Anthropic stellt „Dreaming“ vor: Wie KI-Agenten aus Fehlern lernen können

Mit neuen Funktionen für seine Plattform Claude Managed Agents hat Anthropic kürzlich auf seiner Code with Claude-Entwicklerkonferenz in San Francisco einen entscheidenden Schritt in Richtung selbstoptimierender KI-Agenten vorgestellt. Die zentrale Innovation: das System „Dreaming“, das es Agenten ermöglicht, aus vergangenen Interaktionen zu lernen und ihre Leistung eigenständig zu verbessern.

Zusätzlich wurden zwei weitere experimentelle Features – Outcomes und Multi-Agent-Orchestrierung – aus dem Forschungsstadium in die öffentliche Beta-Phase überführt. Gemeinsam sollen diese Tools drei der größten Herausforderungen im Umgang mit KI-Agenten adressieren: Genauigkeit, kontinuierliches Lernen und Skalierbarkeit bei komplexen, mehrstufigen Arbeitsabläufen.

Laut Anthropic-CEO Dario Amodei hat das Unternehmen sein Wachstum in den ersten Quartalen 2026 sogar selbst übertroffen. Statt der geplanten 10-fachen jährlichen Steigerung verzeichnete Anthropic ein 80-faches Wachstum – ein Beleg für die rasant wachsende Nachfrage nach KI-Lösungen. Die API-Nutzung auf der Claude-Plattform stieg um 7000 % im Jahresvergleich, während Entwickler im Schnitt 20 Stunden pro Woche mit dem Tool arbeiten.

Wie „Dreaming“ KI-Agenten systematisch verbessert

Das neuartige „Dreaming“-Feature hebt sich deutlich von herkömmlichen Speichersystemen ab. Während Anthropic bereits im Frühjahr 2025 das Agenten-Gedächtnis einführte – das Präferenzen und Kontext innerhalb und über Sessions hinweg speichert – geht Dreaming einen Schritt weiter. Das System durchsucht automatisch vergangene Agenten-Sessions und extrahiert wiederkehrende Muster, Fehlerquellen oder erfolgreiche Workflows.

Diese „Träume“ werden als strukturierte Notizen und Playbooks gespeichert, die zukünftige Agenten-Sessions nutzen können. Der Prozess ist vollständig transparent: Alle Lerneinheiten bleiben für Menschen einsehbar und nachvollziehbar. Wie Alex Albert, Leiter der Produktforschung bei Anthropic, erklärt, ähnelt dies der menschlichen Fähigkeit, aus Erfahrungen Routinen zu entwickeln.

„Stellen Sie sich vor, Sie arbeiten mit Claude an einem Workflow. Am Ende möchten Sie diesen Prozess dokumentieren – nicht manuell, sondern durch das System selbst“, so Albert. „Genau das tut Dreaming: Es erstellt aus vergangenen Sessions ein Playbook, das zukünftige Agenten nutzen können.“

Ein entscheidender Vorteil: Dreaming verändert nicht die zugrundeliegenden Modellgewichte, sondern speichert die Erkenntnisse als externe, prüfbare Dokumente. Dies minimiert Risiken und ermöglicht es Unternehmen, die gelernten Inhalte vor der Anwendung zu überprüfen.

Erfolgsbeispiele: Von der Mondlandung bis zur Dokumentenprüfung

Die neuen Features wurden nicht nur theoretisch vorgestellt, sondern in einer Live-Demo unter realistischen Bedingungen getestet. Das Szenario: Ein fiktives Raumfahrtunternehmen namens „Lumara“ sollte autonome Drohnen für eine Mondmission landen. Dafür konfigurierte das Anthropic-Team ein Multi-Agenten-System mit drei Spezialisten:

• Ein Kommandant-Agent, der die Gesamtmission überwacht
• Ein Detektor-Agent, der geeignete Landeplätze identifiziert
• Ein Navigator-Agent, der für sichere Flug- und Landeprozeduren sorgt

Ziel war eine weiche Landung mit ausreichend Treibstoff für die Rückkehr zur Erde. Die erste Simulation über sechs hypothetische Landeplätze zeigte zunächst gute, aber nicht perfekte Ergebnisse. Anschließend aktivierte das Team die Dreaming-Funktion über die Claude Developer Console.

Über Nacht analysierte der Agent alle vergangenen Sessions, identifizierte wiederkehrende Probleme und erstellte ein Playbook mit Landeheuristiken. Als die Simulation am nächsten Morgen mit dem neuen Playbook wiederholt wurde, verbesserten sich die Ergebnisse bei den zuvor kritischen Landeplätzen spürbar.

„Wir mussten nur einen Knopf drücken – der Rest lief automatisch ab“, erklärte Angela Jiang, Leiterin der Produktentwicklung bei Anthropic. Die Demo unterstrich, wie KI-Agenten durch selbstständiges Lernen nicht nur schneller, sondern auch zuverlässiger werden.

Unternehmen berichten von dramatischen Effizienzsprüngen

Die ersten Anwender der neuen Funktionen melden bereits messbare Erfolge:

• Das Legal-Tech-Unternehmen Harvey verzeichnete eine sechsfache Steigerung der Aufgabenabschlussraten, nachdem es Dreaming implementierte.
• Die Medizindokumentationsplattform Wisedocs reduzierte die Zeit für Dokumentenprüfungen um 50 %, indem sie Outcomes nutzte.
• Netflix verarbeitet mittlerweile Logs aus hunderten Builds gleichzeitig, dank der Multi-Agent-Orchestrierung.

Diese Beispiele zeigen, wie KI-Agenten nicht nur repetitive Aufgaben automatisieren, sondern durch kontinuierliches Lernen und kooperative Zusammenarbeit immer leistungsfähiger werden. Für Unternehmen, die auf KI in Produktionsumgebungen setzen, könnten solche Features der Schlüssel sein, um Vertrauen, Skalierbarkeit und Qualität zu gewährleisten.

Ausblick: KI-Agenten auf dem Weg zur Selbstoptimierung

Die jüngsten Entwicklungen von Anthropic markieren einen Wendepunkt für KI-Agenten-Systeme. Mit Dreaming, Outcomes und Multi-Agent-Orchestrierung setzt das Unternehmen Maßstäbe für autonome Verbesserung, Transparenz und Zusammenarbeit zwischen KI-Agenten.

Doch die Technologie steht erst am Anfang. Wie Dario Amodei betonte, bringen extreme Wachstumsraten auch Herausforderungen mit sich – insbesondere bei der Rechenkapazität. Dennoch zeigen die ersten Erfolge, dass selbstoptimierende KI-Agenten keine Zukunftsmusik mehr sind, sondern bereits heute in der Praxis eingesetzt werden.

Unternehmen, die früh auf solche Systeme setzen, könnten nicht nur Zeit und Kosten sparen, sondern auch neue Innovationspotenziale erschließen. Die Frage ist nicht mehr ob, sondern wie schnell sich diese Technologien durchsetzen werden.