Forschende der Princeton University ließen vierzehn KI-Agenten jeweils 500 simulierte Tage lang ein Softwareunternehmen mit einer Million Dollar Startkapital leiten. Nur drei schlossen die Simulation profitabler ab als sie begonnen hatten. Eine einfache regelbasierte Heuristik ohne Sprachmodell schlug dabei elf der vierzehn getesteten KI-Systeme.

Was testet CEO-Bench genau?

CEO-Bench, entwickelt von Forschenden der Princeton University, simuliert die Führung eines Softwareunternehmens über einen langen Zeitraum. Jeder Agent startet mit einer Million Dollar Kapital und trifft eigenständig Entscheidungen: Welche Produkte werden entwickelt? Wie werden Ressourcen eingesetzt? Wie reagiert das Unternehmen auf veränderte Marktbedingungen?

Das theoretische Maximum liegt laut dem CEO-Bench-Paper der Princeton University (2026) bei rund 2,2 Milliarden Dollar — ein Maßstab, der zeigt, wie weit selbst die besten Modelle von einem optimalen Entscheidungspfad entfernt bleiben. Getestet wurden vierzehn Sprachmodelle unterschiedlicher Anbieter.

Die entscheidende Besonderheit des Benchmarks: Er misst keine schnellen Antworten auf Einzelfragen, sondern die Fähigkeit, über Hunderte von Entscheidungsrunden hinweg eine kohärente Strategie aufrechtzuerhalten und gleichzeitig auf neue Situationen zu reagieren. Das unterscheidet ihn grundlegend von den gängigen Maßstäben, mit denen KI-Modelle heute üblicherweise verglichen werden.

Wie haben die Modelle abgeschnitten?

Von vierzehn getesteten Systemen schlossen laut dem CEO-Bench-Paper der Princeton University (2026) nur drei die Simulation profitabler ab als sie begonnen hatten:

  • Claude Fable 5: 47,15 Millionen Dollar
  • Claude Opus 4.8: 27,8 Millionen Dollar
  • GPT-5.5: 21,3 Millionen Dollar

Auf Platz vier landete eine regelbasierte Heuristik ohne jedes Sprachmodell mit 15,76 Millionen Dollar. Sie übertraf damit elf der vierzehn getesteten KI-Systeme — nicht durch adaptives Denken, sondern durch konsequentes Befolgen fester Entscheidungsregeln. Viele Modelle schieden im Lauf der 500 Tage aus, weil sie bankrott gingen.

Auffällig war zudem ein unerwartetes Ergebnis: Der Einsatz spezialisierter Programmier-Werkzeuge wie Claude Code oder Codex verschlechterte die Performance gegenüber dem jeweiligen Basismodell. Spezialisierung auf einen Teilbereich scheint langfristige strategische Kohärenz zu beeinträchtigen — zumindest im Kontext unternehmerischer Gesamtsteuerung.

Was bedeutet das für den Unternehmenseinsatz?

CEO-Bench ist kein Urteil gegen KI im Unternehmen. Es ist eine Eingrenzung: Aktuelle KI-Agenten sind nicht für die strategische Gesamtführung eines Unternehmens gebaut. Sie scheitern, wenn sie über Hunderte von Entscheidungsrunden eigenständig planen und dabei mit unvorhersehbaren Rahmenbedingungen umgehen müssen.

Was das für den konkreten Einsatz bedeutet, ist eigentlich eine gute Nachricht: Du musst keinen KI-CEO einsetzen, damit KI dir hilft. Ein KI-Mitarbeiter, der täglich Eingangsrechnungen prüft, Kundenanfragen bearbeitet, Onboarding-Dokumente erstellt oder Compliance-Checklisten abarbeitet, braucht keine Langzeitstrategie zu entwickeln. Er braucht einen klar definierten Ablauf und verlässliche Ausführung. Genau darin sind heutige KI-Systeme außerordentlich stark.

Die Benchmark-Ergebnisse zeigen das indirekt: Die drei erfolgreichen Modelle behielten langfristig Struktur bei, weil sie in der Lage waren, wiederkehrende Muster zu erkennen und konsequent anzuwenden. Genau das ist auch das Prinzip hinter spezialisierten KI-Mitarbeitern in Unternehmen: nicht ein Agent für alles, sondern definierte KI-Mitarbeiter für abgegrenzte Aufgabenbereiche.

Das AI Backbone System setzt auf diesen Grundsatz. CEO-Bench zeigt die Grenzen des aktuell Möglichen bei autonomer strategischer Entscheidungsfindung. Gleichzeitig zeigt der Benchmark deutlich, wo KI heute bereits verlässlich wirkt: in strukturierten Abläufen, die täglich wiederkehren.