Agenten meistern das Demo. Warum scheitern sie in der Produktion?
Wenn man einen KI-Agenten zehnmal auf dieselbe Produktionsaufgabe ansetzt, wählt er möglicherweise jedes Mal einen anderen Lösungsweg und stößt auf andere Probleme. Neue Untersuchungen von IBM und Hugging Face weisen darauf hin, dass herkömmliche Benchmarks diese Inkonsistenz ignorieren.