Am 7. August 2026 platzierte eine unabhängige Benchmark-Bewertung ein neues Modell von Alibaba auf dem ersten Platz weltweit. Qwen3.8 Max sicherte sich die Gesamtführung im „Agentic Index“ von Artificial Analysis – das erste Mal, dass ein chinesisches KI-Modell US-amerikanische Konkurrenten bei der autonomen Aufgabenausführung übertrifft. Dahinter folgen GPT-5.6 Sol von OpenAI und Claude Fable 5 von Anthropic.
Die Nachricht verbreitete sich auf Hacker News rasend schnell. Innerhalb weniger Stunden sammelte der Thread 391 Punkte und 251 Kommentare. In einer Community, in der einige der anspruchsvollsten Ingenieure der Welt zusammenkommen, lautete der am höchsten bewertete Kommentar: „China hat aufgeholt, das ist der Kern dieser Nachricht.“
Ein neuer Benchmark mit geänderten Aufgabenstellungen
Zunächst zur einordnenden Rolle der Testinstanz: Artificial Analysis ist eine unabhängige Evaluierungsplattform. Sie verkauft keine eigenen Modelle, sondern testet Modelle unter identischen Standardbedingungen. In den vergangenen Jahren lag der Fokus auf Wissenstests und mathematischer Logik („Prüfungsfragen“) – Frage und Antwort, um zu sehen, wer am präzisesten antwortet.
Im Juni dieses Jahres wurde das Testkonzept grundlegend geändert. Der neue Index misst „Agenten-Fähigkeiten“ (Agentic Capabilities): Das Modell erhält Zugang zu einer realen Computerumgebung, um selbstständig im Internet zu recherchieren, Code zu schreiben, Software zu bedienen und mehrstufige Aufgaben von Anfang bis Ende durchzuführen. Die Tests decken 44 Berufsfelder aus 9 Branchen ab, während automatisierte Prüfsysteme die Korrektheit der Ergebnisse validieren. Der Gesamtscore setzt sich gewichtet aus zwei Kernbereichen zusammen: realen Arbeitsplatzaufgaben und mehrstufigen Werkzeugaufrufen in Bankenszenarien.
Abbildung: Artificial Analysis Agentic Index Rangliste (Screenshot vom 7. August 2026). Quelle: artificialanalysis.ai
Qwen3.8 Max erzielte 58,4 Punkte, gefolgt von GPT-5.6 Sol mit 57,8 Punkten und Claude Fable 5 mit 56,6 Punkten. Der Spitzenplatz ist jedoch dynamisch – der Abstand zu Anthropics Opus 5 beträgt weniger als einen Punkt, und die Führung wechselte in den letzten Tagen mehrfach. Ingenieurtechnisch lässt sich das so interpretieren: Die Ausführungsfähigkeiten der Top-Modelle liegen extrem dicht beieinander; niemand kann behaupten, den ersten Platz dauerhaft sicher zu haben.
Neben der Führungsposition ist die Rangliste von zahlreichen chinesischen Modellen geprägt. Unter den Top 5 stammen zwei Modelle aus China, unter den Top 13 sind es vier – neben Alibabas Qwen auch Kimi von Moonshot AI, DeepSeek und GLM von Zhipu AI. Vor zwei bis drei Jahren wurde die Spitze solcher Benchmarks noch ausnahmslos von US-Unternehmen dominiert.
Der Vergleich hat sich gewandelt: Früher ging es darum, wer Fragen am besten beantwortet – heute darum, wer Aufgaben tatsächlich zu Ende bringt. Gute Antworten garantieren kein praktisches Können; wer Arbeit erfolgreich erledigt, beweist, dass Wissen effektiv angewendet wird.
Der Unterschied zwischen Chatten und echter Arbeitsleistung
Der Unterschied zeigt sich in drei wesentlichen Bereichen:
Erstens: Mehrstufige Planung (Multi-step planning). Ein Chat ist eine einzelne Antwort, während echte Arbeit aus einer Kette von Aktionen besteht. Man kann sich das wie die Aufgabenübertragung an einen Praktikanten vorstellen: Flugpreise bei drei Anbietern vergleichen, das günstigste Angebot wählen, den Reiseplan per E-Mail senden und das Hotel buchen – bei jedem Schritt muss das übergeordnete Ziel im Gedächtnis bleiben. Herkömmliche Chat-Modelle verlieren bei komplexen Abläufen häufig den Faden.
Zweitens: Werkzeugaufrufe (Tool calling). Ein Mensch nutzt bei der Arbeit Suchmaschinen, Telefon und Software; ein KI-Agent öffnet eigenständig Browser, Befehlszeilen und Tabellenkalkulationen. Qwen3.8 Max erzielte in der Kategorie „Computer Use“ 86,1 Punkte und übertraf damit GPT-5.6 Sol (83,2 Punkte). Auch über verschiedene Programmierassistenten-Umgebungen hinweg blieb die Leistung konstant – was zeigt, dass die Fähigkeit dem Basismodell innewohnt und nicht von einer speziellen Anwendungssoftware abhängt.
Abbildung: Leistung von Qwen3.8-Max in verschiedenen Arbeitsumgebungen im Vergleich. Quelle: offizieller Blog von qwen.ai
Drittens: Kontinuierliche Selbstüberprüfung und Kurskorrektur. Nach jedem Schritt erfolgt der Blick zurück: Verschiedene UI-Abweichungen werden korrigiert, und falsche Richtungen werden selbstständig angepasst. Diese Feedback-Schleife der Selbstbeobachtung ist das entscheidende Merkmal dieser Modellgeneration und ermöglicht es ihnen, stundenlang ohne Abweichen vom Ziel zu arbeiten.
Wie leistungsfähig ist das Modell in der Praxis?
Alibaba hat mehrere Testergebnisse veröffentlicht, von denen drei besonders hervorstechen:
Einjähriges E-Commerce-Betriebsszenario: Das Modell verwaltete mit einem Startkapital von 100.000 US-Dollar gleichzeitig mehrere Online-Shops. Es verhandelte mit knapp 600 Lieferanten – darunter 152 unseriösen Anbietern –, bewältigte Lieferengpässe durch Taifune und fing Nachfragespitzen bei Sonderaktionen ab. Nach einem Jahr lag der Endsaldo bei 416.000 US-Dollar (eine 4,16-fache Steigerung) – 38 % höher als der Zweitplatzierte und 152 % höher als das Flaggschiffmodell der vorherigen Generation.
Chip-Design: Bei einer vorgegebenen Initialschaltung für einen Verschlüsselungschip mit 8.298 Logikgattern führte das Modell eigenständig 500 Runden aus „Codeanpassung – Simulation – Fehlerbehebung“ durch. Am Ende reduzierte es die Anzahl der Gatter auf 678, was eine Verringerung der Chipfläche um 81 % bedeutete.
Programmierwettbewerb: In einem Algorithmen-Wettbewerb mit 526 menschlichen Teams nahm das Modell 24 Stunden lang eigenständig teil und schlug 87 % der menschlichen Teams. Das Lesen der Regeln, das Anpassen von Modellen und die Entscheidung über 45 Einreichungen erfolgten vollständig autonom.
Abbildung: Offizielles Performance-Vergleichsdiagramm von Qwen3.8-Max (im Vergleich zu GPT-5.6 Sol, Claude Opus 4.8 usw.). Quelle: offizieller Blog von qwen.ai
Diese Zahlen stammen aus Eigenangaben von Alibaba und wurden von unabhängigen Dritten noch nicht vollständig repliziert. Wie in der Softwaretechnik üblich gilt: Die grundsätzliche Richtung ist glaubwürdig, das genaue Ausmaß muss noch unabhängig verifiziert werden.
Leistungsfähig, aber gesprächig und rechenintensiv
Der Spitzenplatz hat seinen Preis. Daten der Evaluierungsplattform zeigen, dass Qwen3.8 Max für dieselbe Aufgabe durchschnittlich 64 Interaktionsrunden benötigte, während die Vorgängergeneration mit 14 Runden auskam. Das Eingabe-Token-Volumen stieg um das 15-Fache, und die Ausgabe erreichte 145 Millionen Token. Die gründlichere Arbeitsweise wird mit höherer Ausführlichkeit und erhöhtem Rechenaufwand erkauft.
Auch bei der Generierungsgeschwindigkeit liegt das Modell im Mittelfeld: 67 Token pro Sekunde stehen 213 Token pro Sekunde bei Gemini 3.6 Flash gegenüber. Ein vollständiger Durchlauf der Agenten-Evaluierung verursachte Rechenkosten in Höhe von 1.741 US-Dollar.
Zwischen hoher Leistungsfähigkeit und Kosteneffizienz besteht weiterhin eine Lücke. Bei den API-Preisen verlangt Alibaba jedoch 2 US-Dollar pro Million Eingabe-Token und 6 US-Dollar pro Million Ausgabe-Token – deutlich günstiger als vergleichbare US-Modelle. Zudem kündigte Alibaba an, die Modellgewichte in der kommenden Woche als Open Source freizugeben – das erste Mal, dass ein Flaggschiffmodell der Max-Klasse quelloffen bereitgestellt wird. Open Source ermöglicht es Unternehmen, das Modell lokal zu betreiben, was die Betriebskosten weiter senken dürfte.
Worüber die Entwickler-Community diskutiert
Aufgrund der engen Ergebnisse an der Spitze wird in den Kommentaren lebhaft diskutiert. Eine Fraktion sieht darin ein Indiz für „Distillation“: Der geringe Abstand sei darauf zurückzuführen, dass kleinere Modelle Ausgaben größerer Spitzenmodelle als Trainingsdaten nutzen. Andere halten dagegen, dass das Lernen aus Modell-Ausgaben rechtlich nicht unzulässig sei und dem menschlichen Lernprozess ähnele.
Einige Ingenieure teilten konkrete Praxiserfahrungen: Nach der Nutzung von DeepSeek für 15 US-Dollar zur Fertigstellung komplexer Projekte stellten sie ihr monatliches OpenAI-Abonnement von 200 US-Dollar infrage. Einzelfälle sind kein statistischer Beweis, aber das gehäufte Auftreten solcher Rückmeldungen verändert die Markterwartungen spürbar.
Eine weitere Debatte betrifft rechtliche Fragestellungen. Einige Kommentare verwiesen auf frühere Vergleiche von US-Tech-Konzernen ohne Schuldeingeständnis und warfen Fragen zum geistigen Eigentum auf. Andere interpretieren die Annäherung der Werte als Zeichen dafür, dass die Leistungsfähigkeit großer Sprachmodelle vorerst ein Plateau erreicht hat. Ob dem so ist, wird sich bei den nächsten, anspruchsvolleren Benchmark-Überarbeitungen zeigen.
Was das für den KI-Alltag bedeutet
Der für Anwender relevante Teil dieser Entwicklung liegt außerhalb der Ranglisten.
In den letzten zwei Jahren lieferte KI vor allem Antworten: Texte formulieren oder Fragen beantworten. Nun beginnt die Phase, in der KI konkrete Ergebnisse liefert: Ein Stapel Belege wird automatisch in eine Tabelle sortiert und per E-Mail versendet; eine Reiseankündigung führt dazu, dass das System eigenständig Flüge sucht, Preise vergleicht und bucht. Dass diese Fähigkeiten in alltägliche Smartphone-Apps Einzug halten, ist nur eine Frage der Zeit.
Die Ranglisten werden weiter schwanken. Die Richtung steht jedoch fest: Die nächste Phase der KI gehört den Modellen, die Aufgaben eigenständig zu Ende führen.
Referenzlinks:
- Artificial Analysis: Agentic Index Rangliste
- HN-Diskussion (item?id=49200652)
- Alibaba Cloud / Qwen Offizieller Blog
- MarkTechPost Berichterstattung
- VentureBeat Evaluierungsbericht
