Factorio zu schlagen ist echter Fortschritt, doch Spiele sind die leichte Prüfung

Ist eine KI, die in Factorio eine Rakete startet, bereit, Ihr Backoffice zu führen? Noch nicht, und der Abstand zwischen diesen beiden Fragen ist der interessanteste Teil der Geschichte dieser Woche.

Die Fakten sind schnell erzählt. Der Entwickler Ryan Madden berichtet, dass GPT-5.6 Sol Factorio im friedlichen Modus durchspielen kann. Laut Zusammenfassungen seines Beitrags lief das Modell in Codex auf niedriger Denkstufe und schloss den Durchlauf ab: Nach 13,5 Stunden Spielzeit startete es eine Rakete. Eine Python-Bibliothek erzwang menschenähnliche Einschränkungen wie die Reichweite des Spielers und den Nebel des Krieges. Der Beitrag fand auch auf Hacker News Beachtung.

Der Meilenstein ist real, und die niedrige Denkstufe ist die leise Schlagzeile

Factorio ist kein Quiz. Man baut aus dem Nichts eine Wirtschaft auf, und jede Abkürzung am Anfang wird Stunden später zum Engpass. Über so viele Schritte einen schlüssigen Plan zu halten, ist genau das, woran Agenten bisher regelmäßig scheiterten. Maddens frühere Projekte (ein Versuch mit Claude Code und ein Testumfeld namens Faketorio) deuten darauf hin, dass es ein langsamer Aufstieg und kein Glückstreffer war. Das Durchhalten bis zum Ende ist ein echtes Zeichen für Kompetenz auf langen Zeithorizonten.

Am meisten fällt uns das Detail der „niedrigen Denkstufe“ auf. Es legt nahe, dass die Ausdauer aus der Agentenschleife, den Werkzeugen und der Beharrlichkeit kam, nicht daraus, bei jedem Zug maximal viel Rechenaufwand fürs Denken zu verbrennen. Das ist eine gute Nachricht für alle, die auf die Kosten achten, und ein nützlicheres Signal als die Rakete selbst.

Die Dokumentation zeigt schon, wo es hakt

Die Einschränkung in der Berichterstattung sollte man nicht überspringen: Produktionsdiagramme zeigen Berichten zufolge Skalierungsprobleme nach der blauen Forschung (blue science). Der Agent wurde also fertig, aber er glitt nicht durchs Spiel. Seine Fabrik geriet mit wachsender Komplexität unter Druck. Dort würden wir zuerst hinsehen, denn echte Projekte bestehen größtenteils aus dem Teil, der beginnt, wenn die einfache Skalierung endet.

Dann ist da noch das Etikett „friedlich“. Erwähnenswert ist, dass der friedliche Modus laut Hosting-Anleitungen Gegner nicht vollständig entfernt; sie erscheinen weiterhin, greifen aber nur an, wenn sie provoziert werden. Trotzdem beseitigt der Aufbau bewusst die Hauptquelle plötzlichen Drucks, der einen Durchlauf beenden kann. Für ein Experiment ist das eine vernünftige Entscheidung. Es erinnert aber auch daran, dass dies eine wohlwollende Prüfung ist.

Spiele schmeicheln Agenten – bewertet sie dort, wo Fehler wehtun

Unsere Meinung: Ein Spiel ist für einen Agenten die bestmögliche Umgebung. Die Regeln sind fest und dokumentiert. Der Zustand ist über eine API beobachtbar. Das Feedback kommt sofort und ist eindeutig. Ein falscher Zug kostet Zeit, kein Geld, und meist lässt sich der Fehler beheben. Auch die Python-Schicht, die die „menschenähnlichen“ Grenzen durchsetzt, leistet viel: Jemand musste die Schnittstelle so entwerfen, dass das Modell überhaupt handeln konnte.

Büros, Codebasen und Posteingänge bieten nichts davon. Anweisungen sind mehrdeutig, Systeme verändern sich unter den Händen, und manche Fehler sind nicht rückgängig zu machen: ein gelöschter Datensatz, eine falsche Zahlung, eine E-Mail, die sich nicht zurückholen lässt. Ein Agent, der glänzt, wenn Scheitern nichts kostet, kann sich ganz anders verhalten, wenn es etwas kostet.

Eine Rangliste sollte man ebenfalls im Blick behalten. Eine Benchmark-Seite führt GPT-5.6 Sol auf Platz 12 von 132 Modellen bei agentischer Werkzeugnutzung und Computeraufgaben, mit 68,5 von 100 Punkten. Wir würden diese Zahl mit Vorsicht behandeln, da sie von einer Seite ohne Datum stammt, aber sie passt ins Bild: stark, nicht unschlagbar und gewiss nicht abschließend geklärt.

Unser Urteil

Feiern Sie den Factorio-Durchlauf als Beleg dafür, dass Agenten für lange Aufgaben kommen. Ändern Sie dann die Frage. Fragen Sie nicht mehr „Schafft er es bis zum Ende?“, sondern „Was kostet es, wenn er falsch liegt, und wie oft passiert das?“. Gute Agententests sollten unsaubere Eingaben enthalten, keinen Reset-Knopf, Strafen für zerstörerische Aktionen und ein Maß dafür, wie souverän der Agent anhält und um Hilfe bittet.

Wer Agenten für echte Arbeit prüft, sollte sie zuerst an einem umkehrbaren Teilbereich einsetzen, bei allem Unumkehrbaren einen Menschen einbinden und die Fehlerquote bewerten, nicht die Demo. Der Raketenstart ist ein großartiger Trailer. Der Film ist der Dienstagnachmittag, an dem etwas schiefgeht und niemand hinsieht.