Dein Coding-Agent hat kein Zeitgefühl – und merkt es nicht

Zwei Forscher haben Claude Code und OpenAI Codex vor jeder Programmieraufgabe gefragt, wie lange sie brauchen werden – und danach, wie lange sie tatsächlich gebraucht haben. Beides beantworten die Agenten schlecht: Je nach Modell überschätzen sie die Dauer um das Drei- bis Zehnfache, und sie geben sich im Schnitt rund 20 Prozentpunkte zu gute Noten. Michael Ofengenden und Maksym Andriushchenko haben ihre Messungen am 14. August 2026 aus dem Forschungsprogramm MATS veröffentlicht, getestet auf 200 Aufgaben des Benchmarks ProgramBench sowie einer eigenen Sammlung aus 18 Benchmarks mit 235 Aufgaben.

Immer eineinhalb Stunden, egal was kommt

Auf ProgramBench raten beide Agenten praktisch dasselbe, unabhängig von der Schwierigkeit: rund 90 Minuten. Das trifft für Claude fast zu – Opus 4.8 lief im Schnitt 85 Minuten und sagte 99 voraus. Für Codex ist derselbe Pauschalwert ein Desaster: GPT-5.5 brauchte im Mittel 17,5 Minuten und kündigte 72 an, ein Faktor von 4,1. Nur 1 Prozent seiner Schätzungen lag innerhalb des 1,5-Fachen der Realität.

Claudes scheinbare Treffsicherheit ist also Zufall, kein Zeitgefühl. Die Forscher messen das mit einer Steigung: Folgten die Prognosen der Realität, läge sie bei 1. Gemessen wurden 0,24 für Claude und 0,19 für Codex – beide Agenten geben im Kern einen auswendig gelernten Mittelwert aus. Auf der grösseren Aufgabensammlung überschätzte Fable 5 um das 3,1-Fache, GPT-5.6 Sol um das 9,9-Fache. Am stärksten daneben liegen die Prognosen bei kurzen Aufgaben.

Nicht das Modell entscheidet, sondern die Hülle

Der grösste Einflussfaktor auf die Laufzeit ist gar nicht das Modell, sondern die Werkzeugumgebung drumherum – im Fachjargon die Harness. Claude Code arbeitet weiter, bis es die Aufgabe für gelöst hält, im Median 93 Minuten. Codex hört nach rund einer halben Stunde auf, fast egal wie komplex die Aufgabe ist. Dasselbe GPT-Modell braucht in Claude Code im Schnitt 2,5-mal so viele Schritte wie in Codex. Wenn du also zwei Agenten vergleichst, vergleichst du zuerst zwei Abbruchregeln – und erst danach zwei Modelle.

70 Prozent gefühlt, 7 Prozent real

Noch heikler ist die Selbstbenotung. Opus 4.8 und GPT-5.5 bewerteten ihre Ergebnisse im Schnitt 20 Punkte zu hoch und verteilten auch bei gescheiterten Aufgaben gute Noten. In einem Fall gaben sich beide rund 70 Prozent – die echten Werte waren 7 und 14,5 Prozent. Die neuere Generation dreht das Bild teilweise: Opus 5 unterschätzt sich um 11 bis 15 Punkte, GPT-5.6 Sol überschätzt sich noch um 7. Verlässlich ist beides nicht.

Der Effekt ist keine Einzelbeobachtung. Die Arbeit Can LLMs Perceive Time?, auf einem ICLR-2026-Workshop vorgestellt, kommt mit einem völlig anderen Versuchsaufbau in dieselbe Richtung: Vorab-Schätzungen liegen dort 4- bis 7-mal über der echten Dauer.

Eine Uhr repariert die halbe Sache

Die praktikabelste Erkenntnis steckt in den Zusatzversuchen. Bekommt der Agent ein Werkzeug, das ihm die verstrichene Zeit ausliest, liegt er in der Rückschau fast immer richtig. Entfernt man umgekehrt alle Zeitstempel aus dem Protokoll, verdoppelt sich der Fehler. Die Agenten lesen ihre Zeit also aus dem Kontext – aus Testlaufzeiten, Dateidaten, Git-Logs.

Was das für deine Projektplanung heisst

Für Schweizer Firmen kommt die Studie zum richtigen Moment. Laut dem «Schweizer Daten- und KI-Observatorium 2026» von Colombus Consulting stecken 69 Prozent der Unternehmen bei agentischer KI noch in der Explorations- oder Experimentierphase, nur 3 Prozent setzen Multi-Agenten-Systeme breiter ein – und 36 Prozent messen den greifbaren Nutzen ihrer KI-Projekte gar nicht. Genau jetzt werden also Timeouts, Budgets und Offerten aufgesetzt.

Drei Dinge nimmst du konkret mit:

• Timeouts an der Harness ausrichten, nicht an der Ansage des Agenten. Ein Codex-Lauf, der nach 30 Minuten stoppt, und ein Claude-Code-Lauf mit 93 Minuten Median brauchen unterschiedliche Fenster.
• Kosten selbst messen. Laufzeit heisst Tokenverbrauch. 2,5-mal mehr Schritte für dasselbe Modell sind grob 2,5-mal mehr Rechnung – unabhängig davon, was der Agent vorher geschätzt hat.
• Selbstbewertung nie als Qualitätssicherung nutzen. Ein SELF_SCORE=90 ersetzt keinen Testlauf. Wer Agentenarbeit abnimmt, braucht eine echte Prüfung.

Ein Nebenaspekt ist verräterisch: Für einen menschlichen Experten veranschlagen dieselben Agenten das Drei- bis Vierfache ihrer eigenen Zeit. Bei einer besonders anspruchsvollen Aufgabe sagte Fable 5 für sich selbst 480 Minuten voraus – und für einen Menschen 240'000. Wer solche Zahlen ungeprüft in eine Offerte übernimmt, kalkuliert nicht, er würfelt.

Zweitautor Andriushchenko hat 2024 an der EPFL promoviert und leitet heute eine AI-Safety-Gruppe am ELLIS Institute Tübingen. Als Nächstes will das Team messen, ob Agenten eine vorgegebene Arbeitsdauer überhaupt einhalten können.