AGI und Agenten: Was für Praktiker relevant ist (und was Hype)

AGI (Artificial General Intelligence) bezeichnet eine hypothetische KI mit menschenähnlicher, domänenübergreifender Allgemeinintelligenz. Für Agenten-Praktiker ist AGI 2026 keine Planungsgröße: Relevant sind messbare, inkrementelle Fähigkeitssprünge heutiger Modelle (längere Autonomie, besseres Reasoning), nicht das AGI-Versprechen selbst. Letzteres bleibt Spekulation. Dieser Artikel trennt sachlich, was sich für die Agenten-Praxis konkret ändert, von dem, was Hype ist.

• Operativ irrelevant: AGI ist kein Schwellenwert, an dem sich Roadmaps ausrichten lassen. Es gibt keine belastbare Definition und kein seriöses Datum.
• Operativ relevant: Die belegbaren Capability-Bänder heutiger Modelle und ihr inkrementeller Pfad (mehr Autonomie pro Aufgabe, besseres mehrstufiges Reasoning).
• Die Bremse für jeden Hype: Halluzinationsraten von 22-94%, gemessene Produktivitätsgewinne von 14-26% und eine weiterhin einstellige Agenten-Durchdringung.

Warum die AGI-Debatte für Praktiker fast nichts ändert

Die AGI-Debatte wird auf der falschen Abstraktionsebene geführt, wenn es um konkrete Agenten-Projekte geht. Ob und wann eine domänenübergreifende Allgemeinintelligenz entsteht, ist eine Frage für Forschungslabore und Risikokapital, nicht für ein DACH-B2B-Team, das einen Customer-Service-Agenten in Produktion bringt. Für diese Arbeit zählt eine andere Frage: Was kann das eingesetzte Modell heute messbar leisten, und wie verschiebt sich dieses Können in den nächsten zwölf bis vierundzwanzig Monaten?

Zugespitzt lautet die Capability-Frage 2026 nicht mehr „kann das Modell es", sondern „kann die Organisation es absorbieren". Damit verlagert sich der Engpass von der Modellfähigkeit zur Adoption, zum Workflow-Redesign und zur Governance. AGI-Spekulation adressiert keinen dieser realen Engpässe.

Zur Einordnung der Modell-Generation: Anfang Mai 2026 standen Claude Opus 4.7, GPT-5.5 und Gemini 3.1 Pro an der Spitze; die Arbeitspferde, die den Großteil der Agenten-Aufrufe absorbieren, waren Sonnet 4.6, GPT-5.4 und Gemini 3 Flash. Seitdem haben Anthropic (u. a. Claude Opus 5 im Juli, Claude Fable 5.1 im September) und OpenAI (GPT-6 Astra seit September 2026, zuerst für ausgewählte Geschäftskunden) neue Modelle veröffentlicht. Neue Frontier-Generationen erscheinen damit im Abstand weniger Monate. Schon die Modelle vom Frühjahr 2026 reichen für die große Mehrheit der Wissensarbeit-Use-Cases, ohne dass „AGI" dafür nötig oder behauptet wäre.

Inkrementeller Fähigkeitssprung statt AGI-Sprung

Der entscheidende mentale Wechsel: Fortschritt kommt 2026-2028 als Serie inkrementeller, einzeln messbarer Sprünge, nicht als diskreter AGI-Moment. Diese Sprünge sind real, sie sind planbar, und sie verändern das, was ein Agent praktisch kann. Die wichtigsten belegbaren Benchmark-Bänder (Stand Mai 2026, wo nicht anders angegeben):

• SWE-Bench Multilingual: rund 75% (auf einer Sonnet-plus-Advisor-Konfiguration)
• MMLU: über 87%
• GPQA Diamond: über 90%. Schon Gemini 3.1 Pro (94,3%) und die Vorgängerversionen GPT-5.2 (92,4%) und Claude Opus 4.6 (91,3%) lagen darüber (Vergleichstabelle von Google DeepMind, abgerufen im Oktober 2026). Im erweiterten GPQA-Fragenset (546 Fragen) kamen Fachleute mit abgeschlossenem oder laufendem Doktorat laut GPQA-Paper auf 65%, auf dem Diamond-Teilset auf 81,3% (laut Paper durch die Fragenauswahl nach oben verzerrt).
• BFCL Multi-Turn (mehrstufiges Tool-Use): rund 65%
• OSWorld (Computer-Use): über dem menschlichen Referenzwert von 72,36% (Claude Opus 4.7: 82,3% auf OSWorld-Verified), auf den langen Workflows von OSWorld 2.0 aber noch schwach

Wie sich die OSWorld-Werte entwickelt haben: Claude Sonnet 4.5 erreichte im September 2025 61,4% auf OSWorld-Verified (Anthropic), der menschliche Referenzwert liegt bei 72,36% (OSWorld). Im Dezember 2025 meldete Simular für sein Agentensystem Agent S 72,6% und damit als Erster einen Wert über dieser Marke, erreicht mit einer Best-of-N-Methode, die aus mehreren Agentenläufen den besten auswählt. Für Claude Opus 4.7 (April 2026) gibt Anthropic nach einer geänderten Messmethode 82,3% an. Damit liegt auch ein einzelnes Modell klar über dem Referenzwert. Auf den 108 Langstrecken-Workflows des Nachfolge-Benchmarks OSWorld 2.0 schloss das beste Modell der Erstauswertung vom Juni 2026, Claude Opus 4.8, nur 20,6% vollständig ab. Für Claude Fable 5.1 meldet Anthropic im September 2026 auf OSWorld 2.0 41,7% in strikter Wertung. Gemessen wurde auf einer überarbeiteten Aufgabenversion, die laut Anthropic keinen direkten Vergleich mit früheren Werten erlaubt. Für die meisten Enterprise-Workflows ist Computer-Use damit noch nicht produktionsreif.

Was sich daraus für die Praxis konkret ergibt: längere Autonomie pro Aufgabe und besseres Reasoning über mehrere Schritte. Genau hier liegt der praxisrelevante Hebel, nicht in einer hypothetischen Allgemeinintelligenz.

Was sich praktisch ändert vs. was Spekulation bleibt

Die folgende Tabelle trennt typische Behauptungen aus dem öffentlichen AGI-Diskurs von dem, was sich belegen oder begründet erwarten lässt, und ordnet die Praxis-Relevanz für Agenten-Teams ein. Zahlen ohne eigene Datumsangabe haben den Stand Mai 2026.

Unsere Einschätzung früherer Prognosen in diesem Feld: Vendor-Ankündigungen aus 2024 über 2025 lagen in der Richtung weitgehend richtig und im Detail falsch, und die Ankündigungen 2025 über 2026 folgen demselben Muster. Genau deshalb setzen wir für das Timing der 2028-Aussagen ein Fehlerband von 30-50% an. Für Praktiker heißt das: der strukturellen Richtung vertrauen, dem konkreten Timing nicht.

Die harten Realitäts-Checks, die jeden Hype bremsen

Vier nüchterne Befunde relativieren jedes AGI-Narrativ:

• Halluzinationen bleiben. Über 26 führende Foundation-Modelle hinweg liegen die Halluzinationsraten zwischen 22% und 94%; selbst die besten Modelle sind in rund 20% der Fälle ungenau. Eine Allgemeinintelligenz sieht anders aus.
• Agenten sind noch nicht überall. Trotz 88% organisationaler KI-Adoption global ist die KI-Agenten-Durchdringung quer über fast alle Geschäftsfunktionen einstellig. Pilot, nicht Regelbetrieb.
• Produktivität ist real, aber moderat. Rigoros gemessen liegen die Gewinne bei 14% im Kundenservice und bis 26% in der Softwareentwicklung; die Brynjolfsson-Studie mit 14% gilt als verlässlichste Untergrenze. Marketing-Narrative liegen systematisch höher.
• Zwischenfälle nehmen zu. Der Stanford HAI AI Index 2026 dokumentiert 362 nennenswerte KI-Zwischenfälle für 2025 (nach 233 in 2024). Mehr Fähigkeit bedeutet auch mehr Angriffs- und Fehlerfläche.

Eine vorsichtige AGI-nahe Erwartung lautet: Reasoning-Modelle nähern sich bis 2028 auf Wissensarbeit-Benchmarks einem near-PhD-Niveau an. Auf einzelnen Benchmarks ist das schon eingetreten: Auf GPQA Diamond liegen Spitzenmodelle über 90%, die Fach-Validatoren im GPQA-Paper kamen auf demselben Teilset auf 81,3%. Allgemeinintelligenz folgt daraus nicht. Die Spitzenmodelle halluzinieren weiter und schließen lange Workflows oft nicht ab.

Praxisbeispiel: Wie man eine AGI-Behauptung in 60 Sekunden entzaubert

Angenommen, ein Anbieter behauptet im Pitch: „Unser Agent erreicht menschliches Niveau und automatisiert 80% deines Supports vollständig." Der Anti-Hype-Test, drei Prüffragen:

1. Zahl, Quelle, Datum? „Menschliches Niveau" ist keine Metrik. Belegbar wäre etwa: BFCL Multi-Turn ~65% (Stand Mai 2026). Ohne Zahl mit Stand-Datum ist es Erzählung.
2. Inkrementell oder AGI-Sprung? „80% vollständig automatisiert" behauptet einen Sprung, keinen Schritt. Frag, was als gelöst zählt, wer gemessen hat und wie viele Fälle am Ende doch bei Menschen landen. Plausibel ist Triage plus Eskalation, nicht Ersatz.
3. Fehlerband? Fehlt eine Unsicherheitsangabe, fehlt die seriöse Grundlage. Selbst die besten Modelle sind in Halluzinations-Benchmarks in rund 20% der Fälle ungenau. Für deinen Support-Fall sagt das wenig. Ohne eigene Messung ist ein vollautonomer Support ohne Human-in-the-Loop trotzdem nicht verantwortbar.

Rechnung dazu, als Annahme: Dein Agent liegt in deinem eigenen Eval-Set bei 5% falschen Antworten. Bei 10.000 Interaktionen pro Monat sind das 500 Fehler, die jemand abfangen muss. Ohne Eval-Set, Human-in-the-Loop und Eskalationslogik wird aus dem „80%-Versprechen" ein operatives Risiko, kein ROI.

Fazit und Handlungsempfehlung

Die AGI-Debatte ist für Agenten-Praktiker 2026 vor allem eine Disziplin-Frage: der Richtung der inkrementellen Capability-Bänder vertrauen, dem Hype und dem konkreten Timing nicht. Wer Architekturen auf Austauschbarkeit (Modell-Gateways, Abstraktionsschichten), Human-in-the-Loop bei konsequenzreichen Aktionen und eigene Eval-Sets statt Vendor-Demo-Zahlen setzt, ist gegen jeden Generationswechsel robust, egal ob „AGI" je kommt.

Für Agenturen: Positioniere dich als nüchterner Übersetzer zwischen Hype und belegbarer Fähigkeit. Liefere Eval-getriebene, Mitbestimmungs-bewusste Agenten in Produktion, nicht AGI-Versprechen. Das ist der Moat gegenüber Anbietern, die auf Demo-Zahlen verkaufen.

Für B2B-Entscheider: Plane Budgets gegen rigorose Peer-Benchmarks (14-26% Produktivität), nicht gegen Vendor-Narrative. Halte 15-25% des KI-Budgets als trigger-basierte Reserve für reale Sprünge zurück. Behandle Modell-Migration als Decision Gate mit Eval-Prüfung, nicht als Automatik. Blck Alpaca unterstützt DACH-Unternehmen dabei, diese Linie zwischen Substanz und Hype sauber zu ziehen.