Neues Skalierungsgesetz für KI-Agenten entdeckt – und es kommt ohne immer mehr Daten aus

Jahrelang galt in der KI-Entwicklung ein einfaches Prinzip: mehr Daten, mehr Rechenleistung, bessere Ergebnisse. Doch dieses Paradigma stößt zunehmend an seine Grenzen. Das Seed-KI-Team von ByteDance, dem Mutterkonzern von TikTok, hat nun ein neues Skalierungsgesetz entdeckt – eines, das nicht auf immer größeren Datensätzen beruht, sondern darauf, wie lange ein KI-Agent in der echten Welt interagiert.

Die Entdeckung: Ein Log-Sigmoid-Skalierungsgesetz

Das Seed-KI-Team von ByteDance fand heraus, dass die Leistung von KI-Agenten beim Lernen in realen Umgebungen einem Log-Sigmoid-Skalierungsgesetz in Abhängigkeit von der Interaktionszeit folgt. Die Gesamtleistung über eine Vielzahl von langfristigen Aufgaben hinweg passt sich mit einer bemerkenswerten Genauigkeit von R² = 0,998 an diese Kurve an.

Darüber hinaus beobachteten die Forscher, dass sich die Lerngeschwindigkeit der leistungsfähigsten Agenten über verschiedene Modellgenerationen hinweg etwa alle drei Monate verdoppelt. Dies deutet auf einen sich selbst verstärkenden Effekt hin: Je länger Agenten in realen Umgebungen operieren, desto schneller lernen sie, und jede neue Modellgeneration startet von einem höheren Ausgangsniveau.

Der Benchmark: EdgeBench

Um diese Entdeckung zu ermöglichen, entwickelte das Team ein neues Bewertungsframework namens EdgeBench, das am 2. Juli 2026 veröffentlicht wurde. EdgeBench ist eine Sammlung von 134 realen Aufgaben aus sechs Bereichen:

• Wissenschaftliche Entdeckung
• Softwareentwicklung
• Kombinatorische Optimierung
• Professionelle Wissensarbeit
• Formale Mathematik
• Interaktive Spiele

Jede Aufgabe erfordert mindestens 12 Stunden ununterbrochenen Agentenbetrieb unter reichhaltigem, mehrstufigem Feedback. Die Forschungsarbeit und ein Bewertungsframework mit 51 öffentlich zugänglichen Aufgaben wurden am 2. Juli veröffentlicht. Das Team analysierte rund 38.000 Stunden Agenteninteraktionsdaten über diese Aufgaben hinweg, um das Skalierungsgesetz zu identifizieren.

Warum das wichtig ist: Das Ende des „Mehr-Daten“-Skalierens

Traditionelles KI-Skalieren – immer mehr Daten und Rechenleistung in größere Modelle stecken – stößt an eine Wand. Epoch AI hat gewarnt, dass öffentlich verfügbare, von Menschen erzeugte Textdaten innerhalb von sechs Jahren erschöpft sein könnten, was eine reine Datenskala- und Rechenleistungsstrategie unhaltbar macht.

Auch führende Köpfe der KI-Branche haben auf dieses Problem hingewiesen. Andrej Karpathy hat angemerkt, dass das alte Paradigma von „mehr Daten, mehr Rechenleistung“ nicht ewig halten kann.

Die Erkenntnis von ByteDance eröffnet eine neue, messbare Dimension der KI-Verbesserung: das Lernen nach der Bereitstellung durch reale Interaktion. Anstatt sich ausschließlich auf die Skalierung des Vortrainings zu verlassen, können KI-Agenten durch erweiterte reale Erfahrung vorhersehbar besser werden – ein Weg, der weit weniger ressourcenbeschränkt ist als das Horten immer größerer Datensätze.

Die Präzision des Log-Sigmoid-Gesetzes (R² = 0,998) ist entscheidend. Sie ermöglicht die Vorhersage der späteren Leistung anhand früher Interaktionsverläufe, wodurch das Lernen von Agenten zu einem systematischen und berechenbaren Skalierungsobjekt wird, anstatt eine unberechenbare Blackbox zu sein. Für Entwickler und Unternehmen bedeutet das, dass sich der ROI, einen Agenten länger in einer realen Umgebung laufen zu lassen, im Voraus berechnen lässt.

Was das für die Zukunft bedeutet

Diese Entdeckung verbessert nicht nur bestehende KI-Systeme – sie weist auf eine grundlegend andere Entwicklungsstrategie hin. Anstatt immer größere Modelle zu bauen, die mit endlichen Internetdaten trainiert werden, können Forscher Agenten entwickeln, die durch den Einsatz besser werden. Die Verdopplung der Lerngeschwindigkeit alle drei Monate deutet darauf hin, dass die Kluft zwischen einem frisch bereitgestellten und einem erfahrenen Agenten rapide wachsen wird, was beständige, langlebige Agentensysteme zunehmend wertvoller macht.

Für eine KI-Branche, die nach dem Boom des Vortrainings-Skalierens nach einem neuen Wachstumsvektor sucht, bietet die Entdeckung des ByteDance Seed-Teams eine datengestützte Antwort: Lasst Agenten am Arbeitsplatz lernen.