Technischer Kontext
Ich habe mir Schema Harness sofort von der praktischen Seite angesehen: Es handelt sich nicht um ein neues Modell, sondern um einen Überbau über Frontier-Modelle. Und genau das finde ich im Kontext der KI-Automatisierung am interessantesten: Der Zuwachs kommt nicht aus einer Magie in den Gewichten, sondern daraus, wie der Agent beobachtet, Hypothesen aufstellt, sie überprüft und den Ablauf neu plant.
Nach Angaben von Impossible Research erreichte die Kombination Claude Opus 4.8 + Fable 5 98,98 % auf ARC-AGI-3 Public. Eine Backup-Option mit GPT-5.6 Sol erzielte 95,35 %. Zum Vergleich: Zu Beginn von ARC-AGI-3 dümpelten starke Agentensysteme bei etwa 0,5 %, und der Baseline-Schnappschuss mit Claude Code derselben Gruppe ergab 42,83 %.
Ich bremste sofort. Das Ergebnis ist noch selbstberichtet; die ARC Prize Foundation hat es nicht unabhängig bestätigt, und es handelt sich nur um den öffentlichen Satz von 25 Aufgaben, nicht um den privaten Teil.
Aber selbst mit dieser Einschränkung erscheint der Sprung nicht kosmetisch, sondern architektonisch. Schema zwingt das Modell, sich nicht wie ein geschwätziger Orakel, sondern wie ein hartnäckiger Ingenieur zu verhalten: ein funktionierendes Modell der Umgebung aufzubauen, eine Vorhersage durch die Interaktionshistorie laufen zu lassen, eine Unstimmigkeit zu erkennen und den Plan zu überarbeiten. Im Wesentlichen ist das ein sehr disziplinierter Agentenkreislauf mit programmatischer Abstützung auf Kausalität.
Deshalb lässt sich diese Nachricht nicht auf eine weitere „neue SOTA-Zahl“ reduzieren. Wenn sich die Artefakte bestätigen, sehen wir ein starkes Argument dafür, dass die Implementierung künstlicher Intelligenz zunehmend auf der Ebene des Harness gelöst wird und nicht nur durch die Wahl des teuersten Modells.
Auswirkungen auf Unternehmen und Automatisierung
Für angewandte Systeme ist die Schlussfolgerung einfach: In komplexen Workflows gewinnt nicht derjenige, der einfach ein LLM über eine API angeschlossen hat, sondern derjenige, der Prüfungen, Handlungsspeicher und Planneuzusammenstellung eingebaut hat. Das sehe ich ständig bei der KI-Integration für Kundenprozesse: Ohne Verifizierung redet der Agent zwar schön, scheitert aber an langen Aufgaben.
Teams, die eine agentenbasierte KI-Architektur auf Modellen aufbauen, anstatt auf einen einzigen Prompt zu vertrauen, werden gewinnen. Diejenigen, die einen „smarten Bot“ ohne Umgebung, Werkzeuge und Selbstprüfungszyklus verkaufen, werden verlieren.
Es gibt einen Haken: Solche Systeme sind schwieriger zu debuggen, verbrauchen mehr Token und erfordern sorgfältiges Tracing. Aber genau diese Probleme lösen wir bei Nahornyi AI Lab normalerweise, wenn wir KI-Lösungen für Unternehmen rund um reale Abläufe bauen, nicht um Bühnendemos.
Wenn Ihre Prozesse bereits auf mehrstufige Prüfungen, Ausnahmen und manuelle Nachkontrollen stoßen, ist dies ein guter Zeitpunkt, um den Regelkreis neu zu gestalten. Bei Nahornyi AI Lab können wir KI-Automatisierung für Ihren Workflow so aufbauen, dass der Agent nicht fantasiert, sondern die Aufgabe tatsächlich zum Abschluss bringt.