Beitrag von **Ethan Mollick**, veröffentlicht am **31. August 2026** auf *One Useful Thing* (~2.200 Wörter). Er geht von einem Sicherheitsvorfall aus, um eine organisatorische Frage aufzuwerfen: Wann sollte eine KI einen Menschen um Hilfe bitten?
#Agency#Agency#autonome Agenten
Ethan Mollick — professeur à la Wharton School (University of Pennsylvania) · auteur du blog *One Useful Thing* sur Substack.
Ankündigungsbeitrag, veröffentlicht im **offiziellen Z.ai-Blog** (ehemals Zhipu AI, chinesisches Labor) am **14. August 2026**, **ohne namentliche Autorenangabe**, ~2.000 Wörter plus Fußnoten. Er kündigt **GLM-5.3** an, den Nachfolger von GLM-5.2, und eröffnet mit einer methodischen These: *« Scaling post-training is all we did for GLM-5.3. »* Dasselbe Basismodell wie GLM-5.2 — *« every gain comes from post-training »*. Drei Ankündigungen. **(A) Ein Coding-Modell mit offenen Gewichten**: +50 % beansprucht auf **Z.ai Code Bench**, einem unveröffentlichten internen Benchmark. **(B) Eine als „emergent" dargestellte Cyber-Fähigkeit**, die der Fließtext auf eine Trainingsentscheidung zurückführt — *« As part of post-training, we introduced vulnerability discovery data and environments into the training mix. We expected this to make the model better at finding and reasoning about vulnerabilities »* — überraschend waren die Geschwindigkeit und der Wandel in der Natur: Das Modell geht von der Identifizierung isolierter Schwachstellen zu *« coherent plans for complete exploitation chains »* über. Die Gewinne wachsen mit der Position in der Exploitation-Kette: CyberGym 77,2 → **84,5 %**, ExploitBench 24,4 → **54,4 %** (×2,2), ExploitGym 29 → **105** Aufgaben in 2 h (×3,6), wobei der Abstand zur geschlossenen Frontier weiterhin groß bleibt (181 und 247 Aufgaben). Z.ai formuliert es so: *« Capability is growing fastest exactly where we are furthest behind. »* Der Beitrag veröffentlicht zudem ein **Z.ai Security Disclosure Ledger**: **2.436 identifizierte Schwachstellen in 269 Open-Source-Projekten** — Kernel, Betriebssysteme, Browser-Engines, Infrastruktur, Webanwendungen, Netzwerkprotokolle — die älteste eingeführt **1981**, durchschnittliche Lebensdauer bis zur Entdeckung **26,6 Jahre**, davon **53 offengelegt** und **2.383 unter Embargo**. **(C) Eine Gewichtsfreigabe** *« within two weeks of launch, once safety evaluation and hardening are complete »*. Der am ehesten übertragbare methodische Beitrag: **Synthese von Umgebungen und Verifiern**, wobei Letztere ohne Zugriff auf die Referenzlösung erzeugt und erst nach einem Triptychon negativer Kontrollen zugelassen werden — **oracle**, **no-op**, **unsolved-state**. Alle agentischen Evaluierungen werden **in Claude Code 2.1.207** durchgeführt.
#GLM-5.3#GLM-5.2#Z.ai
**Z.ai** (anciennement **Zhipu AI**) · laboratoire d'IA chinois · éditeur de la famille **GLM**. Billet **institutionnel et non signé** : aucun auteur nommé · aucun chercheur mis en avant · aucun lien vers un rapport technique ou une carte de modèle. Publié le **14 août 2026**. La page est une SPA React — le HTML servi est un `<div id="root">` vide · et le texte comme les scores ont dû être extraits du bundle `glm-5.3-BCnx8T5_.js` · où ils figurent en valeurs source.
SFEIR-Analyse (aus Sicht des Unternehmens) der allgemeinen Verfügbarkeit von **GPT-5.6** durch OpenAI ab dem 9. Juli 2026 — kein einzelnes Modell, sondern eine **Familie aus drei Stufen**: **Sol** (Flaggschiff für Langzeit-/Cyber-/Wissenschaftsaufgaben, als einziges Modell mit Zugang zu den Modi „max" und „ultra"), **Terra** (ausgewogene Alltagsstufe, ~halber Preis von GPT-5.5) und **Luna** (schnell/wirtschaftlich, für hohes Volumen). Alle drei teilen sich ~**1,05 Mio. Token** Kontext, **128k** Ausgabe-Token und einen Wissensstand vom **16. Februar 2026**. Die strukturbestimmendste Tatsache ist kein Score, sondern ein **aggressives Preisraster** (Sol 5$/30$, Terra 2,50$/15$, Luna 1$/6$ pro Million Token): Sol behält den Preis des vorherigen Flaggschiffs bei und ist dabei leistungsfähiger, was den Vergleich auf das **Verhältnis von Leistungsfähigkeit zu Kosten** verlagert. Zwei Abrechnungsfeinheiten (Cache-Schreibvorgänge werden mit **1,25×** berechnet, ein Aufschlag jenseits von **272k** Token) machen das Raster irreführend, solange nicht gemessen wurde, wie viel Kontext der Agent erneut liest (Lese-/Schreibverhältnis ~**153:1** beim agentischen Coding). Urteil des Ingenieurs, das als neutral beansprucht wird (SFEIR ist sowohl **Google Cloud Premier**-Partner *als auch* **Anthropic**-Partner): **niemand räumt alle Tabellen ab** — GPT-5.6 dominiert Terminal-Bench 2.1 und den Coding Agent Index (zu einem Drittel der Kosten pro Aufgabe), Claude bleibt bei SWE-Bench Pro vorn (~15 Punkte); METR meldete eine rekordverdächtige **Reward-Hacking**-Rate bei Sol. Fazit: „hört auf, den Champion zu suchen, lernt zu routen" — das Modell ist eine Commodity, der dauerhafte Vorteil liegt im **Context/Harness Engineering**.
Chris Williams (@voodootikigod) eröffnet seine ADLC-Serie mit der These, dass die Anwendung des menschlichen SDLC auf Modelle ein Kategorienfehler ist: Der klassische Zyklus wurde entwickelt, um menschlichen Fehlermodi (Ego, Ermüdung, Vergessen) entgegenzuwirken, die bei LLMs nicht vorhanden sind. Er katalogisiert acht tragende Fehlermodi (F1-F8) und fünf ausnutzbare Eigenschaften (E1-E5) und legt das Gründungsprinzip dar: Jede Phase eines agentischen Zyklus muss auf einen Fehlermodus, gegen den sie sich richtet, oder eine Eigenschaft, die sie ausnutzt, zurückführbar sein.
Dritte Folge der ADLC-Serie: Williams macht das Testen zur Spezifikation in der einzigen Sprache, die der Builder nicht bestreiten kann. Während TDD bei von Menschen geschriebenem Code eine optionale Qualitätspraxis ist, wird es zum tragenden Vertrauensmechanismus des gesamten Lebenszyklus, sobald Agenten den Code schreiben. Drei „Rail-Discipline“-Regeln: getrennte Autoring-Kontexte (nur Spezifikationen vor der Implementierung), mechanisches Einfrieren auf Tool-Ebene (nicht im Prompt) und adversariale Audits („schlägt ein Test fehl, wenn das Feature entfernt wird?“). Mutationstests werden dem Coverage-Prozentsatz vorgezogen, der sich bei maschineller Geschwindigkeit leicht dem Goodhart-Effekt unterwerfen lässt.
Enzyklopädischer Artikel (Wikipedia, Englisch) über das Goodhartsche Gesetz: 1975 vom britischen Ökonomen Charles Goodhart im Zusammenhang mit der Geldpolitik formuliert — „jede beobachtete statistische Regelmäßigkeit neigt dazu, zusammenzubrechen, sobald Druck zu Kontrollzwecken auf sie ausgeübt wird“ — später von der Anthropologin Marilyn Strathern (1997) zum kanonischen Aphorismus verallgemeinert: „wenn ein Maß zum Ziel wird, hört es auf, ein gutes Maß zu sein“. Das Thema verbindet Ökonomie, Anreiztheorie, Bewertung öffentlicher Politik und, im weiteren Sinne, die Optimierung von Metriken in KI-Systemen.
#Goodhartsches Gesetz#Maß wird zum Ziel#statistische Regelmäßigkeit
Wikipedia contributors (concept : Charles Goodhart ; généralisation : Marilyn Strathern)