88 Prozent der KI-Codeänderungen bei DeepMind brauchen weiterhin menschliche Prüfung: Schreiben Sie Prompts, die sich überprüfen lassen

Am 14. Oktober 2026 veröffentlichte ein Forscher von Google DeepMind eine nüchterne Bilanz darüber, wie stark das Labor auf seine eigene KI setzt. Laut Belfield hat Google DeepMind keine messbare Beschleunigung der KI-Forschung durch KI selbst festgestellt. Haydn Belfield ist Senior Research Scientist, Frontier Planning @ Google DeepMind, und seine Zahlen sollte man langsam lesen. KI schreibt inzwischen mehr als 75 Prozent des Produktionscodes. Laut Belfield brauchen aber etwa 88 Prozent der Codeänderungen weiterhin menschliche Aufsicht oder Prüfung, und jede Änderung wird vor der Einreichung von einem Menschen geprüft. Der Anteil der Codeänderungen, die vollständig an KI delegiert werden, stieg von 7,5 auf 11,9 Prozent. Der Bericht erschien zwei Wochen nach dem Launch von Gemini 4 Argon. Google bezeichnet Argon als sein leistungsfähigstes Modell für anhaltendes Reasoning.

Für alle, die Prompts schreiben, ist interessant, wo die Automatisierung funktioniert und wo sie scheitert. Eine Befragung von zwölf erfahrenen Deepmind-Forschern bestätigte das Muster: Die Automatisierung ist bei klar definierten, überprüfbaren Aufgaben am höchsten und bei offener wissenschaftlicher Ideenfindung am niedrigsten. Das ist die These dieser Fallstudie. Geschickte Formulierungen machen einen Prompt nicht zuverlässig. Zuverlässig wird ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen →, wenn Sie die Anfrage in eine klar definierte Aufgabe mit angehängter Prüfung verwandeln. Das Labor, das eines der stärksten Modelle am Markt betreibt, holt seine Zuverlässigkeit aus enger Abgrenzung und Review. Ihre Prompts sollten genauso funktionieren.

Wie Google DeepMind Gemini 4 Argon für zuverlässige Arbeit aufsetzt

DeepMinds Ansatz hat zwei Ebenen: wie die Arbeit geprüft wird und wie Google empfiehlt, Argon zu prompten. Beachten Sie, dass die zweite Ebene die Empfehlung eines Anbieters für sein eigenes Produkt ist. Lesenswert ist sie trotzdem, weil sie ungewöhnlich konkret ist.

Menschliche Prüfung als Standard

DeepMind lässt den Output des Modells nicht auf Vertrauensbasis stehen. Jede Änderung wird vor dem Release geprüft, die Produktivität des Teams hängt also davon ab, wie günstig ein Mensch die Arbeit prüfen kann. Je komplexer die Aufgabe, desto schwieriger wird das. Je komplexer und zeitaufwendiger eine Aufgabe ist, desto unwahrscheinlicher erledigt KI sie allein. Über 1.389 interne Argon-Agent-Läufe hinweg sank die Erfolgsquote ohne menschlichen Input mit steigender Komplexität deutlich. Menschen bleiben unverzichtbar für kreative Forschung, das Design neuartiger Experimente, die Diagnose subtiler Trainingsinstabilitäten und langfristige Planung, sagte Belfield.

Googles eigene PromptingPromptingPrompt Engineering ist die Praxis, Texteingaben so zu gestalten und zu verfeinern, dass große Sprachmodelle präzise, relevante und verlässliche Ergebnisse liefern.Vollständige Definition ansehen →-Empfehlungen für Argon

Googles Developer Guide für Argon kommt ohne Folklore aus. Der erste Tipp betrifft die Einigung auf die Absicht, bevor das Modell loslegt. Entwickler sollen Argon bestätigen lassen, dass es Zugriff auf die nötigen Tools und Dokumente hat und die Absicht verstanden hat, bevor es beginnt. Ist das geklärt, empfiehlt der Guide, das Modell laufen zu lassen, bis es das vereinbarte Ziel erreicht, und es vor irreversiblen Schritten auf Ihre Bestätigung warten zu lassen.

Dieselbe Idee taucht in Googles kreativen Tools auf. In einer agentischen IDE wie Antigravity bringt /grill-me Argon dazu, Sie mit Rückfragen zu interviewen, um Ihre Ziele und den idealen Ansatz festzuzurren, bevor Code geschrieben wird. In AI Studio kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen Nutzer proaktiv prompten: „Stell mir zuerst Fragen zum Plan“.

Zwei weitere Empfehlungen lohnen sich zum Nachmachen. Die erste ist eine Retrospektive: Google schlägt vor, Argon zu bitten, die aktuelle Session zu untersuchen, um zu sehen, wo es gehakt hat oder zusätzliche Schritte nötig waren, und zu analysieren, warum. Dann soll es Änderungen an unserer AGENTS.md oder an Custom Skills vorschlagen, damit wir unseren Ablauf verbessern und beim nächsten Mal direkter ans Ziel kommen. Die zweite betrifft Struktur und Kosten. Laut Googles Cloud-Dokumentation greift implizites Caching (mit standardmäßig aktiviertem Durable Caching) automatisch bei gemeinsamen Prompt-Präfixen ab 6.144 TokensTokensEin Token ist die grundlegende Texteinheit, die Sprachmodelle verarbeiten, oft ein Wortfragment, ein ganzes Wort oder ein Satzzeichen und nicht ein einzelnes Zeichen.Vollständige Definition ansehen →. Statische Inhalte gehören also an den Anfang Ihres Prompts.

Schließlich misst DeepMind den Fortschritt, statt nach Gefühl zu gehen. Um den Fortschritt systematisch zu verfolgen, hat das Team einen General Capability Index (GCI) mit 123 Modellen und 92 Benchmarks aufgebaut.

Wie viel Arbeit übergibt Google ohne Menschen an KI?

Etwa jede achte Codeänderung, und selbst diese sieht sich vor der Einreichung ein Mensch an. Merken sollten Sie sich die 11,9 Prozent. Von 1.000 Codeänderungen werden etwa 119 vollständig an KI delegiert, rund 881 brauchen weiterhin menschliche Aufsicht oder Prüfung. Ein Vorjahresvergleich ist nicht möglich, weil die Zusammenfassung des Berichts kein Datum für den Ausgangswert von 7,5 Prozent nennt. Die Bewegung ist real, von etwa 75 Änderungen pro 1.000 auf 119, aber sie verläuft schrittweise.

Die Leistungszahlen erzählen dieselbe Geschichte. Auf Deepminds internem Benchmark RE-Bench mit 74 realistischen ML-Engineering-Aufgaben löst Argon etwa die Hälfte. Das ist ein großer Sprung gegenüber Gemini 3.7 Flash mit 27 Prozent, aber noch weit entfernt von der nahezu perfekten Leistung, die vollständige Automatisierung voraussetzen würde. Über die gesamte Modelllinie wachsen die Fähigkeiten der Gemini-Modelle in einem gleichmäßigen Tempo von etwa 0,1 GCI-Punkten pro Monat, ohne signifikante Veränderung der Geschwindigkeit. Dass Gemini 4 Argon leicht über der Trendlinie liegt, führt das Team auf mehr Compute und organisatorische Investitionen zurück, nicht auf eine KI-getriebene Beschleunigung.

Zwei Einschränkungen. Es handelt sich um interne Zahlen von Google, nicht um ein unabhängiges Audit, und die öffentliche Zusammenfassung nennt die Erfolgsquote je Komplexitätsstufe in den 1.389 Läufen nicht. Außerdem ist umstritten, wie sich Benchmark-Werte in echte Arbeit übertragen. Bloomberg berichtete, dass einige Google-Mitarbeiter mit direktem Zugang sagen, Argon schneide bei Benchmarks gut ab, bei echter Arbeit aber weniger gut, und habe Probleme mit bestimmten Coding-Aufgaben, darunter Frontend-Design. Google erklärte gegenüber Bloomberg, diese Darstellung sei unzutreffend. Diese Uneinigkeit stützt die These. Ein Wert auf einem überprüfbaren Benchmark sagt wenig über eine Aufgabe aus, für die niemand eine Prüfung geschrieben hat.

Prompt-Muster, die sich von DeepMind auf Ihre eigene Arbeit übertragen lassen

Die Check-first-Regel

Hier die Entscheidungsregel, kurz genug für ein Whiteboard:

Schreiben Sie die Prüfung, bevor Sie den Prompt schreiben. Passt die Prüfung in einen Satz, delegieren Sie. Braucht sie einen Absatz, teilen Sie die Aufgabe auf. Können Sie sie gar nicht formulieren, nutzen Sie das Modell als Sparringspartner, nicht als Arbeitskraft.

Eine Prüfung in einem Satz sieht so aus: „Jede Zahl in der Zusammenfassung stimmt mit der Quelltabelle überein“ oder „Die E-Mail hat weniger als 150 Wörter und nennt die Deadline.“ Brauchen Sie einen Absatz, um zu sagen, was „gut“ bedeutet, sind in der Aufgabe mehrere Jobs gebündelt, und das Modell wird einige davon schlechter erledigen als andere. Teilen Sie sie auf. Können Sie nicht sagen, wie „fertig“ aussieht (eine Strategie, eine originelle Idee, eine Ermessensentscheidung), sind Sie in dem Bereich, in dem DeepMinds eigene Forscher die geringste Automatisierung melden. Dort bitten Sie das Modell um Optionen, Einwände und blinde Flecken und treffen die Entscheidung selbst.

Muster, die Tests standhalten

Das erste Muster: Ziel und Prüfung im Prompt festhalten. DeepMinds Setup funktioniert, weil ein Reviewer weiß, worauf er achten muss. Schreiben Sie diesen Test in den Prompt und bitten Sie das Modell, seinen Output daran selbst zu bewerten, bevor es ihn abgibt.

Das zweite: Lassen Sie sich vom Modell interviewen, bevor es anfängt. Google hat /grill-me nicht ohne Grund gebaut: Unklarheiten im Briefing werden zu Fehlern im Output. „Stell mir bis zu fünf Fragen, bevor du beginnst“ kostet eine Minute und fängt die falsche Annahme ab, die Sie sonst auf Seite vier finden würden.

Das dritte: zeigen statt beschreiben. Bei Klassifizierung, Tagging und Tonalitätsabgleich schlagen ein paar gelabelte Beispiele einen Absatz voller Adjektive. Das KDnuggets-Tutorial zu Scikit-LLMLLMEin Large Language Model ist ein KI-System, das auf riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen. Damit sind Aufgaben wie Schreiben, Zusammenfassen und Beantworten von Fragen möglich.Vollständige Definition ansehen → vom Oktober 2026 behandelt Few-Shot-Klassifizierung, also die Klassifizierung von Text anhand weniger gelabelter Beispiele, die dem LLM zeigen, was es tun soll und wie. Frühere Empfehlungen von Analytics Vidhya raten zu bis zu 10 Beispielen pro Klasse und dazu, die Beispiele zu mischen (permutieren), um einen Recency Bias des Modells zu vermeiden. Wenn Sie die Mechanik genauer verstehen wollen, vertieft die Plattform das Thema: dem Modell anhand von Beispielen etwas beibringen.

Das vierte: statisches Material zuerst. Styleguides, Auszüge aus Richtlinien und Beispielsammlungen gehören an den Anfang eines wiederverwendbaren Prompts, die variable Anfrage ans Ende. Der Output wird konsistenter, und bei Argon sinkt die Rechnung (siehe das Rechenbeispiel unten).

Das fünfte: den Kreis schließen. Googles Retrospektiven-Prompt macht aus jeder langen Session ein besseres Standing Briefing. Auf Ihre Arbeit übertragen heißt das: Überarbeiten Sie Ihre gespeicherten Anweisungen, Ihr Custom GPT oder Ihre Projektdatei nach jedem Lauf, der schiefging. Diese Gewohnheit unterscheidet die Leute, die jeden Monat bessere Ergebnisse bekommen, von denen, die jedes Mal bei null anfangen, und sie ist der Kern davon,das Modell als Kollaborateur zu behandeln, mit dem Sie gemeinsam nachschärfen.

Ein Rechenbeispiel mit Argon-Caching

Argon startete mit 2 $ pro Million Input-Tokens und 10 $ pro Million Output-Tokens, mit 95 % Rabatt auf gecachte Inputs bis 30. November. Nehmen Sie ein hypothetisches Analystenteam (illustrative Zahlen, reine Arithmetik). Es fügt diesen Monat dasselbe Paket aus Richtlinien und Beispielen mit 100.000 Tokens in 500 Anfragen ein. Das sind 50 Millionen Input-Tokens. Ohne Caching kostet der Input 100 $. Trifft jede Anfrage nach der ersten den Cache mit 95 Prozent Rabatt, kostet derselbe Input etwa 5 $. Das Prompt-Muster (statische Inhalte zuerst, variable Frage zuletzt) macht den Rabatt erst möglich. Ein Vorbehalt aus einem unabhängigen Prompting-Guide: Implizites Caching setzt Eignung und einen Cache-Treffer voraus, es ist kein pauschaler Rabatt.

Tricks, die sich nicht mehr auszahlen

Die Generative AI Labs der Wharton School, eine unabhängige akademische Gruppe, haben die Folklore getestet. Beim Chain-of-ThoughtChain-of-ThoughtEine Prompting-Technik, bei der ein Sprachmodell dazu angeleitet wird, Zwischenschritte der Argumentation zu erzeugen, bevor es eine endgültige Antwort gibt. Das erhöht die Genauigkeit bei komplexen Aufgaben.Vollständige Definition ansehen →-Prompting stellten sie fest, dass Nicht-Reasoning-Modelle im Schnitt leichte Verbesserungen, aber stärker schwankende Antworten zeigen, während Reasoning-Modelle trotz erheblicher Zeitkosten (20 bis 80 % mehr) nur marginal profitieren. Zu emotionalem Druck fiel ihr Urteil deutlich aus: Drohungen oder Trinkgeld haben bei anspruchsvollen akademischen Benchmarks keinen nennenswerten Effekt auf die Leistung von KI-Modellen.

Der nützlichere Befund steckt im Detail. Prompt-Varianten verschoben einzelne Antworten um bis zu 36 Prozentpunkte (GPQA) und 28 Prozentpunkte (MMLU-Pro) nach oben und um bis zu 35 Punkte nach unten. In der Praxis heißt das: Wenn Sie einen Prompt anpassen und an einem Beispiel testen, ist das Ergebnis überwiegend Rauschen. Sie brauchen ein kleines Testset, um zu wissen, ob eine Änderung geholfen hat.

Wo sich Ihr Kontext von DeepMind unterscheidet

DeepMind arbeitet überwiegend an Code, und Code kommt mit Tests. Ein Memo, ein Forecast oder eine Kunden-E-Mail haben keinen Compiler. Die Prüfung kostet dort mehr, also ist die Check-first-Regel für Sie wichtiger, nicht weniger wichtig. Teams, die ein messbares Ziel wählen, erreichen das DeepMind-Ergebnis. Asana ist ein Beispiel, beschrieben von OpenAI, das die beteiligten Modelle verkauft. Behandeln Sie die Zahlen also als Anbietermaterial. Asanas StackAI CTO ließ GPT‑6 Astra in Codex den Agenten untersuchen, Verbesserungen testen und die Ergebnisse vergleichen. Laut OpenAI optimierte Asana den Workflow seines Browser-Agenten auf GPT‑6.1 Sol so, dass er 76-mal günstiger und 5-mal schneller läuft. Das Modell führte die Experimente durch. Ein Mensch wählte das Ziel (Kosten und Geschwindigkeit) und entschied, was als besser galt.

Was Sie am Montag tun sollten

• Listen Sie die drei KI-Aufgaben auf, die Sie am häufigsten wiederholen, und schreiben Sie für jede eine Prüfung in einem Satz. Jede Aufgabe, für die Sie keine Prüfung formulieren können, bekommt den Status „Sparringspartner“.
• Setzen Sie „Stell mir bis zu fünf Fragen, bevor du anfängst“ an den Anfang Ihres meistgenutzten Prompts und beobachten Sie, wie oft die Fragen etwas aufdecken, das Sie vergessen haben.
• Bauen Sie einen Few-Shot-Block für einen Klassifizierungsjob (Anfragen triagieren, Feedback taggen, Leads sortieren) mit bis zu zehn gemischten Beispielen pro Kategorie.
• Entfernen Sie Drohungen, Trinkgeld und „denke Schritt für Schritt“ aus Prompts an Reasoning-Modelle und verschieben Sie statisches Referenzmaterial nach oben.
• Sammeln Sie 20 echte frühere Inputs als Testset und lassen Sie Ihre alten und neuen Prompts darauf laufen, bevor Sie entscheiden, welcher gewinnt.
• Beenden Sie Ihre nächste lange KI-Session mit einem Retrospektiven-Prompt und übernehmen Sie die brauchbaren Korrekturen in Ihre gespeicherten Anweisungen.

Nach eigener Aussage delegiert Googles Frontier-Labor nur etwa 12 Prozent der Codeänderungen vollständig und lässt jede einzelne von einem Menschen prüfen. Wenn DeepMind mit seinem besten Modell so eng abgrenzt und prüft, sollten auch Ihre Prompts bei der Prüfung anfangen.