Das ist kein Marketingbegriff, sondern eine echte Funktion.
Auf der Code with Claude SF am 6. Mai kündigte Anthropic für Claude Managed Agents eine neue Fähigkeit namens Dreaming an. Wenn ein Agent seine Arbeit beendet hat, kann er Leerlaufzeit nutzen, um frühere Sitzungen zu prüfen, Muster zu erkennen, die während der Aufgabe nicht sichtbar waren, und sie als Langzeitgedächtnis zu speichern. Trifft später eine ähnliche Aufgabe ein, kann sich sein Verhalten ändern.
Einfach gesagt: Viele bisherige KI-Agenten schließen eine Aufgabe ab und beginnen bei der nächsten fast wieder bei null. Mit Dreaming wird die Zeit zwischen zwei Einsätzen nicht mehr verschwendet. Der Agent reflektiert, fasst zusammen und aktualisiert seinen eigenen Speicher.
Anthropic selbst beschreibt das mit einer Analogie zum Menschen, der nach der Arbeit den Tag noch einmal durchgeht.
Was Dreaming tatsächlich macht
Technisch ist Dreaming ein geplanter Prozess, nicht etwas, das der Agent nebenbei während der Arbeit erledigt. Er wird in Leerlaufphasen gestartet, durchsucht frühere Gespräche sowie den vorhandenen Speicher und sucht vor allem nach drei Arten von Signalen.
- Wiederholte Fehler, etwa wenn ein Agent innerhalb einer Woche fünfmal an derselben Art von SQL-Abfrage scheitert. In einer einzelnen Sitzung fällt das kaum auf; über mehrere Sitzungen hinweg wird das Muster sichtbar.
- Bewährte Arbeitsabläufe, also Wege, die bei ähnlichen Aufgaben wiederholt erfolgreich waren.
- Teamweite Präferenzen, darunter Namenskonventionen, Codestil und Berichtsformate, die mehrere Agenten gemeinsam nutzen.
Nach der Extraktion wird das Gedächtnis nicht einfach erweitert, sondern neu strukturiert. Anthropic formuliert es im Blog so: "Memory lets each agent capture what it learns as it works. Dreaming refines that memory between sessions."
Der Agent lernt während der Arbeit und verdaut das Gelernte danach noch einmal. Diese Zweiteilung unterscheidet Dreaming von klassischem RAG oder einem bloß größeren Kontextfenster.
Entwickler können die Aktualisierung auf zwei Arten steuern. Dreaming kann neue Erinnerungen automatisch schreiben, oder jede neue Erkenntnis muss vor der Aktivierung von Menschen geprüft werden. Ersteres passt zu unbeaufsichtigten Agentenszenarien, Letzteres eher zu Unternehmensabläufen mit Audit-Anforderungen.
Dreaming befindet sich derzeit in einer Research Preview.
Outcomes übergibt auch die Abnahme an KI
Parallel stellte Anthropic Outcomes vor. Die Funktion löst ein anderes Problem: Sie soll Agenten dabei helfen zu beurteilen, ob ihre Arbeit gut genug ist.
Der Ablauf ist klar. Entwickler schreiben eine Rubric, also Bewertungskriterien, die Erfolg definieren. Das System startet anschließend einen separaten Grader-Agenten in einem eigenen Kontext. Wenn das Ergebnis nicht genügt, benennt der Grader konkrete Probleme und der ursprüngliche Agent arbeitet nach.
Entscheidend ist der separate Kontext des Graders. Das ist keine Selbstbewertung durch denselben Agenten, die fast zwangsläufig zu wohlwollend ausfallen würde. Ein frischer Kontext soll Schwachstellen finden, ohne dass der Agent die Kriterien zu seinen Gunsten interpretiert.
Anthropic zufolge stieg in internen Tests mit Outcomes die Erfolgsrate von Aufgaben gegenüber einem Standard-Prompt-Loop um bis zu 10 Prozentpunkte. Je schwieriger die Aufgabe, desto größer der Effekt. Bei der Dateierzeugung verbesserte sich die Qualität von docx-Dateien um 8,4% und die von pptx-Dateien um 10,1%.
Zehn Punkte Unterschied in einem Benchmark sind erheblich. Das entspricht ungefähr dem Sprung, den Teams oft von einer neuen Modellgeneration erwarten. Hier kommt der Fortschritt aus einer besseren Arbeitsorganisation, nicht aus einem neuen Modell.
Outcomes ist derzeit als Public Beta verfügbar.
Multi-Agent-Orchestrierung macht aus Einzelkämpfern Teams
Die dritte Neuerung heißt Multi-agent Orchestration. Sie ist konzeptionell weniger radikal als Dreaming, aber praktisch sehr greifbar.
Ein Lead Agent kann Aufgaben an mehrere Specialist Agents verteilen. Jeder Specialist kann ein anderes Modell, einen anderen Prompt und andere Werkzeuge nutzen. Der gesamte Fortschritt bleibt in der Claude Console nachvollziehbar.
Anthropics Beispiel ist eine Störungsanalyse. Ein Lead Agent schickt vier Sub-Agenten los: einer prüft die Deployment-Historie, einer Error Logs, einer Metriken und einer Support Tickets. Danach führt der Lead Agent die Ergebnisse zu einer Schlussfolgerung zusammen.
Diese Architektur folgt demselben Prinzip wie Anthropics internes Code-Review-System: mehrere Reviewer arbeiten parallel, ein separater Verifier prüft am Ende. Nun verpackt das Unternehmen dieses Muster als Produkt für Kunden.
Warum das Paket größer ist als ein Feature-Update
Zusammen betrachtet geben die drei Funktionen Agenten einen klaren Kreislauf. Dreaming verbessert sie über Aufgaben hinweg, Outcomes lässt sie Arbeit bewerten, und Multi-agent Orchestration befähigt sie zur Koordination mit anderen Agenten.
Das ist ein Selbstlernkreislauf: arbeiten, bewertet werden, reflektieren, Speicher aktualisieren und wieder arbeiten. Menschliche Eingriffe sind dabei nicht zwingend Teil jedes Schritts.
Deshalb wirkte Code with Claude SF auch ohne neues Modell wichtig. Anthropics Ambition geht hier über ein reines Punkt-Release wie Opus 4.8 hinaus.
Benchmark-Fortschritte bei Modellen werden schwieriger und teurer. Fünf bis zehn Prozent pro Generation zu gewinnen, kostet immer mehr Aufwand. Die Arbeitsfähigkeit von Agenten hängt aber nicht nur vom Modell ab. Sie lässt sich auch durch Koordinationsmechanismen und angesammelte Erfahrung steigern. Wenn ein Lernen in Leerlaufphasen wie Dreaming in Produktion zuverlässig funktioniert, hätte Anthropic einen Beschleunigungsweg, der nicht allein auf härteres Ausreizen von Scaling Laws setzt.
Das Risiko ist ebenfalls real. Ein Agent, der sein eigenes Gedächtnis automatisch schreibt, kann auch falsche Schlussfolgerungen verfestigen. Anthropic bietet menschliche Prüfung an, doch ob Unternehmen vollautomatische Speicherupdates wirklich freigeben, muss sich erst über Monate im Betrieb zeigen.
Wird Dreaming zum Standard der nächsten Agentengeneration? Wahrscheinlich. OpenAIs Memory und Googles Personal Context bewegen sich bereits in Richtung personalisierter Erinnerung, aber Anthropic hebt das Konzept von Nutzerpräferenzen auf die Ebene der Arbeitsfähigkeit von Agenten. Wenn diese Abstraktion trägt, werden Wettbewerber reagieren müssen.
Code with Claude SF brachte außerdem weitere Zahlen: Die 23.000 Entwickler von Mercado Libre haben ein KPI-Ziel von 90% autonomer Codearbeit bis zum dritten Quartal 2026; das Fünf-Stunden-Limit von Claude Code wurde verdoppelt; die API-Aufrufe stiegen im Jahresvergleich um das 17-Fache.
Das wichtigste Signal waren jedoch nicht diese Zahlen. Es war, dass Agenten anfangen, selbst besser zu werden.
Quellen: Anthropic is letting Claude agents 'dream' so they don't sleep on the job (SiliconANGLE); New in Claude Managed Agents: dreaming, outcomes, and multiagent orchestration (SD Times); CocoLoop; Live blog: Code w/ Claude 2026 (Simon Willison)