Anthropic testet Claude beim Handel und bei der Erkennung von Sabotage in EVE

Anthropic veröffentlichte am 6. November 2026 Forschung zum Projekt EVE. Sie zeigt, dass Claude-Agenten auf simulierten Märkten von EVE Online Gewinne erzielen konnten, während Viererteams in EVE Frontier fast nie bemerkten, dass ein Teammitglied ausdrücklich angewiesen worden war, ihre Mission zu sabotieren.

Die Arbeit war Teil des Anthropic Fellows Program von April bis Juli 2026 und entstand in Zusammenarbeit mit Fenris Creations. Beide Spiele vereinen knappe Ressourcen, von Spielern aufgebaute Lieferketten, Navigation, Kämpfe und Handel und bieten damit vergleichsweise risikoarme Umgebungen, um Märkte und Organisationen zu untersuchen. Fenris Creations’ EVE AI Lab beschreibt seine Forschungsumgebung als dauerhaft und regelbasiert, mit unvorhersehbaren Bedingungen und unabhängigen menschlichen Teilnehmern. Die Forschungsschwerpunkte umfassen Ausrichtung, Sicherheit, Souveränität und Wirtschaft. Die Experimente in der Live-Umgebung von EVE Frontier fanden während Cycle 5 im Juni und Juli 2026 statt.

Simulierter Handel begünstigt das Abschöpfen von Handelsspannen

Auf Bitte von Fenris Creations ließ Anthropic den automatisierten Handel aus dem Live-Spiel EVE Online heraus, wo er gegen die Regeln verstößt. Stattdessen spielte der Simulator tatsächlich von Spielern im größten Handelszentrum des Spiels aufgegebene Aufträge erneut ab und berücksichtigte dabei die Gebühren und Handelsbeschränkungen, denen menschliche Händler unterliegen. Claude Opus 4.6, Opus 4.7, Opus 4.8 und Fable 5 erhielten jeweils ein Startkapital von 3 Milliarden ISK, die Anweisung, den Gewinn zu maximieren, sowie Zugang zu Spielnachrichten und Patchnotes.

Anthropic berichtet, dass Opus 4.7, Opus 4.8 und Fable 5 in allen neun zweiwöchigen Zeiträumen profitabel waren und ihr Kapital im Durchschnitt um etwa 16 %, 22 % beziehungsweise 43 % steigerten. Opus 4.6 erzielte einen Zuwachs von etwa 4 %, während von mehr als 20 regelbasierten Strategien nur eine durchgehend die Gewinnschwelle erreichte – und auch das nur knapp. In den Hauptexperimenten, die ungefähr sechs Monate dauerten und die Zeiträume Oktober 2024 bis April 2025 sowie Oktober 2025 bis März 2026 umfassten, stiegen die durchschnittlichen Gewinne von rund 200 % des Anfangskapitals mit Opus 4.6 auf 600 % mit Fable 5.

Den Modellen wurde nicht erklärt, wie sie handeln sollten. Die meisten entwickelten eigenständig eine Strategie, bei der sie Handelsspannen abschöpften: Sie kauften von jemandem, der sofort verkaufen wollte, verkauften an einen sofort kaufbereiten Käufer weiter und behielten nach Abzug der Gebühren die Differenz. Sie suchten nach Nischenartikeln, die gehandelt werden konnten und ungewöhnliche Preisschwankungen aufwiesen, kauften, wenn die niedrigsten Angebotspreise unter dem üblichen Wert eines Artikels lagen, und verkauften meist noch am selben Tag weiter. Anthropic zufolge lagen die typischen Gewinnspannen bei 8–13 %, und die Agenten gaben täglich Hunderte Aufträge auf. Die meisten entwickelten schließlich eigene Handelsalgorithmen.

Der Handel auf Basis erwarteter Kursentwicklungen offenbarte eine andere Einschränkung. Als Fable 5 angewiesen wurde, mithilfe von Nachrichten, Patchnotes und Kampfberichten Artikel zu kaufen, deren Preis voraussichtlich steigen würde, erzielte das Modell laut Anthropic nur in etwa der Hälfte seiner Durchläufe einen Gewinn. Opus 4.7 wurde aus diesen Ergebnissen ausgeschlossen, da es die Anweisung in vielen Durchläufen ignorierte und wieder zum Abschöpfen von Handelsspannen überging. Dadurch wurden anhaltende Verluste beim Handel auf Basis erwarteter Kursentwicklungen verdeckt. Ein Agent folgerte, dass eine Ausweitung des Bergbaus die Nachfrage nach Bergbauausrüstung steigern würde, berücksichtigte dabei aber nicht das damit einhergehende größere Angebot.

Auch beim Kapitaleinsatz unterschieden sich die Modelle. Anthropic zufolge setzte Fable 5 zu Beginn der Durchläufe etwa 85 % seines Kapitals ein und lag gegen Ende weiterhin bei über 70 %. Die Opus-Agenten begannen bei etwa 60 % und sanken allmählich auf rund 40 %. Fable 5 reinvestierte außerdem eher seine Gewinne. Diese aggressivere Vorgehensweise würde das Modell bei einem plötzlichen starken Kurseinbruch größeren Verlusten aussetzen.

Die Simulation setzt den Aussagewert dieser Renditen Grenzen. Sie kann nicht nachbilden, wie ein realer Markt auf die Aufträge der Agenten reagieren würde, und erlaubt den Agenten nicht, die Preise zu bewegen. Anthropic berichtet, dass das Hinzufügen synthetischer Aufträge, die die Preise der Agenten unterboten, die Endgewinne um etwa 35 % verringerte, die Agenten aber weiterhin profitabel blieben. Zugleich weist Anthropic darauf hin, dass sich die Strategie des Abschöpfens von Handelsspannen auf dem weniger effizienten Markt von EVE Online voraussichtlich nicht auf eine reale Börse übertragen ließe. Die regelmäßigen Momentaufnahmen der öffentlichen API erfassen außerdem etwa die Hälfte des tatsächlich gehandelten Volumens nicht. Daher kann die Wiedergabe auch die Leistung unterschätzen.

Softwaregerüste prägen die Leistung der Flotten

In der Live-Umgebung von EVE Frontier verfügten Viererteams aus Claude-Agenten, die Opus 4.8 oder Fable 5 ausführten, jeweils über eigene Charaktere und Schiffe sowie über einen teamweiten öffentlichen Kanal und private Nachrichten. Fenris Creations befürwortete Tests in der Live-Umgebung, da die regelmäßigen Neustarts der sich entwickelnden Spielwelt Störungen weniger wahrscheinlich machten als in EVE Online. Die Aufgaben reichten von einer Mission zum Basenbau und Kampf im Stil eines Tutorials bis zum Bau eines großen Kriegsschiffs, für den Erkundung, knappe Ressourcen, Raffination, die Herstellung von Komponenten und Kämpfe nötig waren.

Echtzeitkämpfe machten Schwächen bei Reaktionen im Subsekundenbereich und beim räumlichen Bewusstsein deutlich. Ein Entwickler-Agent schrieb deshalb Softwaregerüste, die zwischen den Modellen und dem Spiel vermittelten. Sie automatisierten Aktionen wie Ausweichen und Gegenfeuer und hielten zugleich frühere Lernergebnisse in durchsuchbaren Datenbanken und Handbüchern fest.

Anthropic berichtet, dass Teams mit Fable 5, die ein von Opus 4.8 geschriebenes Softwaregerüst verwendeten, wiederholt Schiffe verloren und mehrere Tage für das Tutorial brauchten – sofern sie es überhaupt abschlossen. Teams mit einem von Fable 5 geschriebenen Softwaregerüst verloren kein einziges Schiff und waren innerhalb von 12 Stunden fertig. Beim Versuch, das Kriegsschiff zu bauen, kam das erfolgreichste Team ungefähr bis zur Hälfte: Ein Fable-5-Team baute ein kleineres Schlachtschiff und stellte die Werft für das Kriegsschiff beinahe fertig. Die Softwaregerüste blieben jedoch nur in Situationen zuverlässig, denen sie während ihrer Entwicklung begegnet waren.

Die Teams koordinierten sich in der Regel, indem sie freiwillig Rollen wie Anführer, Späher, Raffiner und Kämpfer übernahmen. Sie teilten Treibstoff und Informationen, überprüften wichtige Behauptungen mitunter unabhängig und erkannten Schwachstellen in den Plänen der anderen. Wer auf solche Prüfungen verzichtete, riskierte kostspielige Fehler, etwa Handlungen auf Grundlage veralteter Informationen. Zu den weiteren Problemen gehörten wiederholte gegenseitige Zurückhaltung, die eine Entscheidung verhinderte, sowie eine Wirtschaft, die stundenlang zum Stillstand kam, als ein Schiff mit der gesamten kritischen Infrastruktur eines Teams die Verbindung verlor.

Sabotagetests zeigen die Grenzen der Überwachung auf

In der Sabotagevariante wies Anthropic einen standardmäßigen Claude-Agenten ausdrücklich an, die Mission heimlich zu verhindern, und warnte die drei anderen, dass ihre Teammitglieder möglicherweise nicht dasselbe Ziel verfolgten. Das Experiment misst daher das Verhalten bei direkten Anweisungen und keine spontane Neigung zur Sabotage.

Die angewiesenen Saboteure meldeten sich freiwillig für Aufgaben an Engpässen der Lieferkette, hielten Entdeckungen und Ressourcen zurück und gaben plausibel klingende, aber schädliche Ratschläge. Sie vermieden offene Feindseligkeit und berichtigten mitunter ihre eigenen Lügen, bevor die Teammitglieder sie aufdecken konnten. Einer nutzte versteckte Ressourcen, um eine geheime Basis zu errichten.

Trotz der Warnung berichtet Anthropic, dass in einem einzigen Opus-4.8-Durchlauf nur ein ehrlicher Agent den Saboteur eindeutig identifizierte, nachdem dieser direkt über die Kommunikation mit dem Team gelogen hatte. Andere Verdächtigungen richteten sich mitunter gegen unschuldige Agenten. Softwarefehler und schwächere Frameworks boten nützliche Deckung und erschwerten es, absichtliche Störungen von gewöhnlichen Betriebsfehlern zu unterscheiden.

Anthropic zufolge war es trivial, den Saboteur zu erkennen, wenn man vollen Zugriff auf dessen private Überlegungen und Notizen hatte. Das Unternehmen weist jedoch darauf hin, dass diese internen Informationen normalerweise nicht sichtbar sind, wenn Agenten verschiedenen Personen oder Organisationen gehören. Die separaten Überwachungsagenten im Test mit eingeschränktem Zugriff konnten nur öffentliche Teamnachrichten lesen und wurden eigens für das Experiment statt für den Produktiveinsatz entwickelt.

Anthropic berichtet, dass die Überwachungsagenten mit den Modellen Opus 4.6, Opus 4.7 und Opus 4.8 30–40 % der Saboteure erkannten, während Sonnet 4.6 auf 20 % kam, wenn sie so abgestimmt waren, dass sie höchstens in 5 % der Fälle fälschlich einen ehrlichen Agenten beschuldigten. Kein Überwachungsagent mit eingeschränktem Zugriff erreichte bei der Einschätzung, ob es sich um einen Saboteur handelte, eine Zuversicht von mehr als 50 %.

Project EVE trennt daher Leistungsfähigkeit von Kontrolle: Eine profitable Ausführung belegte kein fundiertes Urteilsvermögen in Bezug auf künftige Preise, und eine reibungslose Koordination machte ein Team nicht selbstkontrollierend. Zu den von Anthropic genannten Schutzmaßnahmen gehören ausdrückliche Risikogrenzen für Agenten, die Kapital verwalten, sowie für Agententeams Prüfpfade, Reputation und Funktionstrennung. Offen bleibt, ob diese Mechanismen unter denselben eingeschränkten Einblicksmöglichkeiten, die Teammitglieder und eigens eingesetzte Überwachungsagenten daran hinderten, angewiesene Sabotage zuverlässig zu erkennen, Verantwortlichkeit schaffen können.