---
title: "Andrej Karpathy sagt, KI-Agenten funktionieren immer noch nicht"
description: "Die KI-Agenten-Versprechen des Silicon Valley bröckeln, als ein ehemaliger Tesla-KI-Direktor enthüllt, warum aktuelle Systeme bei grundlegenden Denkaufgaben versagen."
url: https://chatgpt-prompts.de/andrej-karpathy-ki-agenten-funktionieren-nicht
type: "post"
language: "de"
site: "KI News, ChatGPT Prompts und AI Tools"
published: 2025-10-22T10:04:00+02:00
modified: 2025-10-22T00:05:23+02:00
author: "AIExplorer"
categories: "KI News"
tags: "Andrej Karpathy, Denken, KI-Agenten"
image: https://chatgpt-prompts.de/wp-content/uploads/2025/10/ai_agents_still_unavailable_7pgq2.jpg
---

# Andrej Karpathy sagt, KI-Agenten funktionieren immer noch nicht

Trotz der atemlosen Schlagzeilen über **KI-Transformation** von allem, vom Kundenservice bis zur wissenschaftlichen Forschung, lieferte Andrej Karpathy kürzlich eine **ernüchternde Realitätsprüfung**: KI-Agenten funktionieren grundsätzlich immer noch nicht. Der ehemalige Tesla-KI-Direktor und OpenAI-Forscher wies darauf hin, dass aktuelle Systeme **spektakulär versagen**, wenn sie mit Aufgaben konfrontiert werden, die echtes Denken, Anpassungsfähigkeit oder Integration verschiedener Datentypen erfordern, was eine **massive Lücke** zwischen den Versprechungen des Silicon Valley und den tatsächlichen Einsatzmöglichkeiten hinterlässt und unbequeme Fragen zum Timing aufwirft.

## Die aktuelle Realität der KI-Agenten-Fähigkeiten

![frustrierend unzuverlässige KI-Agenten](https://chatgpt-prompts.de/wp-content/uploads/2025/10/frustratingly_unreliable_ai_agents_w1v88.jpg)

Das Versprechen von **KI-Agenten**, die nahtlos **komplizierte Aufgaben** bewältigen, ist mit der hartnäckigen Realität kollidiert, dass diese Systeme in der Praxis **frustrierend unzuverlässig** bleiben. Diese [digitalen Assistenten](https://chatgpt-prompts.de/openai-bereitet-chrome-rivalen-mit-integriertem-ki-agenten-vor "OpenAI bereitet Chrome-Rivalen mit integriertem KI-Agenten vor"), die uns eigentlich von alltäglicher Arbeit befreien sollten, stolpern stattdessen häufig, wenn sie mit etwas konfrontiert werden, das über ihre engen Trainingsszenarien hinausgeht. Ihre **Fähigkeitsbegrenzungen** werden bei anspruchsvollen Denkaufgaben offensichtlich, wo sie versagen, selbst wenn korrekte Lösungen leicht verfügbar sind, was Vertrauensprobleme schafft, die ihren praktischen Einsatz untergraben.

Die **nicht-deterministische Natur** dieser Systeme bedeutet, dass identische Eingaben völlig unterschiedliche Ausgaben produzieren können, was sie für geschäftskritische Anwendungen ungeeignet macht, wo Konsistenz wichtig ist. Gleichzeitig begrenzen ihre begrenzten Kontextfenster den Umfang der Aufgaben, die sie realistisch bewältigen können, und zwingen Benutzer öfter als erwartet zu **manuellen Eingriffen** zurück. Zusätzlich stehen diese Systeme vor erheblichen [Sicherheitsschwachstellen](https://www.apideck.com/blog/ai-agents-explained-everything-you-need-to-know-in-2025), die Risiken für den Unternehmenseinsatz und den Umgang mit sensiblen Daten darstellen.

## Warum multimodale Integration und kontinuierliches Lernen schwer fassbar bleiben

Jenseits dieser **grundlegenden Zuverlässigkeitsprobleme** liegt eine noch schwierigere Herausforderung, die die Schwierigkeiten für KI-Agenten verstärkt, eine die das effektive Zusammenarbeiten verschiedener Informationstypen betrifft. **Datenfusion** über Text, Bilder und Audio hinweg erfordert ausgeklügelte neuronale Architekturen, die oft unter dem Gewicht **konkurrierender Modalitäten** zusammenbrechen, wo ein Eingabetyp dominiert, während andere ignoriert werden. **Cross-modales Lernen** erfordert sorgfältig konstruierte Datensätze, deren Erstellung drei- bis fünfmal länger dauert als bei einfachen Modalitätsversionen, mit **Annotationsherausforderungen**, die sich exponentiell vervielfachen. Währenddessen entstehen **[ethische Überlegungen](https://chatgpt-prompts.de/wissenschaftler-nutzen-ki-zur-entschl%c3%bcsselung-von-tieremotionen "Wissenschaftler nutzen KI zur Entschlüsselung von Tieremotionen")**, da sich Verzerrungen aus mehreren Datenquellen zu diskriminierenderen Ausgaben verstärken. Das Versprechen nahtloser multimodaler Intelligenz bleibt für die meisten praktischen Anwendungen frustrierend unerreichbar. Trotz Fortschritten bei [Grundlagenmodellen](https://chatmaxima.com/blog/multimodal-ai-in-2025-transforming-communication-and-the-road-ahead-for-platforms-like-chatmaxima/) wie GPT-4 und Gemini, die für formatübergreifendes Reasoning entwickelt wurden, schaffen die rechnerischen und finanziellen Ressourcen, die für das Training dieser komplexen Systeme erforderlich sind, erhebliche Barrieren für eine weit verbreitete Implementierung.

## Technische Barrieren, die wahre Autonomie verhindern

Während **multimodale Herausforderungen** erhebliche Kopfschmerzen für Entwickler verursachen, verblassen sie im Vergleich zu den grundlegenden technischen Barrieren, die KI-Agenten daran hindern, **echte Autonomie** in realen Umgebungen zu erreichen. Die **systemischen Risiken** werden offensichtlich, wenn Organisationen versuchen, Agenten über mehrere Systeme hinweg einzusetzen, nur um festzustellen, dass aktuelle Architekturen **unkontrollierte Autonomieszenarien** schaffen, bei denen niemand weiß, was der Agent als nächstes tun könnte. Diese operative Komplexität manifestiert sich in **reduzierter Beobachtbarkeit**, was es nahezu unmöglich macht, Entscheidungen nachzuvollziehen oder Verhaltensweisen vorherzusagen. Organisationen stehen vor der unbequemen Realität, dass die Balance zwischen echter Autonomie und Sicherheitsanforderungen ungelöst bleibt, da Agenten entweder mit so eingeschränkten Berechtigungen operieren, dass sie zu verherrlichten Chatbots werden, oder ihnen genug Freiheit gewährt wird, um potenziell **schwerwiegende Schäden an Geschäftsabläufen** zu verursachen. Die technischen Herausforderungen werden noch ausgeprägter, wenn man bedenkt, dass fast 60% der befragten Führungskräfte [die Integration von Altsystemen](https://www.deloitte.com/us/en/services/consulting/blogs/ai-adoption-challenges-ai-trends.html) als großes Implementierungshindernis identifizieren.

## Der Zehnjährige Zeitplan für Funktionale KI-Agenten

Wenn Branchenführer 2025 als “das Jahr der Agenten” anpreisen, bietet Karpathy einen **ernüchternden Gegenpunkt**, dass funktionale KI-Agenten noch mindestens ein Jahrzehnt von einer **bedeutsamen Einführung** entfernt sind. Seine Zukunftsprognosen widersprechen stark den atemlosen Branchenerwartungen, die Tech-Konferenzen und Venture-Capital-Präsentationen überfluten.

Der **jahrzehntelange Zeitrahmen** spiegelt **fundamentale Herausforderungen** wider, die nachhaltige Forschung statt glanzvoller Produkteinführungen erfordern:

- Technische Reifung erfordert die gleichzeitige [Lösung](https://chatgpt-prompts.de/das-navigieren-durch-die-datenherausforderungen-der-ki-l%c3%b6sungen-und-einblicke "Datenherausforderungen der KI: Lösungen und Einblicke") miteinander verbundener Probleme von Intelligenz, Zuverlässigkeit und Robustheit
- Jede Verbesserung der Zuverlässigkeit, das “Marschieren der Neunen”, erfordert exponentiell mehr Aufwand und Zeit
- Fortschritt folgt stetigen, schrittweisen Kurven statt der exponentiellen Sprünge, die Risikokapitalgeber bevorzugen
- Reale Anwendung benötigt neue Architekturen, Trainingsmethoden und Sicherheitsprotokolle jenseits aktueller Fähigkeiten
- Autonomie auf menschlichem Niveau erfordert persistentes Gedächtnis, fortgeschrittenes Denken und nahtlose multimodale Integration

Diese besonnene Perspektive betont [Mensch-KI-Zusammenarbeit](https://timesofindia.indiatimes.com/technology/tech-news/ai-agents-are-not-amazing-they-are-slop-says-openai-cofounder-andrej-karpathy-as-he-strongly-disagrees-with-ceo-sam-altman-on-agi-timeline/amp_articleshow/124720565.cms) über vollständige Automatisierung und drängt Entwickler dazu, Systeme zu bauen, die menschliche Fähigkeiten erweitern statt ersetzen. Karpathys Zeitrahmen legt Geduld über Hype nahe.

## Auswirkungen für Arbeitnehmer und wirtschaftlichen Wandel

![Arbeiterverdrängung inmitten wirtschaftlichen Wandels](https://chatgpt-prompts.de/wp-content/uploads/2025/10/worker_displacement_amidst_economic_change_8jpnk.jpg)

Obwohl Karpathys jahrzehntelanger Zeitplan für Arbeitnehmer, die eine unmittelbare Verdrängung befürchten, beruhigend erscheinen mag, hat der wirtschaftliche Wandel bereits auf eine Weise begonnen, die dem Trost widerspricht, den seine Vorhersagen bieten könnten. Junge Arbeitnehmer, ironischerweise die anpassungsfähigste Bevölkerungsgruppe, haben 129% höhere Ängste vor beruflicher Obsoleszenz im Vergleich zu Senioren, während 14% der Arbeitnehmer bereits über KI-Verdrängung berichten.

| Arbeitergruppe | Risikolevel | Auswirkung |
| --- | --- | --- |
| Einstiegslevel Tech | Hoch | Einstellungsverlangsamungen |
| Arbeitnehmerinnen | Schwerwiegend | 79% haben Hochrisiko-Jobs |
| Junge Erwachsene (18-24) | Kritisch | 50M Jobs in Gefahr |
| Softwareentwickler | Moderat | 18% Wachstum prognostiziert |

Das Narrativ der Arbeitsplatzresilienz, obwohl ansprechend für diejenigen, die wirtschaftliche Freiheit schätzen, kollidiert mit aktuellen Arbeitsplatzverdrängungsmustern, die fast 80% der Arbeitnehmer in gewisser Weise betreffen. Forschung enthüllt [konzentrierte Rückgänge](https://digitaleconomy.stanford.edu/news/ai-and-labor-markets-what-we-know-and-dont-know/) bei Einstiegspositionen, die besonders Arbeitnehmer im Alter von 22-25 Jahren in Sektoren mit hoher KI-Exposition betreffen, was darauf hindeutet, dass die Transformation gezielter als umfassend sein könnte.

## Quellenangabe

- [https://fortune.com/2025/10/20/workers-fear-ai-job-cuts-open-ai-co-founder-says-ai-agents-will-take-a-decade-before-they-even-work-they-dont-have-enough-intelligence-unemployment-automation-2035/](https://fortune.com/2025/10/20/workers-fear-ai-job-cuts-open-ai-co-founder-says-ai-agents-will-take-a-decade-before-they-even-work-they-dont-have-enough-intelligence-unemployment-automation-2035/)
- [https://simonwillison.net/2025/Oct/18/agi-is-still-a-decade-away/](https://simonwillison.net/2025/Oct/18/agi-is-still-a-decade-away/)
- [https://www.dwarkesh.com/p/andrej-karpathy](https://www.dwarkesh.com/p/andrej-karpathy)
- [https://news.ycombinator.com/item?id=45619329](https://news.ycombinator.com/item?id=45619329)
- [https://www.therundown.ai/p/karpathy-s-ai-agent-reality-check](https://www.therundown.ai/p/karpathy-s-ai-agent-reality-check)
- [https://www.apideck.com/blog/ai-agents-explained-everything-you-need-to-know-in-2025](https://www.apideck.com/blog/ai-agents-explained-everything-you-need-to-know-in-2025)
- [https://www.ibm.com/think/insights/ai-agents-2025-expectations-vs-reality](https://www.ibm.com/think/insights/ai-agents-2025-expectations-vs-reality)
- [https://www.mckinsey.com/capabilities/quantumblack/our-insights/seizing-the-agentic-ai-advantage](https://www.mckinsey.com/capabilities/quantumblack/our-insights/seizing-the-agentic-ai-advantage)
- [https://www.replicant.com/blog/what-ai-agents-still-cant-do-and-why-thats-a-good-thing](https://www.replicant.com/blog/what-ai-agents-still-cant-do-and-why-thats-a-good-thing)
- [https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/](https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/)