KI-Programmierassistenten haben kein Zeitgefühl -- und wissen nicht, dass sie schlecht darin sind
Alle paar Monate produziert die KI-Branche eine Erkenntnis, die leise etwas untergräbt, von dem alle annahmen, dass es funktioniert.
Der Eintrag diesen Monats: KI-Programmierassistenten können keine Zeit messen.
Nicht metaphorisch. Eine neue Studie von zwei unabhängigen Forschern im MATS-Forschungsprogramm testete Anthropics Claude Code und OpenAIs Codex auf ihr Zeitgefühl. Vor jeder Programmieraufgabe mussten die Agenten schätzen, wie lange sie brauchen würden. Danach lösten sie die Aufgabe und berichteten, wie viel Zeit vergangen war.
Die Ergebnisse sind die Art von Befund, die einen fragen lässt, wer eigentlich die Bewerter bewertet.
Um den Faktor zehn daneben
Bei 200 Aufgaben aus der ProgramBench-Sammlung plus 18 eigenen Benchmarks überschätzten beide Agenten konsequent die Aufgabendauer. Claude Code lag im Durchschnitt um das Dreifache daneben. Codex verfehlte die Realität um das Sechs- bis Zehnfache. Die schlimmsten Fehler traten bei kurzen Aufgaben auf -- genau der Art, für die Entwickler Programmierassistenten am häufigsten nutzen.
Doch hier wird es seltsamer. Claude Code arbeitet weiter, bis es die Aufgabe für erledigt hält, mit einer mittleren Laufzeit von etwa 90 Minuten. Codex stoppt nach rund 30 Minuten, fast unabhängig von der Aufgabe. Dasselbe Sprachmodell benötigt in Claude Codes Software-Umgebung durchschnittlich 2,5-mal mehr Schritte als in Codex. Die Laufzeit hängt also nicht nur vom Modell ab, sondern stark von der umgebenden Software-Infrastruktur.
Wenn Sie einen Entwickler einstellen, der nicht sagen kann, ob eine Aufgabe 30 Minuten oder 5 Stunden dauert, würden Sie ihn nicht für langlaufende autonome Arbeiten einsetzen. Die Studie legt nahe, dass dasselbe für KI-Agenten gilt.
Der Dunning-Kruger-Effekt, maschinell erlernt
Die Agenten sind genauso schlecht darin, die Qualität ihrer eigenen Arbeit zu beurteilen. Ältere Modelle -- Opus 4.8 und GPT-5.5 -- überschätzten ihre Ergebnisse um durchschnittlich 20 Prozentpunkte. Sie gaben sich selbst Bestnoten, selbst bei eindeutig gescheiterten Aufgaben.
In einem bemerkenswerten Fall bewerteten beide Modelle ihre Arbeit mit etwa 70 % Erfolg. Die tatsächlichen Ergebnisse: 7 und 14,5 Prozent. Das ist kein Kalibrierungsproblem. Das ist eine vollständige Abwesenheit von Selbstwahrnehmung.
Die Forscher weisen ausdrücklich darauf hin. Damit ein Agent zuverlässig an langen, autonomen Aufgaben arbeiten kann -- der Richtung, in die die gesamte Branche rennt -- muss er Anweisungen wie 'arbeite zwei Stunden an dieser Aufgabe' befolgen können. Ein Agent, der weder seinen eigenen Fortschritt noch die vergangene Zeit einschätzen kann, fliegt praktisch blind.
Die Lösung existiert (aber niemand liefert sie)
Es gibt eine gute Nachricht. Als die Forscher den Agenten ein Tool gaben, das die vergangene Zeit anzeigt, funktionierte es fast jedesmal korrekt. Das Problem ist nicht, dass KI keine Zeit messen kann -- es ist, dass niemand ihnen eine Uhr gibt.
Das ist der aufschlussreichste Teil der Studie. Die blinde Stelle ist nicht technisch. Es ist eine Designlücke. Diese Systeme werden in autonome, langlaufende Workflows eingesetzt, ohne die grundlegendste Instrumentierung, die ein menschlicher Entwickler hätte: eine Stoppuhr und ein realistisches Gespür für die eigene Kompetenz.
Die Schlussfolgerung ist nicht, dass KI-Programmierassistenten nutzlos sind. Sie schreiben nachweislich Code. Aber die Branche stürzt sich darauf, sie für Aufgaben einzusetzen, die stunden- oder tagelang laufen, ohne zu prüfen, ob sie diese Verantwortung tatsächlich tragen können. Diese Studie legt nahe: Noch nicht.
Und die eigentliche Ironie? Entwickler sind seit Jahrzehnten berüchtigt dafür, Projektlaufzeiten falsch einzuschätzen. Die Werkzeuge, die als Lösung für dieses Problem vermarktet werden, haben denselben blinden Fleck -- nur um eine Größenordnung verstärkt.