Wenn in dieser Enzyklopädie „Frontier“ als Modellbasis steht, ist damit eine bestimmte Bauform gemeint: ein proprietäres Spitzenmodell, betrieben vom Hersteller, angesprochen über eine Programmierschnittstelle, abgerechnet nach Verbrauch. Das ist die Konfiguration, auf der die große Mehrheit produktiver Agenten heute läuft. Dieses Referenzstück beschreibt, was sie leistet – und welche vier Eigenschaften dieser Bauform in jedem Branchenartikel wiederkehren werden.

Die Fähigkeitsdebatte über Sprachmodelle hat 2026 ihre nützlichste Kennzahl gefunden. Sie stammt vom Forschungsinstitut METR und misst nicht, wie gut ein Modell einzelne Fragen beantwortet, sondern wie lange die Aufgaben sind, die es eigenständig zu Ende bringt: gemessen daran, wie viel Zeit ein geübter Mensch für dieselbe Aufgabe braucht. Das ist die für agentische Systeme relevante Größe, denn ein Agent unterscheidet sich vom Chatbot genau darin, dass er über viele Schritte handelt, statt einmal zu antworten.

Befund 01Die Kurve, die alle zitieren

Die Zeithorizonte verdoppeln sich. Die ursprüngliche METR-Reihe über die Jahre 2019 bis 2025 ergab eine Verdopplungszeit von ungefähr sieben Monaten. Neuere Auswertungen deuten auf eine Beschleunigung hin; wie stark sie ausfällt, hängt jedoch vom betrachteten Zeitraum und vom statistischen Modell ab. Anfang 2026 lag das Spitzenmodell bei einem Zeithorizont von rund vierzehneinhalb Stunden, im Frühjahr wurden Werte von sechzehn Stunden und darüber gemessen. In der Zuspitzung, die durch die Präsentationen wandert: Ein Modell erledigt heute allein, woran ein Fachmensch zwei Arbeitstage sitzt.

Die dritte Zahl steht selten auf der Folie. Sie ist die wichtigste.

Befund 02Fünfzig Prozent sind keine Betriebsgröße

Der viel zitierte Zeithorizont ist ein 50-Prozent-Wert. Er beschreibt die Aufgabenlänge, bei der das Modell mit der Wahrscheinlichkeit eines Münzwurfs erfolgreich ist. Für die Vermessung technischer Fortschritte ist das eine sinnvolle Schwelle. Für einen Prozess, an dessen Ende eine Verdachtsmeldung, eine Kreditentscheidung oder eine Kontosperrung steht, ist sie unbrauchbar.

Verlangt man stattdessen 80 Prozent Zuverlässigkeit – immer noch weit unter dem, was jede Kontrollfunktion für sich selbst voraussetzt –, schrumpft der Horizont von über sechzehn Stunden auf etwa drei. Der Abstand zwischen beiden Werten ist kein Messfehler, sondern die eigentliche Nachricht: Die Fähigkeit wächst schnell, die verlässliche Fähigkeit wächst deutlich langsamer.

Dazu kommen vier Einschränkungen, die METR selbst benennt und die in der Weiterverwertung regelmäßig verschwinden. Erstens misst die Kennzahl die Schwierigkeit von Aufgaben, nicht die Laufzeit des Modells. Zweitens besteht die Aufgabensammlung überwiegend aus Softwareentwicklung, maschinellem Lernen und IT-Sicherheit – nicht aus regulierten Fachprozessen mit Aktenlage, Auslegungsspielraum und Dokumentationspflicht. Drittens gehen die Aufgaben von geringem Vorwissen aus und bilden nicht ab, was eine erfahrene Fachkraft an Kontext mitbringt. Viertens sind Messungen oberhalb von sechzehn Stunden mit der derzeitigen Aufgabensammlung ausdrücklich nicht belastbar.

Ein zweiter Befund derselben Forschungslage stützt das. Kurzstrecken-Benchmarks sind weitgehend ausgereizt: Auf der etablierten Softwareaufgaben-Sammlung stiegen die Werte binnen anderthalb Jahren von unter 14 auf über 80 Prozent. Auf Langstrecken-Aufgaben, die eine Codebasis über viele Schritte weiterentwickeln, fällt dieselbe Modellklasse auf ein Viertel der Trefferquote zurück. Die dominierende Erklärung in der Literatur ist kein Denkproblem, sondern ein Kontextproblem: Agenten sammeln über viele Werkzeugaufrufe Material an, und die Fähigkeit, in diesem wachsenden Kontext das Wesentliche zu behalten, ist der Engpass.

Befund 03Vier Anbieter, ein Markt

Wer „Frontier“ sagt, meint praktisch eine Handvoll Anbieter. Die meistzitierte Erhebung produktiver Unternehmensnutzung zeigt eine deutliche Konzentration und zugleich eine bemerkenswerte Beweglichkeit: Anthropic führte zur Jahresmitte 2025 mit rund einem Drittel der Nutzung vor OpenAI mit einem Viertel und Google mit einem Fünftel. OpenAIs Anteil war damit binnen anderthalb Jahren von etwa der Hälfte auf ein Viertel gefallen.

Die Zahlen stammen aus einer einzelnen Erhebung eines Wagniskapitalgebers, die auf Befragungen technischer Entscheider und ausgewerteten Nutzungsdaten beruht, ihren Schwerpunkt bei amerikanischen Technologieunternehmen hat und von einem Akteur erstellt wird, der in diesem Markt selbst investiert ist. Amtliche oder repräsentative Marktdaten zur produktiven LLM-Nutzung gibt es nicht. Die Reihe ist deshalb als Trendindikator brauchbar – die Rangfolge auf zwei Nachkommastellen zu diskutieren, ist es nicht.

Für ein reguliertes Haus ist an dieser Tabelle weniger die Rangfolge interessant als ihre Volatilität. Ein Markt, in dem sich Anteile innerhalb von achtzehn Monaten halbieren, ist kein Markt, in dem eine einmal getroffene Anbieterentscheidung fünf Jahre trägt. Die Auslagerungssteuerung muss diese Beweglichkeit abbilden – nicht als Ausnahme, sondern als Normalfall.

Befund 04Der Mietvertrag und sein Kündigungsdatum

Das Agenten-Hirn im Frontier-Modus ist gemietet. Diese Formulierung ist nicht polemisch, sondern beschreibt den Vertragsgegenstand: Der Betreiber erwirbt Zugriff auf ein Modell, das er nicht besitzt, dessen Version er nicht kontrolliert und dessen Verfügbarkeit an eine Produktentscheidung des Anbieters gebunden ist. 2026 ist das keine theoretische Beobachtung mehr. OpenAI schaltete am 26. März mehrere ältere GPT-4-Schnittstellenversionen ab, darunter gpt-4-0314, gpt-4-1106-preview und gpt-4-0125-preview. Anthropic nahm Claude Sonnet 4 und Claude Opus 4 am 15. Juni aus dem API-Betrieb. Die im Februar aus ChatGPT entfernten Modelle GPT-4o, GPT-4.1, GPT-4.1 mini und o4-mini waren dagegen ausdrücklich keine API-Abkündigung – ein Unterschied, den eine belastbare Ausstiegsplanung kennen muss.

Die operative Fallgrube liegt dabei nicht in der Abkündigung selbst, sondern in einer Namenskonvention. Wer im Code einen kurzen Modellnamen einträgt, greift auf einen rollierenden Alias zu, der jeweils auf die aktuelle Version einer Familie zeigt. Das Modell hinter dem Namen kann sich also ändern, ohne dass eine Zeile Code angefasst wurde. Wer stattdessen eine datierte Momentaufnahme angibt, bekommt Reproduzierbarkeit – und ein veröffentlichtes Abkündigungsdatum.

Anbieter kündigen Modelle mit Vorlauf an – bei Anthropic etwa mindestens sechzig Tage für öffentlich freigegebene Modelle. Diese Frist reicht für einen technischen Umzug locker aus. Sie reicht nicht, wenn erst am Tag der Ankündigung damit begonnen wird, eine Eval-Sammlung gegen das Nachfolgemodell laufen zu lassen und dabei eine zweistellige Ausfallquote in den geprüften Fällen entdeckt wird. Der Fehler ist dann nicht die Ausfallquote. Der Fehler ist, dass sie bis zu diesem Tag unbekannt war.

Befund 05Das Modell ist nicht der Agent

Die letzte und in Branchenartikeln folgenreichste Eigenschaft: Ein Frontier-Modell ist kein Agent. Es ist ein Bestandteil. Was ein Agent tatsächlich kann, entsteht in der Umgebung darum herum – welche Werkzeuge er aufrufen darf, wie sein Kontext zusammengestellt und beschnitten wird, wo Zwischenergebnisse geprüft werden, wann ein Mensch gefragt wird, wann abgebrochen wird.

Die Forschungslage benennt diese Umgebung inzwischen als den entscheidenden Hebel: Der Engpass langlaufender Agenten liegt in der Kontextführung, nicht in der Modellgüte. Praktisch heißt das, dass zwei Häuser mit demselben Modell völlig unterschiedliche Ergebnisse und völlig unterschiedliche Risiken produzieren können. Wer in einem Branchenartikel dieses Dossiers liest, dass eine Disziplin „auf Frontier läuft“, weiß daher erst die Hälfte. Die andere Hälfte steht im Referenzstück zur Orchestrierungsschicht.

Watchdog-WinkelWas das für Aufsicht und FinCrime bedeutet

Drei Übertragungen in die Kontrollwelt ergeben sich unmittelbar.

Erstens: Die Fähigkeitszahlen gehören nicht in die Risikoeinschätzung. Ein Zeithorizont, der an Programmieraufgaben gemessen wurde, sagt nichts über die Zuverlässigkeit bei der Bewertung eines mehrdeutigen Transaktionsmusters. Wer eine Modellauswahl mit Benchmark-Werten begründet, muss zeigen, dass die Aufgabensammlung der eigenen Domäne ähnelt. In der Geldwäschebekämpfung tut sie das bislang nicht.

Zweitens: Die Zuverlässigkeitsstufe ist die eigentliche Kontrollgröße. Der Sprung von 50 auf 80 Prozent kostet den Faktor fünf an Aufgabenlänge. Der Sprung auf das Niveau, das eine Kontrollfunktion für unbeaufsichtigtes Handeln bräuchte, ist bislang nicht vermessen. Das ist das quantitative Argument dafür, dass Human-in-the-Loop in Kontrollprozessen keine Übergangslösung ist.

Drittens: Anbieterabhängigkeit ist ein Auslagerungsrisiko mit eigenem Kalender. Modelle werden abgekündigt, Anteile verschieben sich, Preise und Nutzungsbedingungen ändern sich. Ein Haus, das das nicht in seiner Auslagerungssteuerung führt, hat eine prozesskritische Abhängigkeit außerhalb des eigenen Risikoinventars. Dass sinkende Modellpreise den Migrations- und Gesamtaufwand nicht beseitigen, zeigt das Referenzstück zur Agenten-Wirtschaft.

Damit ist die eine Hälfte der Modellachse beschrieben. Die andere – selbst gehostete und offen lizenzierte Modelle, ihre Lizenzfallen und ihre eigene Betriebslast – behandelt das Referenzstück 5.2. In den Branchenartikeln dieses Dossiers wird auf beide verwiesen, statt die Grundlagen jedes Mal neu aufzurollen.