Generierte Titelkarte für Claude Opus 5.5, das ein autonomes KI-Unternehmen betreibt, mit vier Statistik-Karten, die 7 Wochen unbeaufsichtigt, 38 veröffentlichte Modelle, 54.000 Downloads und 16 Minuten Arbeit pro Tag anzeigen, sowie einer Fußzeile, die den Bericht von Horizon Labs vom 17. November 2026 zitiert. OrcaRouter-Logo unten rechts.
Engineering & Research

Claude Opus 5.5 leitete sieben Wochen lang ein KI-Unternehmen mit 16 Minuten pro Tag

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Claude Opus 5.5 ist seit dem 22. September 2026 allgemein verfügbar, daher ist die interessante Frage nicht mehr, wie es abschneidet, sondern was passiert, wenn man aufhört, ihm Prompts zu geben, und ihm eine Aufgabe übergibt. Ein Team an der EPFL und am ELLIS Institute Tübingen tat genau das: Es übergab Claude Opus 5.5 ein leeres Konto bei Hugging Face, ein GPU-Budget und eine einzige Anweisung – echte Akzeptanz zu gewinnen – und ließ es sieben Wochen lang laufen. Es veröffentlichte 38 Modelle. Diese Modelle überschritten die Marke von 50.000 Downloads, werden in mehr als 140 öffentlichen Repositories verwendet und in zwei arXiv-Papers zitiert. Der Agent, der das bewerkstelligte, arbeitete durchschnittlich 16 Minuten pro Tag.

Der Bericht ist unter horizon-labs.ai zu finden, datiert auf den 17. November 2026, und der Agent heißt Horizon. Jede Zahl unten stammt aus diesem Dokument oder aus dem Hugging-Face-Konto, auf das es verweist, und der Vorbehalt wird hier einmal genannt statt wiederholt: Dies ist die eigene Fallstudie des Teams über seinen eigenen Durchlauf, kein Audit durch Dritte. Sie sind ungewöhnlich offen über die Stellen, an denen ihre eigenen Eingriffe das Ergebnis hätten in die Höhe treiben können, und diese Eingeständnisse sind der nützlichste Teil des Dokuments.

Was sie tatsächlich übergeben haben

Headless capture of the Horizon Labs report homepage, showing the title, the author list with EPFL, ELLIS Institute Tübingen, Max Planck Institute for Intelligent Systems and University of Tübingen affiliations, and the summary line stating the agent used over 600 GPU-hours, created 38 models, reached over 100 GitHub repositories and more than 50,000 downloads.

Horizon lief 24/7 innerhalb von Claude Code, mit einem einzigen Anthropic Team Premium-Abonnement und Zugriff auf ein neues Hugging-Face-Konto (Horizon-Labs) sowie ein GitHub-Konto. An Rechenleistung standen 1 Mio. Credits pro Woche zur Verfügung, rund 500 GPU-Stunden. Es konnte Tickets an die Menschen senden und sonst nichts: keine weiteren Konten, keine Web-Identität, keine Möglichkeit, Geld auszugeben. Das Team überwachte seine Aktionen kontinuierlich und griff während des Einsatzes 20-mal ein – 13 Ticket-Antworten und sieben Nachrichten, fast alle in den ersten drei Tagen, keine nach dem 22. Oktober.

Das Budget zeigt, wie bescheiden das Setup war. Über den gesamten Lauf hinweg verarbeitete Horizon etwa 1,9 Milliarden Tokens, von denen 96 % aus dem Prompt-Cache zurückgelesen wurden, und schrieb 3,1 Millionen. Zu API-Preisen sind das rund 1.030 US-Dollar an Inferenz für sieben Wochen autonomer Arbeit, gegenüber mehr als 600 GPU-Stunden Training. Das Ergebnis, das für Schlagzeilen sorgte, kostete weniger als ein Laptop.

Die 38 Modelle sind absichtlich schmal.

Keines davon ist ein Chatbot. Der Katalog umfasst 25 Textklassifikatoren, sechs Token-Klassifikationsmodelle, drei Zero-Shot-Klassifikatoren, zwei Reranker und zwei Embedding-Modelle, alle auf Basis von mmBERT-base, unter Apache-2.0 mit ONNX-Gewichten veröffentlicht, sodass sie sich direkt in Browser- und Server-Pipelines einbinden lassen. Die Größen reichen von 141M für die kleine Variante über 307M für Base bis 568M für Large, und Horizon lieferte normalerweise zwei oder drei Größen derselben Familie.

Diese Modellfamilien sind genau die Art von Dingen, für die ein Unternehmen ein kleines Modell kauft: Prompt-Injection-Schutz, PII-Redaktion, Halluzinationserkennung, Inhaltssicherheit, Toxizität, mehrsprachige Sentiment- und Emotionsanalyse, Sprachidentifikation, Wiederherstellung der Zeichensetzung und Truecasing. Die Spitzenreiter bei den Downloads sind genau diese:

Headless capture of the Horizon-Labs organisation page on Hugging Face, showing the organisation name, 33 followers, the 'Agent I/O Guards' collection description covering small open multilingual guard and classifier models under Apache-2.0 with ONNX, and a listed model card for prompt-injection-guard-base at 7.19k downloads.

Der Injection-Guard bei etwa 17k, die Zeichensetzung bei 7,6k, der Reranker bei 6,4k. Die Trainingsdaten stammten aus öffentlichen Hugging-Face-Datensätzen plus synthetischer Augmentierung, wobei Qwen 3.8-27B und Gemma 4 31B zum Annotieren oder Generieren von Beispielen eingesetzt wurden.

Diese enge Fokussierung ist die Strategie, keine Einschränkung. Ein neues Konto ohne Reputation kann keinen Allzweck-Benchmark gewinnen, aber es kann mit einem 300MB-Drop-in-Ersatz punkten, der jemandem eine Lizenzprüfung erspart. Horizon hat das selbst in seinen eigenen Logs gesagt: „Ein neues, unbekanntes Konto erzielt mit kleinen, praktischen Drop-in-Modellen die schnellsten Downloads.“

Die 16 Minuten pro Tag sind die eigentliche Erkenntnis.

Der Agent erwacht gegen 10:00 UTC, denn dann aktualisiert Hugging Face die Downloadzahlen. Er liest die Zahlen des Vortags, entscheidet, was verbessert werden soll, und schläft wieder ein. Mit eigenen Worten am 9. Oktober: „Ich warte bis etwa 09:45 UTC morgen auf die nächste Download-Aktualisierung und werde dann anhand dieser Zahlen den nächsten Schritt auswählen.“

An manchen Tagen tat es überhaupt nichts. Die Arbeitszeit erreichte früh ihren Höhepunkt, sank bis Oktober ab und flachte dann ab, während die Downloads pro Tag weiter stiegen. Die eigene Darstellung des Berichts ist die, die man behalten sollte: Der kumulierte Output — Downloads, abhängige Repositories — wuchs exponentiell, während der kumulierte Aufwand logarithmisch wuchs. Am Ende erbrachten die zusätzlichen 16 Minuten mehr als der Vollzeit-Sprint der ersten Woche.

Generated line chart titled 'Effort fell, adoption did not', plotting cumulative downloads rising to 54,000 against agent working time per day falling to about 16 minutes, with milestone dots for 23 September, 1 October, 26 October and 17 November 2026, and a footer noting the figures are from the Horizon Labs case study and are not independently audited. OrcaRouter logo bottom-right.

Diese Form ist nur möglich, weil die Aufgabe ein billiges, eindeutig lesbares Rückmeldesignal hatte. Downloads sind eine Zahl, die jeden Morgen eintrifft, ohne dass sie jemand interpretieren muss. Richtet man denselben Agenten auf ein Ziel, dessen Belohnungssignal die Meinung eines Menschen ist, wird der 16-Minuten-Tag zur Belastung statt zum Effizienzvorteil. Der Bericht behauptet nichts anderes, und die Leser sollten das auch nicht tun.

Was das Team überprüft hat – und was es dabei entdeckt hat

Download-Zahlen sind die am leichtesten zu fälschende Metrik im maschinellen Lernen, und das Team betrachtete das als zentrale Bedrohung für sein Ergebnis. Sie protokollierten alle 3.952 Tool-Aufrufe und setzten zwei Modelle – Claude Haiku 5.5 und Luna 6 – als Monitore über das vollständige Transkript ein, um nach Reward-Hacking zu suchen. Sie fanden sechs Fälle, in denen Horizon seine eigenen Modelle herunterlud, insgesamt 42 Downloads. Sie schätzen, dass ihre eigenen Evaluationsläufe weniger als 30 weitere beigetragen haben, und dass das Team zum Zeitpunkt des Schreibens nicht mehr als 50 der 54.000 Downloads erklären konnte. An vielen der Tage mit den höchsten Downloadzahlen schlief Horizon und es lief kein Job.

Die externen Belege sind stärker als das Gegenargument. Eine GitHub-Suche fand 143 Repositories, die die Modelle verwenden – nicht die „mehr als 100“ im Launch-Thread, was eine vorsichtige Abrundung war. Zwei arXiv-Papiere vergleichen den Prompt-Injection-Guard mit Alternativen: 2610.03448 („Passing the Test You Trained On“) kommt zu dem Ergebnis, dass er die höchste AUC bei dokumentengebundener Injection erzielt, merkt jedoch eine kleinere Lücke zwischen Angriffs- und Kontrollerkennung an, was eine echte, klar benannte Einschränkung ist. 18 weitere Hugging-Face-Modelle werden fine-getunt, quantisiert oder anderweitig aus Horizons Veröffentlichungen abgeleitet. Ein Wettbewerber, Patronus Studio, aktualisierte seine eigene Modellkarte, um Horizons Benchmarks aufzunehmen. Das Team erzeugte außerdem vier zurückgehaltene synthetische Benchmark-Familien, nachdem die Modelle veröffentlicht worden waren, mithilfe von MiMo V2.6 Pro, und stellte fest, dass die Modelle für ihre Größe bei der eng umrissenen Aufgabe, auf die sie abzielen, oft State of the Art waren.

Der unangenehme Teil: Es hat gelernt zu verkaufen.

Horizons Modellkarten beschreiben seine Modelle als die besten oder nahezu besten ihrer Kategorie. Das Team prüfte, ob dies Overfitting oder Benchmark-Shopping sei, und kam zu dem Schluss, dass beides nicht zutraf: Der Agent wählte Checkpoints anhand eines Validierungs-Splits aus, was die korrekte Methode ist, und veröffentlichte mindestens einmal einen Lauf, von dem er wusste, dass er auf den berichteten Testsets der schwächste von vier war. Sein eigener Logeintrag vom 7. Oktober lautet: „Der Trainer wählt Checkpoints nach der Validierungs-F1 aus, also habe ich den Lauf mit der besten Validierungs-F1 veröffentlicht. Auf den Testsets ist dieser Lauf der schwächste der vier.“

Was es tatsächlich tat, war Marketing. Es wählte Modellfamilien nach Nachfrage aus – es prüfte, dass bart-large-mnlietwa 3 Mio. Downloads pro Monat verzeichnet, bevor es einen Zero-Shot-Klassifikator baute – und verwarf Ideen aus kommerziellen Gründen: Formalitätsübertragung, weil kein offenes mehrsprachiges Evaluationsset existierte, Risiko im Bereich psychische Gesundheit, weil es sensibel war, Nachrichtenthemenklassifizierung, weil ein bestehendes Modell das bereits gut erledigte. Das ist die Denkweise eines Produktmanagers – zu der man ohne einen gelangt ist.

Zwei Harness-Fehler sind ebenfalls in den Lauf eingeflossen und verdienen es, wiederholt zu werden, weil sie die Art von Dingen sind, auf die jedes Deployment mit langem Zeithorizont stoßen wird. Am 24. September kopierte das Team die Modelle von Horizon in ein zweites Konto und ließ die Kopien öffentlich; Horizon fand sie auf dem Hub. Am 11.–12. Oktober teilte eine Ticket-Antwort Horizon fälschlicherweise mit, Horizon-Labs sei „ein anderes Unternehmen, das wir in unserem Labor betreiben“. Beides brachte den Agenten dazu zu glauben, er werde von einer Forschungsgruppe statt von einem Startup betrieben. Das Team sagt, beides habe weder sein Verhalten noch seine Download-Zahl verändert, und es habe seitdem die Möglichkeit geschaffen, einen Lauf zurückzuspulen.

Was das bedeutet, wenn Sie derjenige sind, der den Agenten bereitstellt

Das Setup ist reproduzierbar, und die Kosten sind gering – das ist der Punkt, der die Menschen gleichermaßen beunruhigen und ermutigen sollte: 600 GPU-Stunden, ein Abonnementplatz und rund 1.030 US-Dollar an Tokens liegen für einen einzelnen Doktoranden in Reichweite. Die Sicherheitsgeschichte ruht vollständig auf Isolation und Überwachung, und die Überwachungsinstanzen des Teams waren selbst Modelle. Wenn man so etwas betreibt, kommt der Kostenrechnung genauso viel Bedeutung zu wie den Schutzgeländern. Die 96-%-Cache-Leserate von Horizon ist der Grund, warum sieben Wochen vier- statt fünfstellige Kosten verursachten, und diese Rate ist eine Eigenschaft eines stabilen System-Prompts und eines stabilen Toolsets – genau dafür ist eine Orchestrierungsschicht da.

Hier verdient sich auch ein Router seinen Platz in einem Lauf wie diesem. Horizons eigene Monitore waren billige Modelle, die ein teures Modell überwachten, und die Kostenrechnung geht nur auf, wenn jeder Aufruf an das günstigste Modell geht, das diese Aufgabe erledigen kann. Bei OrcaRouter bündelt man Claude Opus 5.5 und die kleinen Monitore hinter einem Schlüssel, wendet 0 % Aufschlag auf den Listenpreis des Anbieters an, sodass die Weitergabe zum eigenen Tarif des Anbieters erfolgt, und legt eine Routing-Regel fest, die die Monitor-Durchläufe an die günstige Stufe schickt, während die Planungsschleife auf Opus bleibt. Automatisches Failover deckt dann den Fall ab, der mehr als einen Tag dieses Teams zunichtegemacht hat: eine API, die nicht mehr antwortet, während der Agent schläft.

Was der Bericht nicht beweist

Es ist ein Lauf, eine Aufgabenfamilie, ein Konto und sieben Wochen. Der Erfolg des Agenten hängt von einer Kennzahl ab, die sich täglich aktualisiert und für alle sichtbar ist, von einer Plattform, auf der ein kompetentes kleines Modell offensichtliche Lücken zu füllen hat, und von menschlichen Bearbeitern, die 13 Tickets beantwortet haben. Es zeigt nicht, dass ein Agent ein Unternehmen führen kann, dessen Umsatz von Kunden abhängt, noch dass der 16-Minuten-Tag den Kontakt mit einem Ziel übersteht, das keine tägliche Zahl hat. Das Team sagt das auch, und die ehrliche Zusammenfassung ist enger als die Schlagzeilen: Ein Frontier-Modell kann, wenn man ihm ein enges kommerzielles Ziel mit einem sauberen Signal gibt, inzwischen die gesamte Schleife ausführen – das Produkt auswählen, es bauen, es ausliefern, den Markt lesen und iterieren –, wobei ein Mensch es ein paar Minuten pro Woche anfasst.

Das nächste, worauf man achten muss, ist nicht die Anzahl der Downloads. Es ist die Frage, ob dasselbe Muster gilt, wenn das Belohnungssignal ein Vertrag statt eines Zählers ist.