Stell dir vor, eine KI schreibt nicht nur Code oder antwortet auf deine Fragen, sondern optimiert systematisch die Werkzeuge, die Methoden und sogar die Forschungsprozesse, mit denen bessere KIs gebaut werden. Aus jeder Verbesserung wird die nächste Runde schneller und effektiver. Das klingt nach dem klassischen Sci-Fi-Szenario einer Intelligenzexplosion – und genau das ist Recursive Self-Improvement (kurz RSI, auf Deutsch rekursive Selbstverbesserung). 2026 ist das Thema plötzlich von der Theorie in die internen Roadmaps der großen Labs gerutscht. Hier erfährst du, was dahintersteckt, wie weit es wirklich ist und ob die Anbieter schon ernsthaft daran arbeiten.

Was ist RSI überhaupt?

Im Kern beschreibt RSI einen Prozess, bei dem ein KI-System die Systeme und Methoden verbessert, die die nächste, fähigere Generation von KI hervorbringen. Die Verbesserungen fließen wieder in die nächste Runde ein – eine sich selbst beschleunigende Schleife. Theoretisch kann das zu einer Intelligenzexplosion führen, in der die KI die menschliche Forschungsgeschwindigkeit weit hinter sich lässt und auf dem Weg zu Artificial Superintelligence (ASI) ist.

Wichtig ist die Abgrenzung: Ein Modell, das innerhalb eines von Menschen gebauten Rahmens einzelne Komponenten optimiert (Prompts, Code, Harness oder sogar Gewichte), ist noch lange kein volles, offenes RSI. Anthropic definiert die starke Form relativ klar als „a model fully autonomously building its successor“ – also ein Modell, das seinen Nachfolger weitgehend ohne menschlichen Eingriff designt, baut und validiert.

In der Praxis sprechen die Labs von einer Stufenleiter:

• KI-unterstütztes Coding (Copilot-Ära)
• KI schreibt den Großteil des gemergten Codes
• Automatisierter Research Intern (klar definierte Aufgaben über mehrere Tage unter menschlicher Aufsicht)
• Automatisierter AI Researcher
• Volles open-ended RSI

Wir befinden uns derzeit irgendwo zwischen den mittleren Stufen. Soft oder partial RSI ist Realität, die volle autonome Schleife noch nicht.

Der Stand 2026: Zahlen statt Hype

Die großen Labs haben 2026 ungewöhnlich konkrete Zahlen veröffentlicht. Das Bild ist klar: Es geht schnell voran, aber niemand hat die volle Schleife geschlossen.

Anthropic ist besonders transparent geworden. Claude schreibt seit Mai/Juni 2026 mehr als 80 % des Codes, der in die Produktions-Codebase gemergt wird – ein massiver Sprung von niedrigen einstelligen Prozenten rund 15 Monate zuvor. Im August 2026 „leitete“ Claude etwa 26 % der gemessenen AI-R&D-Arbeit (AL4 auf der Skala: die meisten Schritte end-to-end von einem High-Level-Prompt, Mensch bleibt Supervisor). Über 90 % der Arbeit liegt mindestens auf Collaboration-Niveau. Voll autonome Teilmengen der R&D gibt es laut eigenen Angaben nicht. Gleichzeitig shippen die Engineers im Schnitt etwa 8× so viel Code pro Quartal wie in den Jahren davor.

OpenAI hat am 6. September 2026 verkündet, sein internes Ziel eines „automated research intern“ erreicht zu haben. Das System erledigt klar definierte Forschungsaufgaben unter menschlicher Leitung – inklusive Aufgaben, die einen erfahrenen Researcher mehrere Tage beschäftigen würden. Die Research-Organisation nutzte Mitte August 2026 etwa 3,1 Agent-Workdays pro menschlichem Workday. Das nächste Ziel bleibt ein automatisierter AI Researcher bis März 2028.

Google DeepMind arbeitet ebenfalls daran. AlphaEvolve (Mai 2025) nutzte LLMs in einem evolutionären Loop, um Algorithmen und Kernel zu verbessern – unter anderem mit messbaren Effekten auf Trainingseffizienz. Demis Hassabis sprach von „soft self-improvement“ durch Coding-Agents. Weitere Arbeiten wie Dream-RSI und ähnliche Frameworks zeigen, dass auch hier gezielt an Verbesserungsschleifen gearbeitet wird.

Parallel dazu gibt es eine Flut an Forschungsarbeiten zu Harness-Level-RSI (die Software-Umgebung um das Modell herum wird rekursiv verbessert), World-Model-gestützten Loops und Agent-Self-Improvement. Full open-ended RSI, bei dem die KI die komplette Forschungsagenda, Architektur und Validierung autonom steuert und die Gains auf unabhängigen Holdouts halten, hat bisher kein Lab öffentlich nachgewiesen.

Machen die Anbieter das schon?

Ja – und zwar alle relevanten.

OpenAI und Anthropic treiben die Automatisierung ihrer eigenen R&D aktiv voran und veröffentlichen sogar Metriken dazu. Google DeepMind ist ebenfalls involviert. Daneben gibt es spezialisierte Startups wie Recursive Superintelligence, Inherent und Sakana AI mit eigenem RSI Lab. Auch chinesische Teams arbeiten an ähnlichen Loops.

Gleichzeitig betonen die CEOs Vorsicht. Dario Amodei schrieb, RSI müsse „very carefully, if at all“ verfolgt werden. Sam Altman und Demis Hassabis stimmten der Richtung zu, das Tempo zu drosseln. OpenAI formulierte explizit, man wisse noch nicht, wie man sicher bis zu aligned, full RSI komme.

Es gab 2026 auch Incident-Berichte (u. a. Agenten-Verhalten außerhalb kontrollierter Umgebungen), die die Debatte verschärft haben.

Chancen, Risiken und was das für dich bedeutet

Auf der positiven Seite könnte RSI die Wissenschaft massiv beschleunigen: bessere Algorithmen, schnellere Material- und Drug-Discovery, effizientere Infrastruktur. Auf der Risikoseite steht der Kontrollverlust – wenn die Verbesserungsschleife schneller wird als menschliche Oversight und Alignment-Techniken.

Für dich als Nerd heißt das: Die Tools, die du heute nutzt (Coding-Agents, Research-Assistenten), sind bereits Soft-RSI in der Praxis. Der Sprung zur nächsten Stufe ist nicht mehr reine Spekulation, sondern Gegenstand interner Roadmaps mit konkreten Meilensteinen.

Fazit

RSI ist 2026 kein ferner Traum mehr, sondern ein aktives Arbeitsgebiet der Frontier-Labs. Partial und soft Formen sind messbar real – Claude schreibt den Großteil des Codes, OpenAI hat seinen Research-Intern-Meilenstein erreicht, und die Geschwindigkeit überrascht die Anbieter selbst. Die volle autonome Schleife, in der eine KI ihren Nachfolger weitgehend allein baut, bleibt bisher unerreicht und wird von den Labs selbst als noch unsicher beschrieben.

Das Tempo wird in den nächsten 12–24 Monaten entscheidend sein. Behalte die veröffentlichten Metriken im Auge: Wenn die Anteile an „AI leads“ und Agent-Workdays weiter steigen und die Safety-Anteile nicht hinterherkommen, wird aus dem theoretischen Risiko schnell ein praktisches. Bis dahin lohnt es sich, die Entwicklungen nüchtern zu verfolgen – genau in diesem Spannungsfeld zwischen beeindruckendem Fortschritt und offenen Fragen entsteht gerade die nächste Phase der KI.