MSD / Forschung / RESEARCH EDITION

Aus Fehlerbeschreibungen einen nächsten Versuch machen

Reflexion untersucht Agenten, die Rückmeldungen in sprachlicher Form für spätere Versuche nutzen. Die Rückmeldung verändert den Arbeitskontext.

Jetzt eintauchen ↓RECHERCHESTAND 12.11.2026 · FAKTEN + EINORDNUNG + SZENARIEN

RESEARCH NOTE / 2023Forschung

KI & Agenten

Externe Forschung · MSD-Einordnung
Keine Behauptung eines eigenen Versuchs.

01 / EINORDNUNG

Was dieser Befund trägt.

Grenzen des Nachweises

Eine plausible Selbstkritik ist kein unabhängiger Qualitätsnachweis; falsches Feedback kann Fehler stabilisieren.

Unsere Ableitung für einen Pilotbetrieb

Bei Lernschleifen einen externen Test und unveränderte Vergleichsaufgaben behalten.

Diese Ableitung ist eine redaktionelle Empfehlung von MSD. Sie ist kein weiteres Ergebnis der zitierten Studie.

Quelle und Version

Shinn et al. · Reflexion · Publikations-/Bezugsjahr 2023. Recherchiert am 12.11.2026.

Primärquelle lesen ↗

Externe Forschung, keine MSD-Kundenreferenz. Eigene Versuche veröffentlichen wir erst mit Aufbau, Datum, Messwerten und dokumentierten Fehlversuchen.

02 / VERKNÜPFUNGEN

Weiterdenken. Weiterprüfen.

KI & Agenten / Gegenbefund / 2025

Wenn KI Arbeit verlängert: der METR-Gegenbefund ↗

In einem randomisierten Versuch mit 16 erfahrenen Entwicklern und 246 Aufgaben verlängerten frühe 2025er KI-Werkzeuge die Bearbeitungszeit um 19 %. Die Beteiligten schätzten ihren Nutzen deutlich günstiger ein.

METR · randomisierter Versuch

KI & Agenten / Methodik / 2026

Neue Werkzeuge, neue Auswahlverzerrung ↗

METR beschreibt im Februar 2026 ein Folgeexperiment. Hinweise auf schnellere Arbeit sind durch Auswahl der Teilnehmer und Aufgaben sowie Probleme bei der Zeitmessung schwer interpretierbar.

METR · Methodenupdate 24.02.2026

KI & Agenten / Grundlage / 2017

Attention: Sprache wird parallel verarbeitbar ↗

Das Transformer-Paper stellt eine auf Attention beruhende Architektur für Sequenzverarbeitung vor. Es ist ein methodischer Baustein späterer Sprach- und multimodaler Modelle.

Vaswani et al. · Attention Is All You Need