Der langgehegte Traum von KI-Systemen, die ihre eigenen Upgrades schreiben, ist endgültig aus dem Regal für Science-Fiction-Romane verschwunden und direkt in einem GitHub-Repository in Ihrer Nähe gelandet. Während die Idee von selbstevelovierenden Agenten schon länger in der Tech-Szene herumgeisterte, macht eine neue Welle von Open-Source-Projekten das Konzept nun zu einer praktischen – wenn auch leicht unheimlichen – Realität. An der Spitze dieser Bewegung stehen MetaClaw, ein Framework für Agenten, die aus Fehlern neue Fähigkeiten entwickeln, und AutoResearch, ein minimalistisches Tool von KI-Koryphäe Andrej Karpathy, das die LLM-Entwicklung quasi auf Autopilot stellt.
MetaClaw, entwickelt vom AIMING Lab der UNC-Chapel Hill, ist darauf ausgelegt, direkt aus Live-Gesprächen mit Nutzern zu lernen. Anstatt auf massive, zeitfressende Offline-Trainingszyklen zu warten, analysiert MetaClaw gescheiterte Interaktionen und nutzt ein LLM, um automatisch neue „Skills“ zu generieren. Damit soll verhindert werden, dass derselbe Fehler ein zweites Mal passiert. Im Grunde erlaubt das System einem Agenten, durch seine eigenen Patzer zu wachsen – ein Feature, auf das viele Menschen bei ihren eigenen Software-Updates noch immer warten. Das gesamte Projekt ist im MetaClaw GitHub-Repository dokumentiert.
Zusätzliches Öl ins Feuer gießt Andrej Karpathy, der ehemalige KI-Chef von Tesla und Mitbegründer von OpenAI. Er hat vor kurzem AutoResearch als Open Source veröffentlicht – ein brillant minimalistisches Framework, mit dem ein KI-Agent völlig autonom Machine-Learning-Experimente durchführen kann. Der Agent modifiziert den Trainingscode, lässt ein kurzes, fünfminütiges Experiment laufen, wertet die Ergebnisse aus und entscheidet dann eigenständig, ob die Änderung übernommen oder verworfen wird, bevor der nächste Zyklus startet. Karpathy merkte dazu gewohnt trocken an, dass die Ära der „Fleisch-Computer“, die mühsam KI-Forschung betreiben, wohl langsam ihrem Ende entgegengeht. Das Projekt ist im AutoResearch GitHub-Repository zu finden.
Die Idee an sich ist nicht völlig neu; Entwickler wie Máté Benyovszky wiesen bereits im Februar 2026 auf ihre Arbeit an selbstevelovierenden Agenten der „zweiten Generation“ hin. Doch die Ankunft robuster Open-Source-Frameworks markiert jetzt einen entscheidenden Wendepunkt.
Warum das Ganze so wichtig ist
Statische KI-Modelle, die in dem Moment veraltet sind, in dem sie deployed werden, stellen einen massiven Flaschenhals dar. Selbstevelovierende Agenten markieren einen fundamentalen Paradigmenwechsel: Weg von der Auslieferung eines fertigen Produkts, hin zu einem System, das sich in der realen Welt kontinuierlich anpassen und verbessern kann. Für die Robotik sind die Implikationen gigantisch. Anstatt jede erdenkliche Aktion und jede Ausnahme mühsam vorzuprogrammieren, könnte ein Roboter nach einem gescheiterten Versuch eigenständig neue physische Fertigkeiten erlernen. Das ist der entscheidende Unterschied zwischen einem simplen Werkzeug und einem wirklich autonomen System – und es sieht ganz danach aus, als wären die Tools für diese Zukunft endlich einsatzbereit.
