner eigenen Beiträge von Claude selbst geschrieben worden sei. Schätzungen zufolge sind rund 90 Prozent der Codebasis KI-generiert. Nach US-Recht setzt das Urheberrecht jedoch menschliche Autorschaft voraus. Anthropic hat also versucht, Code schützen zu lassen, der rechtlich möglicherweise gar nicht geschützt ist.

Für Anthropic selbst ist der unmittelbare Schaden vermutlich begrenzt. Der veröffentlichte Code ist nur eine Momentaufnahme eines Systems, das sich kontinuierlich weiterentwickelt. Was geleakt wurde, ist bereits überholt. Wettbewerber können daraus lernen, aber sie können das Produkt nicht einfach kopieren, weil der eigentliche Kern, das trainierte Modell, weiterhin geschützt und extrem aufwendig zu reproduzieren ist.

Wichtiger ist die strukturelle Erkenntnis. Wenn sich ein komplexes System mit über einer halben Million Zeilen Code innerhalb weniger Tage vervielfältigt, angepasst und als neue Projekte weitergeführt wird, verliert geistiges Eigentum an Software an Stabilität.

Der Schutz liegt nicht mehr im Code selbst, sondern in der Geschwindigkeit, mit der Systeme weiterentwickelt werden, und in der Fähigkeit, sie sinnvoll in reale Prozesse zu integrieren.

Der Leak macht neben dem Sicherheitsproblem auch eine Verschiebung sichtbar: Wettbewerb entsteht nicht mehr nur im Modell, sondern auch im System darum herum.

Quellen: VentureBeat, „Claude Code's source code appears to have leaked", 31. März 2026; Fortune, „Anthropic leaks its own AI coding tool's source code in second major security breach", 31. März 2026; Fortune, „Exclusive: Anthropic 'Mythos' AI model revealed in data leak", 26. März 2026; TechCrunch, „Anthropic took down thousands of GitHub repos trying to yank its leaked source code", 1. April 2026; Fortune, „Top engineers at Anthropic, OpenAI say AI now writes 100% of their code", 29. Januar 2026; NPR, „Anthropic to pay authors $1.5 billion in settlement over chatbot training material", 5. September 2025

Cursor wird zur Agenten-Zentrale. Cursor hat sein Produkt komplett neu geschrieben. Version 3 ist keine Entwicklungsumgebung mehr, sondern eine Orchestrierungsplattform: Nutzer können beliebig viele KI-Agenten gleichzeitig starten, lokal oder in der Cloud, und deren Arbeit in einem neuen Interface koordinieren. Parallel verdoppelt das Unternehmen die Nutzungslimits für sein eigenes Coding-Modell Composer 2, das alle fünf Stunden neue Versionen trainiert. Der Schritt zeigt, wohin sich Coding-Werkzeuge entwickeln: weg vom Editor, hin zum Kontrollraum.

Google gibt sein stärkstes offenes Modell frei. Gemma 4 erscheint unter Apache-2.0-Lizenz in vier Größen, vom Zwei-Milliarden-Parameter-Modell für Smartphones bis zum 31-Milliarden-Modell für lokale Server. Google nennt sie die besten offenen Modelle der Welt. Für Unternehmen, die KI auf eigener Hardware betreiben wollen, ohne API-Kosten oder Datenabfluss, ist das ein konkreter Hebel.

Wenn der Assistent zu gut wird, hört der Mensch auf zu lernen. Wirtschaftsnobelpreisträger Daron Acemoglu zeigt in einem neuen Paper, dass KI-Assistenten ab einer bestimmten Genauigkeit den Anreiz, selbst nachzudenken, zerstören. Das Problem: Eigenes Nachdenken erzeugt als Nebenprodukt Allgemeinwissen, das der ganzen Gesellschaft zugutekommt. Fällt dieser Anreiz weg, kann das System in einen stabilen Zustand kippen, in dem kollektives Wissen trotz guter individueller Empfehlungen dauerhaft verschwindet.

OpenAI schließt die größte Finanzierungsrunde der Tech-Geschichte ab. 122 Milliarden Dollar bei einer Bewertung von 852 Milliarden Dollar. OpenAI kündigt gleichzeitig eine Superapp an, die ChatGPT, Codex und Browsing zusammenführt. Die Finanzierung allein ist größer als die meisten Börsengänge.

Eine Person, eine Milliarde. Ein einzelner Entwickler hat offenbar mit Replit in zwei Monaten und 20.000 Dollar Startkapital ein Unternehmen auf eine Bewertung von 1,8 Milliarden Dollar gebracht, ohne Investoren, ohne Team. Amjad Masads Post dazu hat über eine Million Views. Sam Altman’s Vorhersage, dass eine Einzelperson eine Milliardenfirma per Vibe Coding bauen könnte, hat sich schneller als erwartet bewahrheitet.

Alibaba rückt mit Qwen 3.6-Plus an die Frontier heran. Bei einem Zehntel der API-Kosten liegt Qwen erstmals innerhalb von zwei Punkten zu Claude Opus auf den wichtigsten Coding-Benchmarks. GPT-5.4 fehlt allerdings in Alibabas Vergleichsgrafik.

Quellen: Cursor, „Introducing Cursor 3", cursor.com/blog, 2. April 2026; Cursor, „Composer 2 Technical Report", cursor.com/resources, März 2026; Google DeepMind, „Meet Gemma 4", blog.google, 2. April 2026; Demis Hassabis, Post auf X, 2. April 2026; OpenAI, „$122 billion in committed capital", Post auf X, 31. März 2026; Amjad Masad, Post auf X, 2. April 2026; New York Times, „Sam Altman predicted a one-person billion-dollar company", April 2026; Alibaba, „Qwen3.6-Plus: Advanced Agentic AI Deployment", 2. April 2026; Caixin Global, „Alibaba Releases Qwen 3.6-Plus AI Model With Enhanced Coding Capabilities", 2. April 2026; Acemoglu, D., Kong, D. und Ozdaglar, A., „AI, Human Cognition and Knowledge Collapse", NBER Working Paper 34910, Februar 2026

Nächste Ausgabe: Samstag, 11.04.2026

Über diesen Newsletter: Dieser Newsletter basiert auf meiner eigenen Recherche, Lektüre und Einordnung. KI unterstützt mich bei der Strukturierung, dem Entwurf und der Dokumentation. Themenauswahl, Bewertung, Texte und die finale Redaktion liegen bei mir.