Wenn der KI-Agent über Nacht schlechter wird: Warum Unternehmen auf mehrere Modelle setzen sollten

Eine Entwicklerin des Chipherstellers AMD dokumentierte Anfang April 2026 einen Qualitätseinbruch bei Claude Code. Claude Code ist ein KI-gestütztes Programmierwerkzeug von Anthropic, dem Hersteller des Sprachmodells Claude. Das AMD-Team ließ solche KI-Agenten laufen, um Software zu schreiben. Von einem Tag auf den anderen lieferten die Agenten schlechtere Ergebnisse. Was passiert ist Stella Laurenzo, Director der AI Group beim Chiphersteller AMD, veröffentlichte Anfang April 2026 einen Fehlerbericht auf GitHub im offiziellen Repository von Anthropics Claude Code. Der Bericht sticht heraus, weil er nicht auf Bauchgefühl basiert: Laurenzos Team protokolliert jede Interaktion mit dem KI-Agenten automatisch. Die Analyse umfasst 6.852 Sessions, über 234.000 Arbeitsschritte und knapp 18.000 Nutzereingaben. Daraus lässt sich ein Bruchpunkt ablesen: Anfang März 2026. Claude kann vor einer Antwort intern „nachdenken“, also zusätzliche Rechenschritte durchlaufen. Mehr Rechenschritte bedeuten in der Regel bessere Antworten. Laurenzos Team misst diese Denktiefe indirekt über ein technisches Feld in den Logs, das laut ihrer Analyse sehr eng mit der tatsächlichen Denkleistung zusammenhängt. Nach dieser Schätzung sank die Denktiefe von rund 2200 Zeichen im Januar auf etwa 560 Anfang März. Ein Rückgang um 75 Prozent. Wichtig: Das ist eine indirekte Messung, kein direkter Blick auf Claudes interne Denkprozesse. Anthropic bestreitet, dass weniger sichtbares Denken auch weniger tatsächliches Denken bedeutet. Dazu gleich mehr. Was das in der Praxis bedeutet Unabhängig davon, warum Claude weniger nachdachte (oder ob überhaupt), zeigen die Verhaltensdaten eine klare Verschlechterung: Das Modell las seltener den bestehenden Code, bevor es ihn änderte. Vorher schaute es sich eine Datei im Schnitt sechsmal an, bevor es sie bearbeitete. Danach nur noch zweimal. Jede dritte Änderung erfolgte blind. Der Agent brach Aufgaben zudem häufiger ab oder wich aus, etwa mit Sätzen wie „Das ist ein bekanntes Limit“ oder „Soll ich weitermachen?“. Ein Skript, das solche Ausweichphrasen erkennt, schlug vor dem Bruchpunkt kein einziges Mal an. Danach 173 Mal in 17 Tagen. Die Entwicklerin musste nach eigenen Angaben zwölfmal häufiger eingreifen als zuvor und die Anzahl von API-Anfragen stieg an, ebenso die Kosten. Was Anthropic sagt Boris Cherny vom Claude-Code-Team antwortete direkt im GitHub-Issue. Sein Kernargument: Seit Februar verbirgt Claude Code die sichtbaren Denkschritte in den Logs. Das sei aber nur eine Änderung der Anzeige, nicht des tatsächlichen Denkens. Weil Laurenzos Analyse-Tool die Logs auswertet, habe es fälschlicherweise geschlossen: Claude denkt weniger. Dennoch zeigen Laurenzos Daten klare Verschlechterungen. Als Grund nannte Cherny zunächst zwei Produktänderungen: Erstens entscheidet Claude seit Februar selbst, wie lange es pro Anfrage nachdenkt („adaptive thinking“). Zweitens wurde Anfang März die Standard-Denktiefe auf „mittel“ heruntergesetzt. Beides zusammen habe bei komplexen Aufgaben zu schlechteren Ergebnissen geführt. Nachdem Nutzer detaillierte Protokolle geteilt hatten, räumte Cherny allerdings ein, dass das adaptive System bei bestimmten Arbeitsschritten offenbar zu wenig oder gar nicht nachdenkt. Anthropic setzte die Standard-Denktiefe am 7. April zurück auf „hoch“ und empfiehlt im Zweifelsfall testweise die Umgebungsvariable CLAUDE_CODE_DISABLE_ADAPTIVE_THINKING=1, um das adaptive System abzuschalten. Was Unternehmen daraus lernen können Der Fall macht ein strukturelles Risiko sichtbar, das über Anthropic hinausgeht: KI-Tools können sich still verschlechtern, ohne dass Nutzer es sofort bemerken. Ob die Ursache eine bewusste Drosselung oder eine schlecht kalibrierte Produktänderung ist, spielt für die Betroffenen zunächst keine Rolle. Mindestens ebenso lehrreich ist, wie Laurenzos Team arbeitet. Die Gruppe hatte ein eigenes Frühwarnsystem: Sentimentanalyse der Chat-Verläufe, ein Skript zur Erkennung von 30 typischen Ausweichphrasen. Ohne solches Monitoring hätte das Team den Qualitätseinbruch vermutlich erst Tage später bemerkt. Wer KI-Agenten im großen Maßstab einsetzt, braucht vergleichbare Werkzeuge. Die Multi-Modell-Strategie ist die logische Konsequenz. Laurenzo selbst hat den Anbieter gewechselt und warnt: „Vor sechs Monaten stand Claude allein in Sachen Reasoning-Qualität. Das ist nicht mehr der Fall.“ Wer sich auf einen einzigen Anbieter verlässt, akzeptiert, dass eine serverseitige Änderung die eigene Arbeit über Nacht entwerten kann.

Wenn der KI-Agent über Nacht schlechter wird: Warum Unternehmen auf mehrere Modelle setzen sollten

heise KI PROKI VERSTEHEN UND ANWENDEN

heise KI PRO
KI VERSTEHEN UND ANWENDEN