Beim nächsten Versuch kann die KI wieder scheitern
Im BizBench-Test bestand GPT-6 Sol 20 von 50 Aufgaben in allen drei Versuchen. Die Aufgaben bilden Zahlungsabläufe nach. Ein bestandener Versuch erfordert das richtige Ergebnis und eingehaltene Testregeln.
Das Wichtigste
Im BizBench-Test bestand GPT-6 Sol 20 von 50 Aufgaben in allen drei Versuchen. Die Aufgaben bilden Zahlungsabläufe nach. Ein bestandener Versuch erfordert das richtige Ergebnis und eingehaltene Testregeln.
Eigene Einordnung
Vor der Freigabe wichtige Abläufe mehrfach prüfen. Ein einzelner Erfolg belegt keine verlässliche Wiederholung.
Neues Signal: ein konkreter Test für Wiederholbarkeit und Regelbefolgung. Bestätigung: Kontrolle braucht mehr als Richtlinien. Keine gemessene Beschleunigung, Abschwächung oder Trendwende. Die Befragungen sind nicht direkt vergleichbar.
Quellen
BizBench: Unveiling Hidden Challenges in Deploying Long-Horizon Agents for Real-World Business
Enhan Zhao, Yongqi Tong, Xuejun Yu, Hang Wang u. a. · Peking University / Ant International · 14.10.2026
Quellenbefund
BizBench testet KI-Agenten in nachgebildeten Zahlungsabläufen. GPT-6 Sol bestand 20 von 50 Aufgaben in allen drei Versuchen. Ein bestandener Versuch erfordert sowohl das richtige Ziel als auch eingehaltene Testregeln.
Methode und Aussagekraft
Kontrollierter Test mit 50 Aufgaben, 789 Dokumenten und 601 verfügbaren Werkzeugen. Ein simulierter Kunde beantwortet Rückfragen. Für GPT-6 Sol wurden je Aufgabe drei unabhängige Durchläufe ausgeführt. Die Arbeit prüft auch Zwischenschritte statt nur den Endzustand.
Grenzen und Interessen
Noch nicht wissenschaftlich begutachtet. Die Abläufe stammen aus dem Zahlungsverkehr eines Unternehmens; dies ist kein Feldtest im Mittelstand. Wiederholungen derselben 50 Aufgaben sind keine 150 unabhängigen Aufgaben. Die Ergebnisse hängen von Modellversion, Testumgebung und Bewertung ab. Viele Autoren arbeiten bei Ant International, dem Unternehmen hinter den Geschäftskontexten.
Eigene Einordnung
Für eine Freigabe zählt nicht nur, ob KI eine Aufgabe einmal schafft. Wiederholbarkeit und die Einhaltung wichtiger Regeln brauchen eigene Nachweise. Die 40 Prozent sind keine allgemeine Erfolgsquote von KI im Unternehmen.
Was Unternehmen tun können
Testen Sie wichtige Aufgaben mehrfach unter denselben Bedingungen. Prüfen Sie Zielerreichung und Regelverstöße getrennt. Legen Sie vorab fest, wann ein Mensch übernehmen muss.
Zuerst lesen
Abschnitt 5.2 und Abbildung 2 zur Wiederholbarkeit; Abschnitt 3.3 zur Bewertung von Ziel und Ausführung.
Salt Labs Research Team · Salt Security · 13.10.2026
Quellenbefund
49,8 Prozent der Befragten bestätigten oder vermuteten im letzten Jahr eine unbeabsichtigte, unerwartete oder nicht erlaubte Handlung eines KI-Agenten. 12,5 Prozent geben an, alle Agentenabläufe durchgängig nachvollziehen zu können. 17,5 Prozent nennen eine automatische Stoppmöglichkeit bei unerwartetem Verhalten.
Methode und Aussagekraft
Salt Security befragte mehr als 380 Sicherheits- und Technikfachleute. Ergänzend wurden technische Beobachtungen aus Kundenumgebungen ausgewertet. Die hier genannten Prozentwerte stammen aus der Befragung, nicht aus einer unabhängigen Prüfung dieser Unternehmen.
Grenzen und Interessen
Öffentlich zugängliche Zusammenfassungen; der vollständige Bericht ist hinter einem Formular. Länder, Branchenverteilung, Auswahl und Gewichtung sind dort nicht ausreichend dokumentiert. Bestätigte und vermutete Vorfälle werden zusammengefasst. Kein repräsentativer Marktanteil und kein Wirksamkeitsnachweis. Salt Security verkauft genau solche Sicherheitslösungen.
Eigene Einordnung
Die Befragung ergänzt die bisherigen Hinweise auf Kontrolllücken. Ihre Fragen und ihre Stichprobe unterscheiden sich von SecurityHQ/Datadog; Prozentwerte dürfen nicht als Zeitreihe verglichen werden.
Was Unternehmen tun können
Prüfen Sie an einem Fehlerfall zwei Dinge getrennt: Können Sie die Handlungskette erklären? Können Sie den Agenten rechtzeitig stoppen?
Zuerst lesen
Die Abschnitte zu Nachvollziehbarkeit und automatischem Stoppen in der Originalzusammenfassung.
