Künstliche allgemeine Intelligenz (AGI) ist eine KI, die nahezu jede intellektuelle Aufgabe bewältigen kann, die auch ein Mensch bewältigen kann – selbst solche, für die sie nie trainiert wurde. Das ist wichtig, denn wer glaubwürdig behauptet, AGI zu besitzen, kann die Regeln für Arbeit, Geld und Sicherheit neu definieren. Und die ehrliche Antwort auf die Frage “Wie nah sind wir diesem Ziel?” hängt ganz davon ab, welchen Standpunkt man einnimmt.
Wichtigste Erkenntnisse
- Für künstliche allgemeine Intelligenz gibt es keine einheitliche Definition, daher setzt jedes Ankunftsdatum stillschweigend einen bestimmten Test voraus.
- Sprachmodelle wirken aufgrund intensiven Trainings breit gefächert, ihre Gewichtung bleibt jedoch in der Regel unverändert, sobald das Training beendet ist.
- Bei ARC-AGI-3 mit maximaler Denkfähigkeit erzielte GPT-6.2 Astra 70,3 % im Standard-Harness und 99,8 % im Zustand anhaltender Denkfähigkeit.
- Befragte KI-Forscher gehen davon aus, dass Maschinen Menschen bei bestimmten Aufgaben Jahrzehnte früher übertreffen werden, als sie jeden Beruf automatisieren können.
- Durch die Integration von Speicher in Modelle werden reale Lücken geschlossen, wodurch die Grenze zwischen Modell und System verwischt wird.
Was ist künstliche allgemeine Intelligenz und wie nah sind wir ihr?
Künstliche allgemeine Intelligenz (AGI) ist die lang ersehnte KI, die nicht für jede neue Aufgabe ein neues Produktteam benötigt. Heutige Chatbots schreiben Code, entwerfen Verträge und erklären Steuerrecht – was schon recht allgemein klingt.
Nicht ganz.
Hier liegt der entscheidende Unterschied, der in den meisten Darstellungen außer Acht gelassen wird: Viel zu wissen ist nicht dasselbe wie etwas zu lernen. Ein Modell, das mit den meisten öffentlichen Internetquellen trainiert wurde, liefert ein breites Wissen, ähnlich wie eine Enzyklopädie. Allgemeine Intelligenz hingegen ist die Fähigkeit, sich mit etwas auseinanderzusetzen, für das keine Trainingsdaten vorliegen, es zu ergründen und das Gelernte zu behalten.
Die Breite ist das, was ein Modell in die Diskussion einbringt. Die Allgemeingültigkeit ist das, was es am Ende beibehält.
Wie nah sind wir also dran? Näher als die Skeptiker von 2023 erwartet hatten, weiter als die Keynotes der Markteinführung vermuten ließen, und die größte verbleibende Lücke liegt an einem überraschend unscheinbaren Ort: dem Gedächtnis. Jede Schlagzeile zu AGI ist im Grunde eine Behauptung über einen bestimmten Test, und zu wissen, welcher Test gemeint ist, entscheidet darüber, ob man die Augen verschließt oder genauer hinsieht.
Warum fühlt sich die heutige KI allgemein an, obwohl sie es nicht ist?
Die Antwort liegt in der Art und Weise, wie große Sprachmodelle erstellt werden. Sie werden einmalig mit einer enormen Menge an Text trainiert, anschließend werden ihre Gewichte (die Milliarden interner Zahlen, die speichern, was das Modell gelernt hat) eingefroren. Jegliches Lernen, das danach stattfindet, geschieht innerhalb der Konversation und geht mit dem Ende der Sitzung verloren, sofern es nicht von einem externen System gespeichert wird.
Deshalb veränderte ChatGPT die öffentliche Wahrnehmung auf eine Weise, wie es früheren KI-Systemen nie gelungen war. Deep Blue spielte Schach und AlphaGo spielte Go, aber ChatGPT unterhielt sich über alles Mögliche, und von außen betrachtet wirkte diese Bandbreite genau wie Allgemeingültigkeit.
Schaut man hinein, wird das Profil uneben. Eine Definition von AGI, Ein von einer Gruppe um Dan Hendrycks mit Yoshua Bengio und Gary Marcus entwickeltes Rahmenwerk bewertete Modelle anhand kognitiver Testbatterien, die Psychologen bei Menschen einsetzen. GPT-4 erreichte 27 % und GPT-5 57 %. Die Autoren bezeichneten das Profil als “uneinheitlich”: Es zeichnete sich durch ein hohes Wissensniveau, aber erhebliche Defizite im Langzeitgedächtnis aus.
Stellen Sie sich einen brillanten Berater mit Gedächtnisverlust vor: Im Meeting brilliert er, am nächsten Morgen ist er wieder ein Fremder. Enorm nützlich, aber noch nicht allgemein anwendbar. Für Sie bedeutet das: Was ein Chatbot weiß, ist beeindruckend, während seine Erinnerungen an die Zusammenarbeit mit Ihnen vom verwendeten Produkt abhängen.
Wenn Sie wissen möchten, wie ein Modell Ihre Eingabe in eine Antwort umwandelt, finden Sie unsere Erklärung dazu hier: wie KI Entscheidungen trifft geht hindurch.
Die drei Ziellinien der künstlichen allgemeinen Intelligenz
Niemand einigt sich auf ein Datum, unter anderem weil jeder unterschiedliche Ziele verfolgt. Wir unterteilen die wichtigsten Definitionen in drei Kategorien und nennen sie die drei Ziellinien: Wissen, Lernen und Arbeiten.
Die Kennlinie fragt, ob KI in zehn kognitiven Bereichen mit einem gut ausgebildeten Erwachsenen mithalten kann – das ist der Hendryck-Standard. Die Lernlinie fragt, ob sie neue Fähigkeiten genauso effizient erlernen kann wie ein Mensch – genau wie Der ARC-Preis definiert AGI. Die Zeile „Arbeit“ ist die kommerzielle Zeile, die in die Tabelle eingetragen ist. OpenAI- Charta als “hochautonome Systeme, die den Menschen bei den wirtschaftlich wertvollsten Arbeiten übertreffen”.”
| Ziellinie | Wer zeichnet es? | Was es testet | Wo steht die KI im November 2026? |
|---|---|---|---|
| Wissen | Hendrycks und Mitautoren | Breite über zehn kognitive Bereiche hinweg | Stark im Fachwissen, schwächstes Langzeitgedächtnis |
| Lernen | ARC-Preis | Neue Fähigkeiten so effizient erwerben wie Menschen | ARC-AGI-3 wurde nur mit Speichertools des Anbieters gelöscht. |
| Arbeiten | OpenAI- Charta | Menschen bei den wirtschaftlich wertvollsten Arbeiten schlagen | Experten erwarten die vollständige Automatisierung von Arbeitsplätzen erst Jahrzehnte nach der Aufgabenparität. |
Die Linien sind nicht hierarchisch geordnet, und das Überschreiten einer Linie zieht die anderen nicht mit sich. Forscher von Google DeepMind, darunter Mitbegründer Shane Legg, haben diesen Ansatz weiterentwickelt, indem sie verschiedene Stufen der künstlichen Intelligenz (AGI) anstelle eines einzelnen Ja/Nein-Moments vorgeschlagen haben.
Wenn ein CEO das nächste Mal behauptet, AGI sei erst in zwei Jahren verfügbar, fragen Sie nach, welche Branche gemeint ist. Die Antwort verrät Ihnen in der Regel mehr über das Geschäftsmodell als über die Technologie selbst.
Wie nahe ist KI derzeit an einer künstlichen allgemeinen Intelligenz?
Die Lernfunktion war früher eher für den akademischen Bereich gedacht, für Tests, die man ignorieren konnte, während Chatbots immer besser in Prüfungen wurden. Das änderte sich, als KI-Agenten begannen, selbstständig mehrstufige Aufgaben zu erledigen, denn ein Agent, der nicht im Arbeitsalltag lernen kann, muss in jeder neuen Situation angeleitet werden.
ARC-AGI-3, Starttermin: März 2026, setzt KI-Agenten in kleine Spielwelten ohne Anweisungen, Regeln oder vorgegebenes Ziel ein, und Menschen können jede einzelne davon lösen. Am 17. November, GPT-6.2 Astras verifizierte Ergebnisse zeigte, dass das Modell von OpenAI bei maximaler Argumentation im Standard-Harness von ARC (der Software-Wrapper, der ein Modell mit dem Test verbindet), wo das Modell entscheidet, welche Notizen übernommen werden, 70,3 % erreichte und im Provider-Adapter-Harness, der seinen verborgenen Argumentationszustand zwischen den Schritten beibehält, 99,8 % erreichte.
Gleiches Modell, gleiche Spiele, gleiche Denkumgebung. Der Unterschied zwischen 70 % und nahezu 100 % lag im Gedächtnis.
Als der Vorgänger GPT-6 Astra im September nahezu perfekte Ergebnisse erzielte, stellte der ARC Prize klar, dass er “nicht behauptet, es handele sich um eine allgemeine künstliche Intelligenz (AGI)” und wies darauf hin, dass seine Spiele im Gegensatz zur komplexen realen Welt geschlossene, deterministische Regeln verwenden. Wir halten diese Einschätzung für richtig und sehen darin den ehrlichsten Fortschrittsbericht auf diesem Gebiet: KI kann nun innerhalb einer einzigen Sitzung eine neue Welt erlernen, und die offene Frage ist das kontinuierliche Lernen (Fähigkeiten, die auch nach Sitzungsende erhalten bleiben und sich weiterentwickeln).
Für Sie wird das zu einem konkreten Test. Beobachten Sie, ob Ihre KI-Tools Ihre spezifische Aufgabe mit der Zeit immer besser bewältigen, ohne dass sie dafür neu trainiert werden müssen.
Warum sich Experten nicht auf ein Datum für das bereinigte Bruttoeinkommen einigen können
Fragt man nach dem Zeitpunkt der Einführung von AGI, hängt die Antwort davon ab, welche Prognoselinie der Prognostiker beobachtet. Deshalb reichen ernsthafte Zeitprognosen von wenigen Jahren bis ins nächste Jahrhundert.
Der eindeutigste Beweis stammt aus einer einzigen Studie. In der Umfrage zu den Auswirkungen von KI Von 2.778 publizierten KI-Forschern gaben die Befragten an, dass die Chancen, dass Maschinen bis 2047 bei jeder möglichen Aufgabe besser abschneiden als Menschen, gleich hoch seien, aber dass die Chancen, dass jeder menschliche Beruf vollständig automatisierbar sein wird, erst bis 2116 gleich hoch seien.
Dieselbe Expertengruppe, dieselbe Umfrage, eine 69-jährige Lücke zwischen dem Erledigen von Aufgaben und dem Erledigen von Aufgaben.
Geschäftsdefinitionen sind noch schwieriger zu fassen. Im Oktober 2025 vereinbarten OpenAI und Microsoft, dass ein unabhängiges Expertengremium würde jede AGI-Erklärung überprüfen, und zwar bis April 2026 Microsofts Ankündigung Laut einer geänderten Vereinbarung werden die Umsatzbeteiligungszahlungen bis 2030 “unabhängig vom technologischen Fortschritt von OpenAI ” fortgesetzt. Ein AGI-Datum ist also nichts anderes als eine Definition im Gewand eines Kalenders.
Es ist hilfreich, jede Prognose bis zu ihrem Endergebnis zu übersetzen, bevor man entscheidet, wie besorgt oder aufgeregt man sein soll.
Spielt es eine Rolle, ob KI tatsächlich lernt, wenn sie die Arbeit erledigt?
Der stärkste Einwand gegen all das oben Genannte ist ganz einfach: Wenn ein System den Code schreibt, die Tickets schließt und den Bericht erstellt, wen kümmert es dann, ob es “wirklich” lernt? Das ist im Wesentlichen die Kernfrage, und sie ist durchaus berechtigt.
Wir geben zu, dass es insofern zutrifft, als dass für einen Freelancer, der Rechnungen automatisiert, oder ein Unternehmen, das Codierungsagenten einsetzt, ein Gerüst, das einem Modell Speicher hinzufügt, genauso gut ist wie Speicher innerhalb des Modells, und die ARC-Ergebnisse zeigen, dass solche Gerüste tatsächliche Lücken schließen.
Das Problem liegt im unvorhergesehenen Teil der Arbeit, und der macht den größten Teil davon aus. Der Kunde, der seine Meinung ändert, der Prozess, der sich letzten Dienstag geändert hat, die ungeschriebene Regel, die jeder kennt: Ein System, das solche Erfahrungen nicht integrieren kann, bleibt eher eine kurzfristige Aushilfe als ein fester Bestandteil des Teams.
Die physische Welt stellt eine weitere Prüfung dar, die keine der drei Linien vollständig abdeckt. Unternehmen für humanoide Roboter Der Einsatz von Maschinen in Fabrikhallen ermöglicht nun eine sinnvolle Überprüfung der AGI-Angaben, die aus einem Chatfenster heraus gemacht wurden.
Jargon-Übersetzer
Gewichte: Die Milliarden von Zahlen in einem Modell speichern alles, was es während des Trainings gelernt hat. Bei den meisten Produkten sind diese Zahlen nach der Markteinführung eingefroren, weshalb Chatbots durch Gespräche mit Nutzern nicht intelligenter werden.
Geschirr: Die Software-Schnittstelle verbindet ein Modell mit einer Aufgabe und legt fest, was das Modell sieht, welche Werkzeuge es verwendet und was es sich merken kann. Gleiches Modell, andere Schnittstelle, ganz unterschiedliche Ergebnisse.
Unschärfe der Intelligenz: Ein Leistungsprofil mit extremen Höhen und plötzlichen Einbrüchen, vergleichbar mit einer Bestnote in einer Jura-Prüfung und dem völligen Vergessen des gestrigen Gesprächs. Deshalb sind einzelne Benchmark-Ergebnisse so zuverlässig irreführend.
Kontinuierliches Lernen: Die Fähigkeit, auch nach Abschluss der Ausbildung weiterhin Kompetenzen zu erwerben, indem die erlernten Fähigkeiten nachhaltig gefördert und aufeinander aufbauen, ist genau das, was die meisten Forscher in den heutigen Systemen als fehlend bezeichnen.
Häufig gestellte Fragen zur Künstlichen Allgemeinen Intelligenz
Wir sind wirklich begeistert, wie schnell die Zahlen für Wissen und Lernen sinken. Dennoch würden wir einem einzigen Indiz mehr vertrauen als jeder Keynote: AGI ist dann Realität, wenn eine KI durch ihre Arbeit immer besser wird und sich merkt, warum. Bis dahin arbeiten wir mit dem brillantesten vergesslichsten Kollegen, den es je gab – und das ist schon mal eine ganze Menge.

Leave A Comment