Es gibt keine anerkannte wissenschaftliche Definition von künstlicher allgemeiner Intelligenz (AGI) und deshalb auch keinen wissenschaftlich festgelegten Zeitpunkt, an dem sie erreicht wäre. Mindestens sechs Definitionen sind gleichzeitig in Gebrauch. Sie sind keine Varianten einer Idee. Auf dieselben KI-Systeme des Septembers 2026 angewandt, liefern sie gegensätzliche Antworten: „bereits erreicht”, „etwa zur Hälfte” und „noch nicht auf der zweiten von fünf Stufen”. Die fehlende Definition ist keine Lücke, die weitere Forschung schließen wird. Sie ist eine Eigenschaft der Debatte, die jede Seite nutzen kann – und mehrere nutzen sie sichtbar.

Die wesentlichen Ergebnisse

  1. Die Definitionen widersprechen sich zwangsläufig. Die Charta von OpenAI definiert AGI über den wirtschaftlichen Wert. Hendrycks und Kollegen definieren sie als das Fähigkeitsprofil eines gut ausgebildeten Erwachsenen und stufen GPT-4 auf dieser Skala bei 27 % und GPT-5 bei 57 % ein. Google DeepMind verwendet eine Skala mit sechs Stufen, auf der die heute führenden Modelle noch auf Stufe 1 stehen. Chollet definiert AGI darüber, wie effizient ein System neue Fähigkeiten erlernt. Ein Beitrag in Nature vom Februar 2026 argumentiert, heutige Systeme erfüllten die Definition bereits. Der Vertrag zwischen OpenAI und Microsoft definierte sie Berichten zufolge über eine Gewinnsumme. Jede Definition setzt eine andere Bedingung dafür, wann AGI als erreicht gilt.
  2. Konkrete Tests gibt es; die Messungen sind jedoch anfällig. Am 3. September 2026 erreichte GPT-6 Astra im Test ARC-AGI-3 62,7 % in der Standard-Testumgebung der Testautoren und 99,9 % in einer von OpenAI bereitgestellten Testumgebung. Der Unterschied von 37 Punkten stammt aus der Software rund um das Modell, nicht aus dem Modell selbst. Verbreitet hat sich die höhere Zahl. Die Testautoren veröffentlichten beide Werte und erklärten, sie behaupteten nicht, dass es sich um AGI handele.
  3. Die Leistungszuwächse sind dennoch real. Im Test ARC-AGI-2 stieg das beste veröffentlichte Ergebnis von etwa 54 % bei rund 31 US-Dollar je Aufgabe Ende 2025 auf 95 % bei rund 1,12 US-Dollar je Aufgabe im September 2026. Die Organisation, die dies gemessen hat, weist die Schlussfolgerung „AGI” öffentlich zurück.
  4. Kaum jemand behauptet, AGI sei unmöglich. Die bekanntesten Skeptiker – LeCun, Sutton, Chollet, Marcus – bestreiten die Methode, den Zeitpunkt oder den Nutzen des Wortes. Drei von ihnen haben Unternehmen gegründet, um AGI auf einem anderen Weg zu bauen.
  5. Die kommerzielle Verwendung des Wortes ist belegt. Die „AGI-Klausel” zwischen OpenAI und Microsoft wurde umdefiniert, dann einem Expertengremium unterstellt und am 27. April 2026 kommerziell bedeutungslos, als Microsofts Umsatzbeteiligung vom technischen Fortschritt OpenAIs abgekoppelt wurde. Die fünf größten Cloud-Anbieter planen für 2026 Ausgaben für KI-Infrastruktur von rund 660 bis 800 Milliarden US-Dollar, während der bislang gemessene Effekt auf die Wirtschaft klein ist.

Grundlage, Grenzen und Folgerung

Dieser Beitrag stützt sich ausschließlich auf öffentliche Quellen: Testergebnisse, direkt auf den Websites der veröffentlichenden Organisationen gelesen; Originalaufsätze und -essays; datierte Aussagen. Elf Quellen waren nicht zugänglich und wurden ausgeschlossen statt sinngemäß wiedergegeben.

Das Vertrauen ist hoch für die Feststellung zu den Definitionen und für die direkt geprüften Testwerte, mittel für Zitate, die über Nachrichtenmedien überliefert sind, und niedrig für die Ausgabenzahlen. Eine unabhängige Fachbegutachtung hat nicht stattgefunden; die tatsächlich erfolgte Prüfung ist am Ende des Beitrags beschrieben. Die praktische Folge: Die Frage „Ist AGI erreicht?” lässt sich so, wie sie gestellt wird, nicht beantworten. Eine Behauptung wird erst prüfbar, wenn sie die Definition, die Testbedingungen, die prüfende Stelle und die Kosten nennt.

Begriffe, die in diesem Beitrag verwendet werden

Begriff Bedeutung hier
AGI Artificial General Intelligence, künstliche allgemeine Intelligenz: ein KI-System, das über viele Arten von Aufgaben hinweg ungefähr menschliches Niveau erreicht – nicht nur in einer Spezialaufgabe. Was das genau bedeutet, ist Gegenstand dieses Beitrags.
Benchmark Ein standardisierter Vergleichstest: ein fester Satz von Aufgaben mit einer Bewertungsregel, mit dem KI-Systeme verglichen werden.
Testumgebung (Harness) Die Software rund um ein Modell während eines Tests: wie Aufgaben gestellt werden, was das Modell zwischen den Schritten im Gedächtnis behalten darf, wie viele Versuche es hat. Dasselbe Modell kann in verschiedenen Testumgebungen sehr unterschiedlich abschneiden.
Spitzenmodell Eines der leistungsfähigsten KI-Systeme, die zu einem bestimmten Zeitpunkt verfügbar sind.
Rechenleistung Die Prozessorressourcen, mit denen ein Modell trainiert oder betrieben wird. Mehr Rechenleistung während eines Tests erhöht in der Regel das Ergebnis – und die Kosten.
Zeithorizont (METR) Die Länge einer Aufgabe, gemessen in den Arbeitsstunden, die eine qualifizierte Person dafür bräuchte, die eine KI in der Hälfte der Fälle erfolgreich erledigt.
Perzentil Ein Rang innerhalb einer Gruppe. „Das 50. Perzentil qualifizierter Erwachsener” heißt: mindestens so gut wie die Hälfte von ihnen.
Verdopplungszeit Die Zeit, in der sich eine gemessene Größe verdoppelt.
Totale Faktorproduktivität Ein Maß der Wirtschaftswissenschaft dafür, wie viel eine Volkswirtschaft aus einem gegebenen Einsatz von Arbeit und Kapital herstellt.
Lean Eine Software, die einen mathematischen Beweis Schritt für Schritt überprüft, sodass er maschinell und nicht nur durch menschliche Fachleute bestätigt werden kann.

1. Die Antwort – und warum sie die Frage neu stellt

Auf die Frage „Was genau ist AGI?” gibt es heute keine einzige richtige Antwort. Der Grund ist nicht, dass die Wissenschaft noch am Anfang stünde. Jede gebräuchliche Definition ist in sich schlüssig und lässt sich messen. Sie definieren nur verschiedene Dinge, und die Organisationen, die sie verwenden, haben praktische Gründe, die eine der anderen vorzuziehen.

Das hat eine unmittelbare Folge. Zwei gut informierte Personen können GPT-6 Astra im September 2026 betrachten und anhand veröffentlichter Kriterien zu dem Schluss kommen, AGI sei da – und ebenso, sie sei es nicht. Beide können recht haben, weil sie verschiedene Definitionen verwenden. Ein Streit um das Wort endet deshalb nie. Ein Streit um konkrete Fähigkeiten, gemessen unter genannten Bedingungen und zu genannten Kosten, kann enden – und mehrere sind bereits entschieden.

Definition Urheber und Datum Was zutreffen muss Urteil über die Systeme vom September 2026
Ökonomisch OpenAI-Charta, April 2018 Übertrifft Menschen bei den meisten wirtschaftlich wertvollen Tätigkeiten Nicht geprüft – ein solcher Versuch wurde nie durchgeführt
Psychometrisch Hendrycks u. a., Oktober 2025 Erreicht einen gut ausgebildeten Erwachsenen in zehn geistigen Fähigkeiten 57 % des Weges (GPT-5)
Stufenmodell Google DeepMind, 2023/2025 Stufe 2: mindestens so gut wie der durchschnittliche qualifizierte Erwachsene, über viele nichtkörperliche Aufgaben hinweg Nicht erreicht – weiterhin Stufe 1, „Emerging”
Lerneffizienz Chollet, 2019 Erlernt neue Fähigkeiten effizient, nicht durch schiere Rechenleistung Teilweise – und nur mit unbegrenzter Rechenleistung
Verhaltensbasiert Chen u. a., Nature, Februar 2026 Breite, flexible Kompetenz; Perfektion nicht erforderlich Ja – bereits erreicht
Vertraglich OpenAI–Microsoft, 2018–2026 Berichten zufolge 100 Milliarden US-Dollar Gewinn; später das Urteil eines Expertengremiums Nicht mehr relevant – im April 2026 vom Geld getrennt

Die Urteile sind die Anwendung des jeweiligen Rahmens durch diesen Beitrag, so wie die Urheber ihn beschreiben. Es sind keine Aussagen dieser Urheber über GPT-6 Astra.

Die Empfehlung lautet deshalb nicht, den Begriff zu klären, sondern ihn in der Analyse nicht mehr zu verwenden. Abschnitt 6 nennt vier Fragen, die stattdessen zu stellen sind.

2. Wesentliche Ergebnisse

Ergebnis Beleg Vertrauen Wichtigste Einschränkung
Keine Definition von AGI ist im Fach allgemein anerkannt; sechs sind in Gebrauch, jede mit einer anderen Bedingung für „erreicht” Definitorische Originaltexte, direkt gelesen: A Definition of AGI, Levels of AGI, On the Measure of Intelligence Hoch Die sechs sind die bekanntesten; weitere existieren
Testergebnisse hängen von der Testumgebung ab: 62,7 % gegenüber 99,9 % für dasselbe Modell im selben Test ARC-Prize-Rangliste und Analyse, direkt gelesen Hoch Nachgewiesen für ARC-AGI-3; für andere Tests angenommen
Die Leistungszuwächse sind groß und werden von Organisationen bestätigt, die die AGI-Deutung ablehnen ARC-AGI-2: etwa 54 % bei etwa 31 US-Dollar je Aufgabe (Ende 2025) auf 95 % bei etwa 1,12 US-Dollar je Aufgabe (September 2026) Mittel Verschiedene Systeme; möglicherweise verschiedene Testversionen
Unter strengen Rechenlimits fallen die Ergebnisse stark ab: 24,03 % im Wettbewerb 2025 gegenüber einer Preisschwelle von 85 % ARC-Prize-Ergebnisse 2025 Hoch Ein Wettbewerbsjahr
Die Länge der Aufgaben, die eine KI allein bewältigt, verdoppelt sich bei neueren Modellen etwa alle 3 bis 4,5 Monate – auf einem Aufgabensatz, den die messende Organisation als nahezu ausgereizt bezeichnet METR Time Horizon 1.1 Hoch Nur Aufgaben aus Software, maschinellem Lernen und Cybersicherheit
Die Fähigkeit, nach der Auslieferung weiterzulernen und neue Langzeiterinnerungen zu speichern, ist der am häufigsten genannte fehlende Baustein A Definition of AGI; AGI’s Last Bottlenecks Mittel Der gemessene Wert stammt aus einer Forschungsgruppe
Kaum ein namhafter Forscher hält AGI für grundsätzlich unmöglich Positionen von LeCun, Marcus, Chollet und Sutton, einzeln geprüft Mittel Erfasst die genannten Personen, nicht das ganze Fach
Das Wort hat neben seiner wissenschaftlichen Rolle eine belegte kommerzielle und vertragliche Rolle Vertragschronologie; Berichte zur Produktvorstellung im September 2026 Mittel Die Interessen sind belegt, die Absichten nicht

3. Umfang und Methode

Die Frage hat drei Teile – was das Wort bedeutet, was die Belege zeigen und wer von welcher Antwort profitiert. Deshalb wurden drei Arten von Belegen genutzt: die definitorischen Originaltexte; Testergebnisse, direkt auf den Websites der veröffentlichenden Organisationen gelesen; und datierte Aussagen namentlich genannter Personen, gelesen zusammen mit den kommerziellen Vereinbarungen, an denen diese Personen beteiligt sind.

Alles Material wurde am 9. September 2026 abgerufen. Wo eine Website ihre Ergebnisse über interaktive Skripte anzeigte, wurde die Seite in einem Browser geöffnet und direkt gelesen, statt aus Suchergebnissen zusammengefasst zu werden. Die durchgängig verwendeten ARC-Prize-Zahlen wurden auf diesem Weg gewonnen. Zusammenfassungen von Suchmaschinen dienten nur dem Auffinden von Material. Eine frühe Zusammenfassung nannte ARC-AGI-2-Werte, die die Rangliste selbst nicht zeigte; sie wurde verworfen, und der Vorgang ist im Rechercheprotokoll des Herausgebers festgehalten.

Nach Gegenbelegen wurde bewusst gesucht: nach skeptischen Positionen, nach Wirtschaftsdaten zur tatsächlichen Wirkung und nach Kritik am Begriff selbst. Elf Quellen ließen sich nicht öffnen – darunter die Charta-Seite von OpenAI, drei Nature-Beiträge sowie Berichte von Axios und Bloomberg. Sie sind als unzugänglich verzeichnet, und ihr Inhalt wird nicht wiedergegeben.

Außerhalb des Umfangs: existenzielle Risiken, Forschung zur KI-Sicherheit, Regulierung, Bewusstsein, Robotik-Hardware und jede Anlagebeurteilung.

4. Ergebnisse und Begründung

4.1 Sechs Definitionen, die nicht übereinstimmen

Der Begriff wurde 1997 erstmals von Mark Gubrud verwendet und um 2002 von Ben Goertzel, Shane Legg und Peter Voss unabhängig davon als Buchtitel neu eingeführt, um ihr Ziel von der engen, auf einzelne Aufgaben beschränkten KI jener Zeit abzugrenzen. Er kam als Name eines Forschungsprogramms in das Fach, nicht als messbare Schwelle, und hat nie eine einheitliche Messung erhalten. Sechs Definitionen sind in aktivem Gebrauch.

(a) Ökonomisch. Die Charta von OpenAI (April 2018) definiert AGI als „hochgradig autonome Systeme, die Menschen bei den meisten wirtschaftlich wertvollen Tätigkeiten übertreffen”. Prognostiker verwenden eine ähnliche Formulierung: Die meiste Schreibtischarbeit kann von KI besser, schneller und günstiger erledigt werden als von Menschen. Dies ist die einzige Definition, deren Erfüllung in der amtlichen Wirtschaftsstatistik sichtbar würde.

(b) Psychometrisch. Hendrycks und Kollegen (Oktober 2025) definieren AGI als das Erreichen „der kognitiven Vielseitigkeit und Leistungsfähigkeit eines gut ausgebildeten Erwachsenen”. Sie messen dies mit Tests, die aus der menschlichen Psychologie übernommen wurden, in zehn Bereichen wie Schlussfolgern, Gedächtnis und Wahrnehmung. Das Ergebnis ist eine einzige Prozentzahl: GPT-4 bei 27 %, GPT-5 bei 57 %. Wichtiger als die Zahl ist das Profil dahinter. Die Leistung ist sehr ungleichmäßig – stark in wissensintensiven Bereichen, nahe null beim Speichern neuer Langzeiterinnerungen.

(c) Stufenmodell. Levels of AGI von Google DeepMind (2023, überarbeitet 2025) setzt keine einzelne Schwelle. Es bewertet Systeme nach zwei Dingen: wie gut sie arbeiten und wie breit ihre Fähigkeiten sind. Stufe 2, „Competent AGI”, verlangt Leistungen mindestens auf dem Niveau des durchschnittlichen qualifizierten Erwachsenen, und zwar über ein breites Spektrum nichtkörperlicher Aufgaben. In der jüngsten Fassung hat kein allgemeines System Stufe 2 erreicht. Die heute führenden Sprachmodelle stehen auf Stufe 1, „Emerging AGI”. Die sechs Grundsätze des Papiers sind für sich genommen nützlich: Fähigkeiten beurteilen, nicht innere Mechanismen; Breite und Qualität zugleich verlangen; geistige Aufgaben zählen, nicht körperliche; zählen, was ein System kann, nicht, wofür es eingesetzt wird; realistische Aufgaben verwenden; und einen Weg mit Etappen beschreiben statt einer einzelnen Ziellinie.

(d) Lerneffizienz. Chollet (2019) definiert Intelligenz darüber, wie effizient ein System neue Fähigkeiten erwirbt. Fähigkeiten allein zu messen, reiche nicht, argumentiert er, denn mit unbegrenzten Trainingsdaten oder unbegrenzter Rechenleistung lasse sich jedes Fähigkeitsniveau „kaufen”, ohne dass das System intelligenter werde. Die Testfamilie ARC beruht auf diesem Gedanken. Nach dieser Definition hat ein System, das neue Probleme nur mit enormer Rechenleistung löst, die gefragte Eigenschaft nicht nachgewiesen.

(e) Verhaltensbasiert. Vier Forscher der University of California, San Diego – Chen, Belkin, Bergen und Danks – argumentierten in Nature (Band 650, S. 36–40, Februar 2026), AGI habe immer flexible, breite Kompetenz in Mathematik, Sprache, Naturwissenschaft, praktischem Denken und kreativer Arbeit bedeutet, ohne Anspruch auf Perfektion. Nach diesem Maßstab, so die Autoren, erfüllten heutige große Sprachmodelle die Definition bereits. Eine Erwiderung in Nature von Quattrociocchi, Capraro und Marcus hielt dagegen, dies verwechsle sehr gutes statistisches Mustererkennen mit Intelligenz; gute Leistungen in einzelnen Aufgaben seien kein Beleg für allgemeine Fähigkeit.

(f) Vertraglich. Im Vertrag zwischen OpenAI und Microsoft war „AGI” ein Auslöser für die Änderung kommerzieller Rechte. Zunächst galt der Wortlaut der Charta. Berichten zufolge definierte eine Vereinbarung von 2023 den Begriff neu: als den Punkt, an dem OpenAIs Systeme 100 Milliarden US-Dollar Gewinn erwirtschaften können. Ab Oktober 2025 musste jede Erklärung, AGI sei erreicht, von einem unabhängigen Expertengremium bestätigt werden. Am 27. April 2026 verlor die Klausel ihren Zweck: Microsofts Umsatzbeteiligung wurde bis 2030 vom technischen Fortschritt OpenAIs unabhängig gemacht.

Zwei weitere Positionen sind wichtig. Anthropic vermeidet den Begriff. Der Unternehmenschef Dario Amodei schreibt stattdessen von „powerful AI” – einer Liste von Eigenschaften, zusammengefasst als „ein Land voller Genies in einem Rechenzentrum” –, ausdrücklich um die Science-Fiction-Anklänge von „AGI” zu vermeiden. Sam Altman von OpenAI hat sowohl gesagt, AGI sei „ein sehr schlampiger Begriff”, als auch, es sei „etwas, das wir bereits erreicht haben, ohne es zu bemerken”, und eingeräumt, die Branche habe „den Fehler gemacht, AGI nicht ordentlich zu definieren”.

Der entscheidende Punkt ist nicht, dass diese Definitionen unterschiedliche Schwerpunkte setzen. Er ist, dass jede eine andere Bedingung dafür setzt, wann AGI als erreicht gilt. Nach (e) existiert AGI heute. Nach (c) nicht. Nach (b) steht der Fortschritt bei 57 %. Nach (a) wurde der Test nie durchgeführt. Nach (f) wurde die Frage durch eine Vertragsänderung entschieden, nicht durch Belege.

4.2 Konkrete Kriterien gibt es – die Messungen sind jedoch instabil

Ausdrückliche Schwellenwerte existieren. Beispiele: 85 % im nicht öffentlichen ARC-AGI-2-Test unter strengen Grenzen für die Rechenleistung (Hauptpreis des ARC Prize); 100 % auf dem Hendrycks-Index; die DeepMind-Stufen beim 50., 90., 99. und 100. Perzentil qualifizierter Erwachsener; METRs Zeithorizonte bei 50 % und 80 % Zuverlässigkeit; und der Anteil, in dem KI bei GDPval menschliche Fachleute an echten Arbeitsergebnissen erreicht oder übertrifft. Ältere informelle Tests – der Turing-Test, der „Kaffee-Test” (in einer fremden Küche einen Kaffee zubereiten), der „Studenten-Test”, der „Beschäftigungstest” – werden noch zitiert, aber keine ernsthafte Prüfstelle nutzt sie als Entscheidungsregel.

Vier Probleme treten wiederholt auf.

Tests nutzen sich ab. Sobald die meisten Systeme nahe am Maximum liegen, kann ein Test sie nicht mehr unterscheiden. MMLU, ein weit verbreiteter Wissenstest, ist oberhalb von 88 bis 90 % praktisch ausgereizt. ARC-AGI-1 steht heute bei 98,5 %. METR erklärt, der eigene Aufgabensatz sei nahezu ausgereizt und Messungen oberhalb von etwa 16 Stunden seien unzuverlässig – ein Vorbehalt zum eigenen meistzitierten Ergebnis.

Die Ergebnisse hängen von der Testumgebung ab. Das klarste Beispiel ist wenige Tage alt. Im Test ARC-AGI-3 erreichte GPT-6 Astra 62,7 % in der Standard-Testumgebung der Testautoren und 99,9 % in einer von OpenAI bereitgestellten Testumgebung. Die Umgebung von OpenAI lässt das Modell seine Zwischenüberlegungen zwischen den Schritten behalten und verdichtet lange Sitzungen. Am Modell selbst änderte sich nichts. Die Zahl 99,9 % war jene, die sich bei der Vorstellung verbreitete.

Zwei waagerechte Balken auf einer Skala von 0 bis 100 Prozent. GPT-6 Astra im Test ARC-AGI-3, September 2026: 62,7 Prozent in der Standard-Testumgebung von ARC Prize und 99,9 Prozent in einer von OpenAI bereitgestellten Testumgebung. Nur die Software rund um das Modell war verschieden.

ARC Prize veröffentlicht inzwischen beide Werte und merkt an, nur das Ergebnis der Standard-Umgebung erlaube einen fairen Vergleich zwischen Unternehmen. Die Organisation sagt auch deutlich, was sie nicht folgert: „Eine Sättigung des Benchmarks wäre kein ‚Beweis für das Erreichen von AGI’. Auch wenn wir Astra für einen bedeutsamen Fortschritt in Richtung Generalisierung halten, behaupten wir daher nicht, dass es sich um AGI handelt.” (Übersetzung des englischen Originals.) ARC Prize, Analyse zu GPT-6 Astra

Prüfstellen kommen zu verschiedenen Ergebnissen. In derselben Woche gelangten zwei unabhängige Bewertungsorganisationen zu unterschiedlichen Schlüssen über dasselbe Modell. Die eine setzte GPT-6 Astra klar an die Spitze; die andere sah es auf dem Niveau des Vorgängermodells. Dies ist aus zweiter Hand berichtet, und die genauen Werte werden mit niedrigem Vertrauen eingestuft. Die Uneinigkeit selbst sagt etwas über den Stand der Messung aus.

Es ist unklar, ob die Tests eine einzige Sache messen. Zwei neuere Analysen stellen in Frage, ob Werte für „allgemeine Intelligenz” eine einzelne Fähigkeit messen. Die eine berechnet den Hendrycks-Index so neu, dass ein sehr ungleichmäßiges Profil bestraft wird; GPT-5 fällt von 58 % auf 24 %. Die andere, von Krakauer (April 2026), untersucht 39 Modelle in 14 Tests. Bei frühen Modellen galt: Wer in einem Test gut war, war in allen gut. Bis 2024 hatte sich dieser Zusammenhang deutlich abgeschwächt, als auf Schlussfolgern spezialisierte Modelle erschienen. Das spricht dagegen, einen einzelnen Wert für „allgemeine Intelligenz” von KI als gesichert zu behandeln. Krakauer, The Rise and Fall of G in AGI

Eine weitere Lücke findet wenig Beachtung. Führende Systeme erreichen 90 bis 95 % im ARC-AGI-2, wenn sie unbegrenzte Rechenleistung einsetzen dürfen. Der beste Beitrag im Wettbewerb 2025, der strenge Grenzen setzt, erreichte 24,03 %. Effizientes Lernen – die Eigenschaft in Chollets Definition – liegt weit hinter dem Lernen mit unbegrenzten Mitteln zurück. ARC Prize 2025, Ergebnisse und Analyse

4.3 Hat die Wissenschaft einen Zeitpunkt festgelegt? Nein

Die Prognoseliteratur sagt das über sich selbst. Eine Übersicht der RAND Corporation (März 2026) bietet einen Rahmen „zur Deutung von Prognosen unter tiefer Unsicherheit” und dokumentiert methodische Lücken, statt einen Zeitplan zu bestätigen. Vier Arten von Belegen gibt es, und keine entscheidet die Frage. RAND, AGI Forecasting and Scenario Analysis

Befragungen von Forschenden. Eine Befragung von 2.778 publizierenden KI-Forschenden aus dem Jahr 2023 ergab eine Wahrscheinlichkeit von 50 % für „hochentwickelte Maschinenintelligenz” bis 2047 – dreizehn Jahre früher als in derselben Befragungsreihe 2022 – und eine Wahrscheinlichkeit von 50 %, dass alle menschlichen Berufe bis 2116 automatisiert werden könnten. Dass zwei ähnliche Fragen Antworten mit 69 Jahren Abstand ergaben, ist selbst eine Warnung davor, wie stark die Formulierung das Ergebnis prägt. Eine getrennte Befragung der AAAI, des wichtigsten Fachverbands der KI-Forschung, ergab, dass 76 % von 475 Forschenden es für unwahrscheinlich oder sehr unwahrscheinlich halten, dass das Hochskalieren der heutigen Methoden AGI hervorbringt. AI Impacts, Thousands of AI Authors on the Future of AI · Tech Policy Press zur AAAI-Befragung

Professionelle Prognostiker. Ihre Schätzungen haben geschwankt, statt sich anzunähern. Die meisten setzten ihre Termine zwischen 2023 und 2025 früher, zwischen 2025 und Anfang 2026 später und zwischen Januar und April 2026 wieder früher an. Ein Feld, dessen mittlere Schätzung sich innerhalb von achtzehn Monaten um Jahre bewegt, legt sich nicht auf ein Datum fest. FutureSearch, AGI timeline tracker

Aussagen von Branchenführern. Sie reichen von „bereits erreicht” bis „bestenfalls in fünf Jahren auf einem guten Weg”. Sie sind in den Abschnitten 4.5 und 4.6 dargestellt.

Gemessene Trends. METR misst, wie lang eine Aufgabe – in den Arbeitsstunden einer qualifizierten Person – sein darf, damit eine KI sie in der Hälfte der Fälle erfolgreich erledigt. Im Januar 2026 fand METR anhand von 228 Aufgaben, dass sich diese Länge über den gesamten Zeitraum etwa alle 196 Tage verdoppelt, bei Modellen seit 2023 etwa alle 131 Tage und bei Modellen seit 2024 etwa alle 89 Tage. Diese Linie in die Zukunft zu verlängern, liegt nahe; die Autoren warnen davor. Die Aufgaben stammen aus Software, maschinellem Lernen und Cybersicherheit; sie ähneln Arbeit, die ein neuer Auftragnehmer mit wenig Kontext erhält; echte Berufe enthalten zwischenmenschliche Anteile und Ermessensentscheidungen, die den Aufgaben fehlen; und der Aufgabensatz ist nahezu ausgereizt. METR, Time Horizon 1.1

Die ehrliche Zusammenfassung: Nichts übersetzt eine Fähigkeitsmessung in ein Datum, weil nichts das Ziel festlegt.

4.4 Wie sähe AGI aus, und was ist das nächstliegende Beispiel heute?

Jede Definition verlangt einen anderen Nachweis.

Definition Der nötige Nachweis Stand der Dinge
Ökonomisch Eine KI übernimmt einen zufällig ausgewählten Bürojob und erledigt ihn über Monate mindestens auf dem Niveau des typischen Beschäftigten – einschließlich der Anteile, die nirgends aufgeschrieben sind, und ohne besondere Anpassung für diesen Job Nie versucht. GDPval prüft einzelne, genau beschriebene Arbeitsergebnisse. In der Ausgangsmessung 2025 erreichten oder übertrafen führende Modelle menschliche Fachleute bei rund 40 bis 50 % davon
Psychometrisch Nahe 100 % auf dem Hendrycks-Index – was voraussetzt, dass das System behält und nutzt, was es im Einsatz lernt Nahe null beim Speichern neuer Langzeiterinnerungen
Lerneffizienz Eine wirklich neue, interaktive Umgebung so effizient erlernen wie ein Mensch, ohne eigens dafür gebaute Testumgebung Das nächstliegende Beispiel bisher. Im ARC-AGI-3 benötigte GPT-6 Astra auf 96,0 % der Level weniger Züge als die menschliche Vergleichsgruppe, im Durchschnitt 51,7 % weniger Züge je Level
Wissenschaftlich Aus eigener Kraft ein Ergebnis hervorbringen, das Fachleute als echten Fortschritt anerkennen Umstritten. Siehe unten

Im September 2026 berichtete OpenAI, rund 10.000 KI-Agenten hätten in etwa 88 Stunden ein Ergebnis zu den dreidimensionalen Navier-Stokes-Gleichungen erzielt, die beschreiben, wie Flüssigkeiten strömen. Ob diese Gleichungen sogenannte Blow-ups zulassen – Lösungen, die in endlicher Zeit unendlich werden –, ist eines der sieben Millennium-Probleme, für deren Lösung jeweils eine Million US-Dollar ausgeschrieben ist. Das Ergebnis wurde in weiteren 17 Stunden von der Beweisprüfsoftware Lean kontrolliert. Es ist bislang der stärkste Kandidat für „KI bringt neue Wissenschaft hervor” – und es zeigt zugleich, warum ein einzelner Fall die Frage nicht klären kann.

Drei Dinge sind gleichzeitig strittig. OpenAI erklärt, den Preis nicht zu beanspruchen. Das Unternehmen räumt ein, es könne „nicht ausschließen”, dass anonymisierte Daten aus der Nutzung seiner Produkte durch andere Forschende „zur Verbesserung unserer Modelle beigetragen haben”. Ein Mathematiker, der an einem verwandten Problem arbeitet, bestreitet den Umgang mit der Urheberschaft. Eine unabhängige mathematische Begutachtung lag für diesen Beitrag nicht vor. Fähigkeit, Herkunft und Priorität sind allesamt umstritten – und nur die erste ist das, worum es bei „AGI” gehen soll. Simon Willison, On the Navier–Stokes Millennium Prize Problem

Der Vorbehalt der ARC-Prize-Autoren zu ihrem eigenen Test gilt auch hier: ARC-AGI-3 „hat einen eng begrenzten Umfang und ein festes Format … es bildet nicht die Komplexität und Offenheit der realen Welt ab”.

4.5 Wer sagt, AGI sei nahe

Wer Position und Datum Worauf sie sich stützt
Greg Brockman, OpenAI „Zu 70 bis 80 Prozent dort” (April 2026). Bei der Vorstellung von GPT-6 Astra am 3. September 2026: „Ich halte es nicht für unvernünftig, das Gefühl zu haben, dass wir uns jetzt in der AGI-Ära befinden” – wobei er AGI eine „graue, unscharfe Sache” nannte Wachstum der Modellfähigkeiten; vom Unternehmen berichtete Testergebnisse
Sam Altman, OpenAI Berichten zufolge überzeugt, OpenAI werde bis Ende 2026 ein internes System haben, das er AGI nennen würde. Getrennt davon: AGI sei „ein sehr schlampiger Begriff” und „etwas, das wir bereits erreicht haben, ohne es zu bemerken” Die ökonomische Definition der Charta, locker angewandt
Mark Chen, OpenAI „Zu 80 Prozent des Weges” Interne Einschätzung
Dario Amodei, Anthropic Vermeidet den Begriff. „Powerful AI” könne „nur noch ein bis zwei Jahre entfernt sein, es könnte aber auch erheblich länger dauern” (Januar 2026), mit dem Zusatz: „Nichts hiervon soll Gewissheit oder auch nur Wahrscheinlichkeit ausdrücken” Fortschreibung von Skalierungstrends, stark eingeschränkt
Demis Hassabis, Google DeepMind Um 2030, ein Jahr mehr oder weniger; etwa 50 % Wahrscheinlichkeit bis Ende des Jahrzehnts; ein bis zwei Durchbrüche noch nötig. Hat erklärt, bewusst zugespitzte Formulierungen gewählt zu haben, um Dringlichkeit zu erzeugen Einschätzung, welche Bausteine noch fehlen
François Chollet, Ndea und ARC Prize Zuvor um 2030. Am 4. September 2026: „früher, weil der Fortschritt schneller verläuft, als ich erwartet hatte” ARC-AGI-3-Ergebnisse, die etwa doppelt so schnell eintrafen wie von ihm erwartet
Elon Musk, xAI Wahrscheinlichkeit, dass Grok 5 AGI erreicht: 10 % „und steigend” (Oktober 2025) Modellgröße
Adam Khoja, Mitautor des Hendrycks-Index 50 % bis Ende 2028, 80 % bis Ende 2030, bezogen auf diesen Index Die verbleibenden Lücken des Index

Die Zitate von Brockman, Altman, Chen, Hassabis, Chollet und Musk sind über namentlich genannte Nachrichtenmedien überliefert, wurden nicht an Transkripten geprüft und sind aus dem Englischen übersetzt. Amodeis Wortlaut wurde in seinem eigenen Essay gelesen. Amodei, The Adolescence of Technology

Drei Beobachtungen. Die beiden kühnsten öffentlichen Aussagen stammen von dem Unternehmen mit dem größten unmittelbaren kommerziellen Interesse an der Behauptung und fielen bei einer Produktvorstellung. Die konkreteste und zugleich am sorgfältigsten eingeschränkte Aussage stammt von einem Unternehmenschef, der das Wort ablehnt. Und Chollets Korrektur ist der interessanteste Eintrag: Er hat eine Definition geschrieben, die schwer zu erfüllen sein soll, und den Test gebaut, der das Ergebnis lieferte – und er hat seine Schätzung in die Richtung verschoben, die seiner eigenen kommerziellen Position nicht nützt.

4.6 Wer sagt, AGI sei nicht erreichbar – und was diese Personen tatsächlich behaupten

Die Prämisse muss korrigiert werden. Kaum ein namhafter Forscher in dieser Debatte sagt, AGI sei grundsätzlich unmöglich. Gary Marcus, der beharrlichste Kritiker, formuliert es direkt: Wer AGI für unmöglich halte, irre; wer sie für unmittelbar bevorstehend halte, irre genauso. Yann LeCun, François Chollet und Richard Sutton haben Organisationen gegründet oder sich ihnen angeschlossen, deren erklärter Zweck es ist, AGI zu bauen. Der Streit geht um den Weg, den Zeitpunkt und das Vokabular. Vier Positionen sind auseinanderzuhalten.

Methodenskeptiker: erreichbar, aber nicht auf diesem Weg. LeCun sagte am 1. April 2026 in einem Vortrag an der Brown University, heutige Systeme „täuschen uns vor, klug zu sein, weil sie mit Sprache umgehen können. Tatsächlich sind sie völlig hilflos, wenn es um die physische Welt geht”, und: „Es sind buchstäblich Hunderte Milliarden in eine Branche investiert, die im Wesentlichen darauf setzt, dass Sprachmodelle menschliches Intelligenzniveau erreichen. Das ist völliger Unsinn.” Er verließ Meta im Dezember 2025, um bei AMI Labs „Weltmodelle” zu entwickeln – Systeme, die lernen, wie sich die physische Welt verhält. Sutton argumentiert, Systeme, die auf gespeichertem menschlichem Wissen aufbauen, würden von Systemen überholt, die fortlaufend aus eigener Erfahrung lernen. Chollets Unternehmen Ndea verbindet Deep Learning mit dem automatischen Schreiben von Programmen. Die AAAI-Befragung deutet darauf hin, dass dies unter akademischen Forschenden die Mehrheitsmeinung ist: 76 % bezweifeln, dass das Hochskalieren der heutigen Methoden zum Ziel führt. Brown University, Bericht über LeCuns Vortrag

Zeitpunktskeptiker: auf diesem Weg, aber nicht bald. Andrej Karpathy spricht von einem „Jahrzehnt der Agenten” und sieht wirklich nützliche autonome KI Jahre entfernt. Hassabis, nach öffentlichem Maßstab optimistisch, hält weiterhin ein bis zwei Durchbrüche für nötig.

Begriffsskeptiker: das Wort bezeichnet keine echte Schwelle. Melanie Mitchell hat die Uneinigkeit über die Definitionen selbst als das zentrale Problem beschrieben. Krakauers Analyse entzieht einem einzelnen Wert für „allgemeine Intelligenz” über KI-Systeme hinweg die statistische Grundlage. Amodei und Altman räumen den Punkt praktisch ein, indem sie das Wort zugunsten von „powerful AI” beziehungsweise „Superintelligenz” aufgeben.

Politökonomische Kritik: das Wort leistet kommerzielle Arbeit. Emily Bender und Alex Hanna argumentieren, „künstliche Intelligenz” werde genau dann verwendet, wenn die Anbieter davon profitieren, dass die Technik für menschenähnlich gehalten wird. Eryk Salvaggio dokumentiert die daraus folgende Lücke: Die meisten Forschenden bezweifeln, dass AGI unmittelbar bevorsteht, während die Politik Gesetze macht, als stünde sie bevor.

Marcus liefert außerdem die empirische Gegenposition. Acemoglu schätzt, dass KI die totale Faktorproduktivität über zehn Jahre um höchstens etwa 0,66 % steigern wird. Studien zeigen, dass KI-Systeme trotz hoher Testwerte nur einen kleinen Teil der Aufgaben typischer Berufe zuverlässig erledigen. Medizinische KI-Modelle bleiben genau, wenn wichtige Eingaben fehlen, werden aber instabil, sobald die Bedingungen leicht von den Trainingsdaten abweichen. Und Sprachmodelle treffen bei dünner Beleglage selbstsichere Einordnungen, wo Menschen sich zurückhalten würden. Marcus, Rumors of AGI’s arrival have been greatly exaggerated · Acemoglu, The Simple Macroeconomics of AI

4.7 Ist es Marketing? Teilweise, nachweislich – und nicht nur

Belege dafür, dass das Wort kommerzielle Arbeit leistet. Die Änderungen an der Definition verlaufen in eine Richtung. Die Organisationen, die 2018 eine hohe Messlatte legten, sind dieselben, die 2026 argumentieren, die Latte sei übersprungen oder sei nie sauber definiert gewesen. Die vertragliche Definition war Berichten zufolge eine Gewinnsumme, keine Fähigkeit. Als die kommerziellen Bedingungen im April 2026 geklärt waren, wurde der AGI-Auslöser vom Geld getrennt statt durch Belege entschieden. Bei der Vorstellung im September 2026 verbreitete sich die vorteilhafte Zahl, und die Organisation, die den Test gebaut hat, wies die daraus gezogene Schlussfolgerung öffentlich zurück. Es geht um sehr viel Kapital: Die fünf größten Cloud-Anbieter planen für 2026 Ausgaben für KI-Infrastruktur von rund 660 bis 800 Milliarden US-Dollar, fast das Doppelte von 2025 – Zahlen, die dieser Beitrag als ungeprüft einstuft. Eine Studie vom Mai 2026, die mehrere Methoden kombiniert, stellt „örtlich begrenzte Blasendynamiken” fest und merkt an, dass Anlegererzählungen künftige Produktivitätsgewinne häufig einpreisen, bevor diese in den Zahlungsströmen erschienen sind. Der bislang gemessene Effekt auf die Wirtschaft bleibt umstritten und ist nach der meistzitierten begutachteten Schätzung klein. Wang und Chen, Boom, Bubble, or Buildout?

Belege gegen eine reine Marketing-Erklärung. Die Leistungszuwächse werden unabhängig gemessen und von Organisationen bestätigt, die kein Interesse an dieser Bestätigung haben. Den Anstieg im ARC-AGI-2 von etwa 54 % bei etwa 31 US-Dollar je Aufgabe auf 95 % bei etwa 1,12 US-Dollar je Aufgabe veröffentlichte die ARC Prize Foundation, die die AGI-Behauptung im selben Atemzug zurückweist. METR ist eine unabhängige gemeinnützige Organisation und veröffentlicht Korrekturen der eigenen Methode, auch solche, die frühere Schätzungen senken. Die Kosten im ARC-AGI-1 sind um Größenordnungen gesunken. Und der Sprachgebrauch spricht teilweise gegen die These: Gerade die beiden Personen mit dem stärksten Anreiz, das Wort zu verwenden, geben es auf. Dieser Punkt ist mit Vorsicht zu behandeln – „Superintelligenz” und „powerful AI” sind nicht offensichtlich weniger werblich –, aber er passt nicht zu einer einfachen Hype-Erzählung.

Bewertung. „AGI” erfüllt heute zwei Aufgaben zugleich. Es ist ein echtes Forschungsziel mit mehreren strengen, aber konkurrierenden Messweisen, und es ist ein Marketing- und Vertragsinstrument, dessen Beweglichkeit denen entgegenkommt, die es einsetzen. Beides trifft zu. Die Frage als Entweder-oder zu behandeln, ist der naheliegendste analytische Fehler in diesem Thema. Vertrauen: mittel. Die Interessen sind belegt, die Absichten nicht; dieser Beitrag wirft keiner genannten Person unlautere Absichten vor.

5. Unsicherheit, Alternativen und Beobachtungspunkte

Die stärkste Alternative zur Sicht dieses Beitrags ist die Position von Chen und Kollegen: AGI habe immer breite, flexible Kompetenz bedeutet; die Kritiker, nicht die Befürworter, hätten die Maßstäbe nachträglich verschoben; und die Forderung nach einer scharfen Schwelle sei selbst der Fehler. Dieser Beitrag übernimmt diese Sicht nicht, weil sie nicht erklärt, warum die Spaltung zwischen den Definitionen in Verträgen, Produktvorstellungen und Streitigkeiten über Testergebnisse so viel Gewicht hat. Aber sie ist ein ernstzunehmendes Argument in einer ernstzunehmenden Fachzeitschrift, und nichts hier Zusammengetragene widerlegt es. UC San Diego über den Nature-Kommentar von Chen u. a.

Sieben Anzeichen würden die Bewertung ändern, unabhängig davon, welche Definition eine Leserin oder ein Leser bevorzugt.

  1. Lernen nach der Auslieferung. Ein glaubwürdiger Nachweis einer KI, die im Einsatz weiterlernt, ohne zu verlieren, was sie schon kann. Dies ist der über sonst gegensätzliche Lager hinweg am häufigsten genannte fehlende Baustein – und der Bereich, in dem der Hendrycks-Index heutige Systeme nahe null einstuft.
  2. Ergebnisse, die nicht von der Testumgebung abhängen. Werte aus der Standard-Umgebung und aus Anbieter-Umgebungen nähern sich an. Laufen sie weiter auseinander, messen die Schlagzeilenzahlen die Verpackung.
  3. Die Effizienzlücke. Ob der Hauptpreis des ARC Prize – 85 % im nicht öffentlichen ARC-AGI-2-Test unter strengen Rechenlimits, gegenüber 24,03 % im Jahr 2025 – gewonnen wird. Das prüft Lernen unter Beschränkung statt Lernen, das mit Rechenleistung erkauft wird.
  4. Wirtschaftliche Übertragung. Ob hohe Werte in Tests mit echten Arbeitsergebnissen wie GDPval in gemessenen Produktivitäts- und Beschäftigungsdaten sichtbar werden und ob Schätzungen wie die von Acemoglu auf Grundlage von Belegen nach oben korrigiert werden.
  5. Unabhängige Wiederholung. Ob Ergebnisse wie die Navier-Stokes-Behauptung von Personen ohne Zugang zum Modell oder zu den Anbieterdaten nachvollzogen und beurteilt werden.
  6. Robustheit. Leistung, wenn die Bedingungen vom Training abweichen, und in Tests zum Verständnis der physischen Welt, in denen heutige Systeme bei manchen Aufgaben nahe der Zufallsrate liegen.
  7. Stabilität der Prognosen. Ob sich die Schätzungen von Fachleuten anzunähern beginnen. Annäherung deutete auf ein entstehendes gemeinsames Kriterium hin; anhaltende Schwankungen deuten darauf, dass es keines gibt.

6. Wie eine AGI-Behauptung zu lesen ist

Vier Fragen machen aus einer nicht widerlegbaren Behauptung eine prüfbare.

  1. Welche Definition? Ökonomisch, psychometrisch, Stufenmodell, Lerneffizienz, verhaltensbasiert oder vertraglich. Nennt der Urheber sie nicht, lässt sich die Behauptung nicht bewerten.
  2. Von wem gemessen, unter welchen Bedingungen? Vom Anbieter oder von einer unabhängigen Prüfstelle; in welcher Testumgebung; in welcher Testversion; mit wie vielen Versuchen.
  3. Zu welchen Kosten – und zählen die Kosten? Ein Ergebnis für 26.000 US-Dollar je Testdurchlauf und ein Ergebnis für 1 US-Dollar je Aufgabe sind verschiedene Ergebnisse. Nach Chollets Definition unterscheiden sie sich in der Art, nicht im Grad.
  4. Was würde die Behauptung widerlegen? Eine Behauptung, die keine Bedingung für ihr Scheitern nennt, ist eine Positionierung, kein Befund.

7. Quellen und Offenlegungen

Rechercheunterlagen. Ein Register mit 37 Quellen samt Zugangsstatus und Qualitätsbewertung sowie ein Register mit 26 wesentlichen Aussagen samt Status und Vertrauen liegen in den Rechercheunterlagen des Herausgebers. Es sind Arbeitsunterlagen; sie werden nicht veröffentlicht.

Wesentliche KI-Unterstützung. Dieser Beitrag wurde von Claude Opus 5, einem KI-Assistenten, im Auftrag des Herausgebers recherchiert und verfasst. Die sprachliche Überarbeitung und die Anpassung für die Veröffentlichung stammen von Claude Fable 5.1, einem anderen Anthropic-Modell, in derselben Arbeitssitzung. Dies ist KI-Unterstützung, keine unabhängige Bestätigung, und ersetzt in keinem Teil eine menschliche Prüfung.

Offenlegung eines Interesses. Die KI-Assistenten, die diesen Beitrag erstellt haben, stammen von Anthropic. Anthropic wird in diesem Beitrag als Beteiligte der AGI-Debatte genannt, und Modelle des Unternehmens kommen in den zitierten Testergebnissen vor. Dies ist ein wesentliches Interesse. Es wurde dadurch behandelt, dass durchgängig Originalquellen und unabhängige Testregister den Aussagen der Unternehmen vorgezogen wurden und dass die Führung von Anthropic zu den Beteiligten zählt, deren Interessen in Abschnitt 4.7 untersucht werden. Leserinnen und Leser sollten diesen Abschnitt dennoch im Wissen um dieses Interesse lesen.

Redaktionelle Prüfung. Der Herausgeber hat diesen Text gelesen und seine Veröffentlichung freigegeben; diese Prüfung ist in den Metadaten des Beitrags vermerkt. Es handelt sich um eine redaktionelle Prüfung, nicht um eine unabhängige Fachbegutachtung. Keine Fachperson für maschinelles Lernen und keine für Wirtschaft hat den Text geprüft. Dieser Beitrag ist kein Audit, keine systematische Übersichtsarbeit und kein zertifizierter Faktencheck.

Zugangsbeschränkungen. Die Charta-Seite von OpenAI, drei Nature-Beiträge, die Axios-Berichte zur Produktvorstellung im September 2026 und zum Streit um die Urheberschaft, der Bloomberg-Beitrag vom 4. September 2026 sowie Artikel bei Forbes, Fast Company, TechTimes und The Yale Review ließen sich nicht öffnen. Wo ihr Inhalt von Bedeutung war, wurde die Aussage entweder aus unabhängigen Quellen gestützt oder als nicht belegt gekennzeichnet.

Hauptquellen. ARC-Prize-Rangliste · ARC Prize zu GPT-6 Astra · ARC-Prize-Ergebnisse 2025 · METR Time Horizon 1.1 · A Definition of AGI · Levels of AGI · On the Measure of Intelligence · The Rise and Fall of G in AGI · RAND zur AGI-Prognostik · Boom, Bubble, or Buildout? · The Adolescence of Technology · LeCun an der Brown University · Geschichte der AGI-Klausel · On Navier–Stokes · Chen u. a. zusammengefasst · AGI’s Last Bottlenecks · AAAI-Befragung berichtet · Rumors of AGI’s arrival have been greatly exaggerated · FutureSearch AGI timeline tracker

Hinweis zur Ausgabe

Dies ist die erste öffentliche Ausgabe, datiert auf den 9. September 2026. Sie beruht auf internen Arbeitsfassungen desselben Datums; vor der Veröffentlichung wurde der Text auf Wunsch des Herausgebers sprachlich überarbeitet, ohne ein Ergebnis, eine Zahl oder eine Quelle zu ändern. Die wahrscheinlichsten kurzfristigen Auslöser für eine Aktualisierung sind die Veröffentlichung unabhängiger Beurteilungen der Navier-Stokes-Behauptung vom September 2026 sowie von Bewertungen von GPT-6 Astra unter kontrollierten Testumgebungen. Fehler können über die Korrekturseite gemeldet werden.