Apple-Forscher brachten KI bei, Apps zu trainieren, ohne echte Apps zum Trainieren zu benötigen

Wichtigste Punkte

• Apple ML Research veröffentlichte 2025 eine Methode, die KI-Agenten trainiert, Softwarewerkzeuge zu nutzen, ohne eine Live-Version dieser Software zu benötigen.
• Die Technik nutzt ein großes Sprachmodell, die Technologie hinter Chatbots wie ChatGPT und Claude, um als Scheineumgebung zu fungieren, in der der lernende Agent trainiert.
• Aktuelle Ansätze zum Aufbau von API-aufrufenden Agenten, Software, die Apps und Dienste in Ihrem Namen betreiben kann, sind auf echte Datenbanken mit realistischen Daten angewiesen, deren Erstellung langsam und teuer ist.
• Die neue Methode benötigt nur eine schriftliche Beschreibung einer API, kurz für Application Programming Interface, die Regeln, die einem Softwarestück ermöglichen, mit einem anderen zu kommunizieren.

Stellen Sie sich vor, Sie würden jemandem beibringen, eine Kasse zu bedienen, ohne ihm je ein echtes Gerät zu geben. Sie beschreiben, wie es funktioniert, und ein Kollege spielt die Rolle der Maschine und reagiert wie die echte. Das ist ungefähr das, was Apple ML Research für KI getan hat, mit dem Unterschied, dass der Kollege auch eine KI ist.

Der Aufbau eines KI-Agenten, der Softwarewerkzeuge nutzen kann – einen Flug buchen, eine Datenbank abfragen, eine Nachricht in Ihrem Namen senden – erfordert derzeit Tausende von durchgearbeiteten Beispielen. Jedes Beispiel ist ein aufgezeichneter Austausch zwischen dem Agenten und einer tatsächlich laufenden Anwendung, vollständig mit realistischen gefälschten Kunden, Bestellungen und Historie. Die Erstellung dieser Daten im großen Maßstab erfordert enormen Aufwand.

Apples Ansatz umgeht das Problem vollständig. Basierend auf nichts anderem als einer API-Spezifikation – einem Dokument, das beschreibt, was ein Softwarestück kann und wie man es anfordert – erzeugt das System spontan eine simulierte Umgebung. Ein zweites großes Sprachmodell spielt die Rolle der Anwendung und erfindet in Echtzeit plausible Antworten. Der lernende Agent trainiert gegen diesen Stellvertreter und entwickelt Fähigkeiten, ohne einen einzigen echten Server einzubeziehen.

Das ist wichtig, weil der Engpass heute nicht die KI selbst ist. Es ist die Daten-Pipeline. Forscher müssen funktionierende Testumgebungen aufbauen, sie mit glaubwürdigen Dummy-Daten füllen und Tausende von simulierten Aufgaben ausführen, bevor ein Agent bereit ist, einem echten Benutzer zu helfen. Dieser Prozess begrenzt, wie schnell neue leistungsfähige Agenten erstellt werden können.

Die umgebungsfreie Methode könnte die Wirtschaftlichkeit dieses Prozesses verändern. Entwickler würden nur die Dokumentation benötigen, die Softwarehersteller bereits veröffentlichen, und könnten damit einen Datenerfassungsaufwand von mehreren Monaten in etwas viel Schnelleres umwandeln.

Was bedeutet das für Nutzer von KI-Assistenten?

Für normale Benutzer bedeuten besser trainierte Agenten weniger frustrierende Fehler, wenn eine KI versucht, etwas in Ihrem Namen zu buchen, zu suchen oder zu verwalten. Falls Agenten kostengünstig für viele verschiedene Apps trainiert werden können, sollte die Palette der Aufgaben, die sie zuverlässig bewältigen, wachsen.

Die Arbeit ist frühe Grundlagenforschung, und Apple ML Research hat kein darauf aufbauendes Produkt angekündigt. Die Leistung in der Praxis muss unabhängig getestet werden, bevor jemand sagen kann, wie gut sich das simulierte Training auf echte Anwendungen übertragen lässt. Aber die zugrunde liegende Idee – eine KI nutzen, um eine andere zu unterrichten, ohne eine Live-Umgebung zu benötigen – ist eine elegante Lösung für ein echtes, gut dokumentiertes Problem in diesem Bereich.