PRINCETON (NEW JERSEY) / LONDON (IT BOLTWISE) – In einer neuen Studie testen Forscher KI-Agenten als CEOs in einer 500-Tage-Startup-Simulation. Startkapital von 1 Million US-Dollar, 34 Tools und ein Szenario mit Abonnements, Werbung und wechselnden Kundenvorlieben zeigen: Die meisten Modelle verlieren schnell die Kontrolle über Kosten, Kapazität und Strategie. Nur einzelne Sprachmodelle können unter bestimmten Bedingungen profitabel wirtschaften, aber nicht zuverlässig über den gesamten Zeitraum. Der Befund liefert wichtige Hinweise für Unternehmen, die KI-Agenten in echte Prozesse einbetten wollen.
Künstliche Intelligenz, die eigenständig plant und Entscheidungen trifft, wird in der Tech-Welt oft als nächster großer Schritt hin zur „autonomen“ Wirtschaft gefeiert. Die Realität sieht aber nüchterner aus: Wie schnell ein KI-Agent ohne stabile Strategie scheitern kann, zeigen Princeton-Forscher mit dem Benchmark CEO-Bench. Dabei wird nicht diskutiert, ob Agenten einzelne Aufgaben beherrschen, sondern ob sie als Rolleninhaber eines Unternehmens über lange Zeiträume kohärente Entscheidungen treffen. Der Test ist bewusst unbequem: Er zwingt Modelle zu kontinuierlichen Trade-offs zwischen Wachstum, Betriebskosten und Risiko – in einer Umgebung, die sich trotz Simulation nicht linear verhält.
Das Kern-Setup ist vergleichsweise klar, aber technisch anspruchsvoll in der Umsetzung. Den Agenten steht ein fiktives Startup namens Novamind zur Verfügung, dessen Erlösquellen sich aus Abonnementzahlungen der Kunden und aus Werbung innerhalb des Produkts speisen. Startpunkt der Simulation ist ein Zustand ohne Kunden, aber mit einem Startkapital von 1 Million US-Dollar. Über einen simulierten Zeitraum von 500 Tagen müssen die Agenten wöchentlich Entscheidungen treffen und dafür auf eine Python-Schnittstelle zugreifen, die den Modellen 34 Tools bereitstellt. Diese Tools bilden in der Logik „Abteilungen“ wie Marketing, Preisgestaltung oder Infrastruktur ab.
Die Agenten erhalten damit nicht nur „Ideen“, sondern können operativ handeln: Marketing umfasst die Entwicklung und Durchführung von Kampagnen über verschiedene Kanäle, Preisgestaltung erlaubt das Anpassen von Abo-Levels, Rabatten und Werbemaßnahmen. Im Bereich Produkt und Forschung geht es um Investitionen in bestehende Features oder um die Anstoßfinanzierung langfristiger Projekte. Zusätzlich existieren Aufgaben, die klassische CEO-Routinen abbilden: Serverkapazitäten hinzukaufen, den Kundenservice ausbauen und so Verzögerungen oder Ausfälle abfedern. Selbst die öffentliche Kommunikation wird automatisiert über Social-Media-Signale und Feedback gesteuert, damit sich das Unternehmen „sichtbar“ anpasst.
Technisch liegt die Schwierigkeit weniger in der Tool-Nutzung als in der Verzahnung von Unsicherheiten. Novamind muss fortlaufend das Wechselspiel zwischen Abonnement- und Werbeeinnahmen, Rechen- und Kapazitätskosten sowie Support- und Entwicklungsaufwand ausbalancieren. Der eigentliche Engpass ist, dass die Modelle die Kundenpräferenzen nicht als Ground Truth erhalten. Stattdessen müssen sie aus Rückmeldungen in sozialen Medien Muster ableiten und ihre Annahmen über die Zeit aktualisieren. Hinzu kommt Zufall: Über die 500 Tage streuen Ereignisse, die das „Planbarkeitsideal“ brechen. Besonders kritisch sind verzögerte Effekte: Kosten fallen sofort an, während sich Umsatz, Kundenbindung, Forschungsergebnisse und Reputation erst später zeigen.
Die Ergebnisse des Benchmarks sind genau deshalb so ernüchternd. Laut den Autoren sank bei den meisten Agenten das verfügbare Kapital unter null; die Simulation endete dann als „Bankrott“. Nur wenige Modelle steigerten das Startguthaben: Claude Fable 5, Claude Opus 4.8 und GPT-5.5 konnten in den erfolgreichen Läufen Gewinne erzielen. Selbst diese Leistung blieb nicht konstant: In anderen Durchläufen fuhren sie zwar nicht in den Ruin, erreichten aber ebenfalls keinen Gewinn. Am schlechtesten schnitt Grok 4.20 ab; der Agent auf Basis des xAI-Sprachmodells brachte das Startup in weniger als 40 Tagen zum Scheitern. Der Wettbewerbsvergleich macht damit deutlich: Agentisches Verhalten ist stark modellabhängig, nicht nur „prinzipiell lösbar“ durch mehr Autonomie.
CEO-Bench zeigt darüber hinaus, dass die Modelle unterschiedliche „Chefstrategien“ entwickeln – und dass diese Strategien in der Simulation Konsequenzen haben. GPT-5.5 versuchte in einigen Läufen über den gesamten Zeitraum hinweg eine stabile Kundenbasis zu halten, indem es kurzfristig die Produktqualität erhöhte, um Abwanderung zu verhindern. Claude Opus 4.8 ging dagegen in einer Simulation nach einer aggressiven Wachstumsphase in eine Art Realismusmodus: Es akzeptierte, dass die Kundenanzahl bis zum Ende auf Null fallen kann, verringerte dann aber Ausgaben für Werbung, Entwicklung und Technik. Das wirkt in der Simulation wie ein finanzieller Endspurt entlang einer „Ziellinie“, ist in der realen Welt aber so nicht ohne Weiteres übertragbar, weil dort der Markt nicht „wartet“.
Für den Markt bedeutet das: Unternehmen sollten Agenten nicht automatisch als Substitut für Managementkompetenz betrachten, sondern als Optimierer für klar umrissene Teilaufgaben mit überprüfbaren Grenzen. Historisch kennt die Branche ähnliche Ansätze aus dem Bereich der „Autonomie im Labor“, etwa als Chatbots mit Tool-Use Aufgabenketten durchlaufen sollten. Der Schritt von der Task-Ebene zur Unternehmensrolle ist jedoch ein anderer. Hier müssen nicht nur Ziele verfolgt, sondern auch Feedback-Latenzen, KPI-Drift und Unsicherheit robust gehandhabt werden. Genau deshalb ist der Benchmark relevant für MLOps- und Sicherheitsverantwortliche: Er macht sichtbar, wie schnell sich ein Agent in lokale Optima verheddern kann, wenn Zieldefinition und Rollenerwartung auseinanderlaufen.
In der Studie beschreiben die Forscher CEO-Bench explizit als Schritt hin zu Agenten und Trainingsmodellen, die nicht nur Anfragen beantworten, sondern Organisationen über längere Zeiträume bei Unsicherheiten unterstützen. Gleichzeitig liefern sie eine klare Einschränkung: „Ein Unternehmen sollte man sie aber derzeit besser nicht leiten lassen.“ Das ist weniger ein Sicherheitsbanner als eine ehrliche Systemgrenze. Wenn es weitergeht, dürfte der nächste Fokus auf Trainingsmethoden und Feedback-Schleifen liegen, die nicht nur kurzfristige Belohnungen maximieren, sondern langfristige Planung messbar machen. In diesem Kontext wird auch DeepSeek als Beispiel für Modelle genannt, die sich in der Agenten-Debatte anders positionieren. Für die Praxis heißt das: Der spannendste Fortschritt entsteht wahrscheinlich dort, wo KI-gestützte Entscheidungsunterstützung mit menschlicher Zielarchitektur und Governance gekoppelt wird.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "CEO-Bench: Warum KI-Agenten langfristige Unternehmensführung kaum schaffen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "CEO-Bench: Warum KI-Agenten langfristige Unternehmensführung kaum schaffen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »CEO-Bench: Warum KI-Agenten langfristige Unternehmensführung kaum schaffen« bei Google Deutschland suchen, bei Bing oder Google News!