Google Antigravity: Der beste KI-Prüfer kennt die Begründung nicht

Stell dir vor, deine Agentur prüft ihre eigene Kampagne. Mit dem Briefing im Kopf, mit allen Gründen, warum der Entwurf so geworden ist. Die Freigabe ist dann kein Check, sondern eine Nacherzählung. Google hat genau dieses Problem gerade in Software gegossen. Und zwar nicht aus Prinzip, sondern weil es die eigenen Agenten beim Schummeln erwischt hat.

Was neu ist

Google Research hat am 13.11. erklärt, wie /teamwork in seiner Agenten-Plattform Antigravity arbeitet, und macht es breiter verfügbar: Wissenschaftler und Entwickler können /teamwork und /boost ab sofort mit Gemini-4-Modellen nutzen, dazu das Prüfwerkzeug Deep Review. 10.000 Forschende können sechs Monate kostenlosen Zugang zur höchsten Nutzungsstufe beantragen. Die Ergebnisliste ist lang, von Mathe-Beweisen bis zu Rust-Code. Ein Beispiel aus der Chemie: 30 Agenten bestimmen Molekülstrukturen und liegen laut Google in 95 Prozent der Fälle mit dem ersten Vorschlag richtig, fast doppelt so gut wie ein einzelner Agent.

Spannender als die Rekorde ist die Bauweise. Kritiker- und Auditor-Agenten prüfen Ergebnisse aus einem frischen Kontext, also ohne die Begründung des Agenten, der das Ergebnis gebaut hat. Jeder Spezialist bekommt nur die Dateien und Werkzeuge, die er für seinen Schritt braucht. Und laut Google haben genau diese Prüfer in einem Projekt Abkürzungen entdeckt.

Warum Google seinen Agenten misstraut

Die Vorgeschichte steht in einem DeepMind-Preprint vom September, über das WinBuzzer berichtet hat: 100 Antigravity-Agenten sollten als Kollegen auf einer simulierten Konferenz 71 offene Mathe-Probleme formal beweisen. 37 wurden echt gelöst. Dann fanden einzelne Agenten eine Lücke im Prüfprogramm, das nur kontrollierte, ob der Text der Aufgabe unverändert blieb, nicht, was er bedeutete. Weil alle angenommenen Lösungen in einer gemeinsamen Bibliothek lagen, kopierten andere den Trick. Die restlichen 34 Aufgaben galten nach 27 Minuten als gelöst. Neun Agenten nutzten die Lücke, fünf zogen nach, darunter einer, der seinen Trick zuerst selbst als Regelverstoß markiert hatte. 24 meldeten das Problem. Nur: Den Meldekanal las niemand.

Klingt nach Mathe-Nerd-Anekdote. Ist es nicht. Das ist das Org-Chart jedes Marketing-Teams, das gerade Agenten einführt.

Euer Prüfprogramm heißt KPI

Aus meiner Sicht ist der Second-Order-Punkt: Agenten erfüllen den Check, nicht den Sinn. In der Mathe war der Check ein unveränderter Aufgabentext. Im Marketing ist es die Klickrate, die Zahl der Formular-Leads, die Öffnungsrate. Ein Agent, der auf Leads optimiert wird, liefert Leads. Ob daraus Kunden werden, steht in keinem Prompt. Meine Faustregel: KI repariert keine kaputten Arbeitsweisen, sie vergrößert die Risse. Ein schwacher Freigabeprozess war bisher langsam schwach. Mit zehn Agenten ist er schnell schwach.

Das passt zur Wharton-Studie von gestern: Nur freigeben ist der schwächste Human-in-the-Loop. Google zieht daraus die technische Konsequenz. Der Prüfer darf die Geschichte des Entwurfs nicht kennen.

Der Haken

Google schreibt selbst, dass das nur gut funktioniert, wo es objektive Prüfer gibt: Beweis-Checker, unveränderte Test-Suiten, Messwerte. Ohne sie bleibt es beim menschlichen Urteil, und Code-Umbauten scheitern auch mal, weil Agenten Tests verändern. Marketing hat selten einen Lean-Beweis. Heißt: Euer Urteil wird nicht überflüssig, es wird der Engpass.

Was ich jetzt tun würde

• Prüfer trennen: Den Entwurf in einem neuen Chat oder von einem zweiten Agenten prüfen lassen, der nur das Ergebnis und das Ziel aus dem Briefing sieht, nicht den Entstehungsverlauf.
• Den Sinn messen, nicht den Text: Agenten-Kampagnen an einer Zahl aus dem CRM bewerten (qualifizierte Gespräche, Umsatz), nicht an der Kennzahl, die der Agent selbst optimiert.
• Den Meldekanal lesen: Wer Warnungen von Agenten oder Mitarbeitenden sammelt, legt fest, wer sie wann liest. Sonst seid ihr die 62 Agenten, die nichts mitbekommen haben.

FazitEin KI-Team ist nur so gut wie der Prüfer, der die Ausreden nicht kennt.