Cohere Labs veröffentlicht offenes Dataset mit 694.411 Agenten-Tools

Cohere veröffentlicht offenes Dataset mit 694.411 Agenten-Tools

[Hersteller] Cohere Labs hat das Agentic Task Ecosystem (ATE) veröffentlicht, ein offenes und getaggtes Dataset von 694.411 deduplizierten Tools aus 123.969 öffentlichen MCP-Server-Listings. Das Dataset dokumentiert, welche Arbeit Entwickler für KI-Agenten automatisieren – eine angebotsseitige Messung, die nach Angaben von [Hersteller] Cohere Labs ein frühes Signal darstellt und Evidenz zu KI-Exposition und Nutzungsdaten vorausgeht und ergänzt. Laut [Cohere-Studie] wird damit erstmals systematisch erfasst, welche Tools tatsächlich gebaut wurden, um KI-Agenten die vollständige Automatisierung bestimmter Arbeitsaufgaben zu ermöglichen. Die angebotsseitige Messung erfasst, welche Tools Entwickler tatsächlich gebaut haben, und unterscheidet sich damit von nachfrageseitigen Nutzungsdaten oder theoretischen Expositionsschätzungen. Die Veröffentlichung ist Teil der [Cohere-Studie] zu den Future(s) of Work.

Nur 2,6% der Tools passen auf eine komplette ONET-Aufgabe

Die [Cohere-Studie] kommt zu folgenden Ergebnissen: Unter strengen Matching-Standards passen nur 2,6 Prozent der Tools sauber auf eine vollständige ONET-Aufgabe. Fast die Hälfte der US-Berufe hat überhaupt keine agentischen Tools. Die Abdeckung variiert stark zwischen Branchen: In Gesundheitswesen und Informatik reichen die Tools in den spezialisierten Kern des Jobs, während sie in Produktion und Rechtswesen an den Routine-Rändern bleiben und den spezialisierten Kern den Menschen überlassen. Über 178 Berufe hinweg liegen die gematchten Aufgaben im Durchschnitt nahe dem Mittelpunkt der Expertise-Verteilung eines Berufs, und die Tool-Abdeckung fällt. Dieser Durchschnitt verdeckt jedoch die Unterschiede zwischen Berufsgruppen.

Die [Cohere-Studie] erklärt die niedrige Match-Rate strukturell: Die Einheiten, die menschliche Arbeit beschreiben (ONET-Aufgaben) und die Einheiten, die maschinelle Arbeit beschreiben (Tool-Beschreibungen), stimmen nicht überein. Maschinell ausführbare Einheiten sind sowohl feiner als auch gröber als aufgezeichnete Aufgaben – ein Tool kann nur eine Teilkomponente einer Aufgabe abdecken oder mehrere Aufgaben bündeln. Ein striktes Eins-zu-eins-Matching gelingt daher selten. Zudem beschreibt ein Teil der Tools Aufgabenkomponenten ohne O*NET-Vorgänger oder die Verwaltung von Agenten selbst, was die Match-Rate weiter senkt.

Methodik: Top-down-Matching trifft bottom-up-Taxonomie

Nach Angaben von [Hersteller] Cohere Labs kombiniert die [Cohere-Studie] top-down Matching auf ONET-Aufgaben mit einer bottom-up Taxonomie des gesamten Korpus. Die bottom-up Taxonomie zeigt laut [Cohere-Studie], was die niedrige Match-Rate auslässt: Einige Kategorien stellen Aufgabenkomponenten ohne O*NET-Vorgänger dar, andere umfassen oder bündeln mehrere aufgezeichnete Aufgaben, und eine kleine Menge beschreibt die Verwaltung von Agenten. Die Einheiten, die menschliche Arbeit beschreiben (Aufgabenbeschreibungen), und maschinelle Arbeit (Tool-Beschreibungen) stimmen nicht überein: Maschinell ausführbare Einheiten sind sowohl feiner als auch gröber als aufgezeichnete Aufgaben. Aufgabenbezogene Expositionsmaße begrenzen daher die Automatisierungsaktivität, anstatt sie zu zählen.