Anthropic lässt KI träumen

Liebe Neugierige, Kreative, Entdecker*innen,

San Francisco, Mittwoch, 6. Mai 2026, irgendwann nachmittags zwischen den Keynotes. Simon Willison sitzt im Saal, live-bloggt mit, und tippt einen unscheinbaren Satz: „Dreaming looks really interesting.“ Vier Worte. Auf der Bühne ist gerade ein Feature gefallen, das nicht „GPT-irgendwas“ heißt, nicht zehn Milliarden Parameter mehr bringt, keine neue Benchmark-Bestmarke knackt. Es heißt schlicht Dreaming – und genau das hat mich genauer hinhören und -schauen lassen.

„All men dream: but not equally. Those who dream by night in the dusty recesses of their minds wake in the day to find that it was vanity: but the dreamers of the day are dangerous men, for they may act their dreams with open eyes, to make it possible.“ — T. E. Lawrence, Seven Pillars of Wisdom (1922)

Worum geht es? Um KI-Agenten, die zwischen den Sessions schlafen gehen, ihre eigenen Protokolle durchwühlen, Muster heben, Fehler erkennen – und am nächsten Morgen schlauer aufwachen. Klingt nach Science-Fiction. Ist seit ein paar Wochen aber eine API.

Dreaming: Wenn KI-Agenten zwischen den Schichten an sich selbst arbeiten

Was Anthropic am 6. Mai im Rahmen seiner Entwicklerkonferenz Code with Claude als Research Preview vorgestellt hat, klingt erst einmal harmlos: ein neues Feature für die sogenannten Managed Agents. Liest man den Blog-Eintrag aber mal ganz genau und langsam, ändert sich etwas. Dreaming ist ein geplanter, asynchroner Prozess. Du wirfst Deinem Agenten einen bestehenden Memory Store zu, optional bis zu 100 vergangene Sessions – und er rekonstruiert daraus einen neuen, aufgeräumten Speicher. Duplikate verschmolzen, widersprüchliche Einträge aktualisiert, neue Erkenntnisse herausgeschält. Das Ganze läuft, während Du Kaffee trinkst (oder schläfst – passenderweise).

Klingt unspektakulär? Bisher kämpfen alle großen Sprachmodelle mit demselben strukturellen Problem: Sie haben kein Langzeitgedächtnis. Was im Kontextfenster nicht mehr reinpasst, ist weg. „Compaction“ – also das Zusammenpressen von Konversationen – funktioniert nur innerhalb einer Session. Dreaming geht den Schritt weiter und arbeitet zwischen den Sessions, sogar zwischen mehreren Agenten desselben Teams. Wichtig dabei (und für mich der eigentliche Charme): Es werden keine Modellgewichte verändert. Der Agent schreibt seine Lehren als Klartext-Notizen und strukturierte „Playbooks“ – einsehbar, auditierbar, korrigierbar. Wer skeptisch ist, kann den Output prüfen, bevor er überschrieben wird; die technische Doku beschreibt das fein säuberlich.

Frühe Zahlen sind interessant. Die Legal-AI-Firma Harvey berichtet im Anthropic-Post von einer rund sechsfach höheren Completion-Rate bei langen Dokumenten-Workflows, seit ihre Agenten zwischen den Sessions „träumen“. Netflix nutzt das Schwesterfeature Multiagent Orchestration, um Hunderte Build-Logs parallel zu durchforsten. Wisedocs verkürzt Dokumentenprüfungen um die Hälfte. Klingt nach den üblichen Hersteller-Anekdoten – und doch zeigt es eine Richtung an, die Du Dir merken solltest:

Agenten lernen zwischen den Einsätzen. Nicht durch teures Re-Training, sondern durch reflektierte Notizen.

Eine kleine Verschiebung. Aber eine, die das Verhältnis von Modell und Memory dauerhaft verändern könnte.

Wie kann man sich das in der Praxis vorstellen? Wer kennt das nicht: man nutzt gerade ein neues KI-Tool, erklärst ihm zum zwölften Mal denselben Sonderfall in Deinem Excel-Export, und seufzt. Stell Dir vor, der Agent merkt sich diesen Sonderfall – nicht für die nächste Antwort, sondern für die nächste Woche, das nächste Quartal, den nächsten Kollegen. Genau dieser Schritt ist es, der mich diese Woche beschäftigt. Wir haben darüber schon einmal nachgedacht – im KI-Logbuch „Alleingang? Wie sich KI durch selbstverbessernde Algorithmen selber optimiert“ (das hatte ich bereits vor mehr als einem Jahr, am 5. März 2025, veröffentlicht). Damals ging es um Modelle, die sich selbst trainieren. Heute geht es um etwas Bescheideneres – und vielleicht Praktischeres: Agenten, die sich selbst Notizen machen.

Outcomes, Multi-Agent-Orchestrierung – und der biologische Cousin

Dreaming kam nicht allein. Anthropic hat im selben Atemzug zwei weitere Features in die öffentliche Beta gehievt: Outcomes und Multi-Agent-Orchestrierung. Outcomes ist im Kern eine Rubrik. Du beschreibst, was „gut“ aussieht – eine Struktur, ein Markenwortlaut, eine Liste zu erfüllender Anforderungen –, und ein separater Grader-Agent prüft im eigenen Kontextfenster, ob das Ergebnis hält, was es verspricht. Wenn nicht, geht’s zurück an den Hauptagenten. In Anthropics Tests, dokumentiert bei VentureBeat, legt das die Task-Erfolgsrate um bis zu zehn Prozentpunkte zu, mit den größten Gewinnen bei docx- und pptx-Generierung. Multi-Agent-Orchestrierung wiederum lässt einen Lead-Agent komplexe Jobs in Häppchen zerlegen und an Sub-Agenten verteilen – jeder mit eigenem Modell, eigenem Prompt, eigenen Werkzeugen. Wer das in Echtzeit beobachten will, findet bei The New Stack eine schöne Übersicht der drei Bausteine. Drei Hebel, ein Ziel: Agenten, die in komplexen Aufgaben weniger händisches Steuern brauchen.

Was die Neurowissenschaft seit Jahrzehnten weiß

Die Metapher „Träumen“ ist hier kein PR-Spaß. Sie verweist auf eine seit den 1980er Jahren gut belegte Erkenntnis der Neurowissenschaft: Im Schlaf, vor allem im Tiefschlaf, „spielt“ der Hippocampus tagsüber gemachte Erfahrungen verkürzt noch einmal ab – sogenanntes Memory Replay in Verbindung mit Sharp Wave Ripples – und „lehrt“ damit den Neokortex. So wandern Erinnerungen vom Kurzzeit- ins Langzeitgedächtnis. Eine Übersichtsarbeit im Journal Neuron beschreibt diesen Prozess als „koordiniertes Zusammenspiel aus thalamischen Spindeln, kortikalen langsamen Wellen und noradrenerger Aktivität“. Anthropics „Dreaming“ ist keine Eins-zu-eins-Übertragung dieser Mechanik, aber die funktionale Analogie ist verblüffend genau: Erfahrungen sichten, verdichten, konsolidieren, das Wichtige behalten, den Rest verwerfen. Und nebenbei: Schon 2023 hat Danijar Hafner mit DreamerV3 gezeigt, dass „Träumen“ – im Sinne imaginierter Rollouts in einem Weltmodell – bestehende Reinforcement-Learning-Methoden über 150 Aufgaben hinweg schlagen kann. Die Metapher kreist also lange schon. Sie kommt jetzt eigentlich nur im „Enterprise-Stack“ an.

Schon gewusst?

Der Begriff Dreaming taucht in der KI-Forschung nicht erst seit letzter Woche auf. Schon Anfang 2023 veröffentlichte Danijar Hafner mit seinem Team „DreamerV3“ – einen Reinforcement-Learning-Algorithmus, der sich seine nächsten Schritte erst in einem inneren Weltmodell vorträumt und dann handelt. Das System war übrigens das erste, das in Minecraft autonom und ohne menschliche Beispiele Diamanten finden konnte. Dreaming als Begriff ist also weniger ein Marketing-Trick als ein Querverweis auf eine ganze Forschungslinie – ein Wink mit dem Zaunpfahl, dass man hier Schultern von Riesen berührt, auf denen man steht.

Tips und Tricks – Wenn Du selbst mit Agenten-Memory experimentieren willst

Nutze Obsidian zusammen mit einem starken KI-Modell. Hier kannst Du im Kleinen schon viel ausprobieren und KI mit Deinen Notizen arbeiten (oder auch träumen?) lassen.
Klein anfangen. Wirf nicht hundert Sessions auf einmal in einen Dream-Job. Drei bis fünf reichen, um zu sehen, was Dein Agent als „Muster“ erkennt – und was Unsinn ist.
Review-Modus zuerst. Lass Dir die neu kuratierten Memories zeigen, bevor der Agent sie automatisch übernimmt. Wer der KI hier blind vertraut, baut sich Bias in die Pipeline.
Saubere Playbook-Namen. Wenn Dein Agent „decent-playbook.md“ oder „pptx-quirks.md“ schreibt, hilft eine klare Namenskonvention – sonst hast Du in drei Wochen einen Memory-Speicher voller kryptischer Schnipsel.
Vorher messen, dann träumen lassen. Definier’ eine kleine Baseline (z. B. zehn Standard-Aufgaben), bevor Du Dreaming aktivierst. Sonst kannst Du später nicht sagen, ob die „Sechsfach-Verbesserung“ auch bei Dir gilt oder ob Du Dich gerade selber überzeugst.
Verzicht ist auch ein Move. Nicht jeder Workflow braucht Erinnerung. Für Einmal-Tasks reicht ein guter Prompt. Memory ist Pflege – und Pflege kostet Zeit.

Was bleibt?

Was bleibt? Für mich vor allem dies: Die Tech-Welt redet seit Monaten von „immer größeren Modellen“, „immer mehr Rechenzentren“, „immer mehr GPUs“. Anthropic hat letzte Woche etwas anderes getan – ein kleines, fast langweiliges, fast meditatives Feature gezeigt. Eines, das nicht auf mehr Parameter setzt, sondern auf mehr Reflexion. Das ist – Hand aufs Herz – ungewöhnlich für diese Branche. Und vielleicht genau das, was wir gerade brauchen. KI, die nicht laut wird, sondern leise lernt. Die nicht reden will, sondern aufräumen. Die nicht Glanz produziert, sondern Klarheit. Ob es bleibt? Keine Ahnung. Research Preview heißt: kann gut werden, kann auch versanden. Aber die Richtung gefällt mir. Ich werde es ausprobieren, wie immer alles was kleiner, vielleicht ja in Verbindung mit meiner Obsidian-Instanz. Ich werde Euch berichten und natürlich auch gern wissen: Taugt sowas was? Und wenn „Ja“, wo würdet Ihr Eure Agenten träumen lassen? In welchem Workflow wäre Erinnerung mehr wert als zehn weitere Prompts?

„Wer nach außen schaut, träumt; wer nach innen schaut, erwacht.“ — Carl Gustav Jung, Aion (1951)

Danke, dass Du diese Woche wieder mit mir mitgedacht hast. Ich freu mich auf Deine Kommentare, Deine Beispiele, Deine Skepsis – und auf Deine Erfahrungen mit träumenden Algorithmen.

Bis nächste Woche,

Euer Arno