Medizin-KI: Was taugt ein spezialisiertes Modell?

97,4 gegen 89,6. In einer standardisierten medizinischen Prüfung ist das der Punkteabstand zwischen Gemini, der Endnutzer-KI von Google, und OpenEvidence, einem für Ärzte entwickelten und von der FDA zugelassenen klinischen Werkzeug. Der Generalist, auf den alle Zugriff haben, schlägt das zertifizierte Spezialwerkzeug.

Die Zahlen stammen aus einer im Juni 2026 in Nature Medicine veröffentlichten Studie, die einen Test durchführte, den fast niemand durchführt: spezialisierte klinische KI direkt gegen handelsübliche generalistische Modelle antreten zu lassen. Das Ergebnis wirft eine einfache Frage auf. Wenn ein Krankenhaus für ein zugelassenes medizinisches Werkzeug bezahlt, zahlt es dann für etwas Besseres oder für einen Verwaltungsstempel?

Was "spezialisiert" und "zugelassen" wirklich bedeuten

Zwei Wörter tauchen im Marketing der Gesundheits-KI permanent auf. "Spezialisiert": ein für Behandelnde entwickeltes Werkzeug, gespeist mit medizinischer Fachliteratur, im Abonnement an Krankenhäuser und Praxen verkauft. UpToDate Expert AI von Wolters Kluwer ist das Musterbeispiel. Das Einzelabonnement liegt bei rund 579 Dollar pro Jahr und Arzt, mehr auf institutioneller Ebene.

"FDA-zugelassen": die US-Arzneimittelbehörde hat eine Genehmigung erteilt. Hier beginnt das Missverständnis. Eine FDA-Zulassung bescheinigt, dass ein Werkzeug das tut, was sein Hersteller versprochen hat, gemessen an den Spezifikationen, die dieser Hersteller selbst definiert hat. Sie sagt nichts über den Vergleich mit einer kostenlosen Alternative aus.

Um die Kompetenz einer Medizin-KI zu messen, nutzen Forscher Benchmarks. MedQA ist der bekannteste: eine Sammlung von Multiple-Choice-Fragen nach dem Muster der US-Approbationsprüfung. Ein MedQA-Wert ist eine Note in einem Medizin-Quiz. Nützlich für den Vergleich, begrenzt für Schlussfolgerungen.

Der Test, den die Studie wagte

Das Team von Nature Medicine ließ dieselben Kandidaten drei Prüfungen durchlaufen. Zuerst 500 MedQA-Fragen. Dann 500 HealthBench-Items, die messen, wie gut Antworten mit dem Urteil echter Klinikerinnen und Kliniker übereinstimmen. Schließlich 100 reale Anfragen, gestellt von Ärzten in einer Arbeitsumgebung.

In der einen Ecke: drei generalistische Spitzenmodelle, GPT-5.2 von OpenAI, Gemini 3.1 Pro von Google, Claude Opus 4.6 von Anthropic. In der anderen: zwei FDA-zugelassene klinische Werkzeuge, OpenEvidence und UpToDate Expert AI.

Bei MedQA erreicht Gemini den Spitzenwert von 97,4 Prozent, GPT-5.2 94,2 Prozent, Claude 90,2 Prozent. OpenEvidence kommt nicht über 89,6 Prozent hinaus, UpToDate über 88,4 Prozent. Bei HealthBench wird der Abstand noch größer: Die Generalisten übertreffen beide Spezialwerkzeuge deutlich.

Die Autoren merken sogar an, dass diese klinischen Werkzeuge nicht besser abschneiden als eine aus einer Google-Suche generierte KI-Zusammenfassung. In allen drei Prüfungen landen die Generalisten nie hinten.

Die Lücke, die niemand schloss

Hier liegt der Kern des Problems, den die Forscher die "Validierungslücke" nennen. Beide Spezialwerkzeuge haben ein Zulassungsverfahren durchlaufen. Die Generalisten, die sie schlagen, haben kein auf medizinische Entscheidungen kalibriertes Verfahren durchlaufen. Und dennoch sind es diese, die als "für das Gesundheitswesen validiert" vermarktet werden.

Die Zertifizierung funktioniert wie ein Führerschein, der beweist, dass man das Auto starten kann, ohne je zu prüfen, ob man besser fährt als der Nachbar. Niemand hat den tatsächlichen Direktvergleich gemessen, bevor diese Werkzeuge in Krankenhäusern eingesetzt wurden. Die Frage "Ist das besser als das, was Ärzte bereits kostenlos nutzen?" taucht in der Zulassungsakte nirgends auf.

Die Kosten machen die Geschichte pikanter. OpenEvidence, eines der beiden getesteten Werkzeuge, ist für Behandelnde tatsächlich kostenlos, finanziert durch Werbung. UpToDate dagegen kostet Geld. Wir haben also eine Kategorie teurer Werkzeuge mit institutioneller Lizenz, die mit dem Versprechen des Spezialisten verkauft werden, ohne Beleg, dass sie die offene Alternative schlagen.

Bevor man das Kind mit dem Bade ausschüttet

Ein hoher Quiz-Wert macht noch kein gutes klinisches Werkzeug. Das ist die Grenze, auf der die Autoren selbst beharren. Regulatorische Konformität, Integration in die Patientenakte, Nachverfolgbarkeit von Halluzinationen im Betrieb, die Frage, wer rechtlich verantwortlich ist, wenn die KI sich irrt: nichts davon erscheint in einem MedQA-Wert. Ein Benchmark prüft Wissen, nicht die Sicherheit eines realen Einsatzes.

Und das Bild ist nicht binär. In sehr engen Fachgebieten können hochspezialisierte, feinabgestimmte Modelle Generalisten übertreffen. In der Gastroenterologie zeigen einige Arbeiten dedizierte Modelle, die in konkreten Fällen mit menschlichen Spezialisten mithalten. Die Botschaft lautet nicht "Spezialwerkzeuge taugen nichts". Sie ist unbequemer: Der Aufpreis und das Spezialisten-Label garantieren von sich aus nichts, und das wird selten überprüft.

Vor allem sagt nichts in dieser Studie, dass ein Patient ärztlichen Rat durch ein Chatbot-Gespräch ersetzen sollte. Die Frage bleibt die der kaufenden Institution, nicht die der individuellen Nutzung: wofür man zahlt, wenn man für "zugelassen" zahlt.

Die eigentliche Frage ist nicht generalistisch gegen spezialisiert

Die Debatte lässt sich schlecht auf "die kostenlose KI hat gewonnen" reduzieren. Was die Studie offenlegt, ist das Fehlen eines unabhängigen Direktvergleichs vor der Markteinführung. Ein Werkzeug kann zugelassen, teuer verkauft, in Hunderten von Krankenhäusern installiert werden, ohne dass jemand geprüft hätte, ob es besser abschneidet als das, was bereits frei verfügbar ist.

Die Autoren fordern eine transparente, unabhängige Bewertung klinischer KI-Systeme, bevor sie bei Patienten eingesetzt werden. Solange es die nicht gibt, bleibt das Label "spezialisiert, FDA-zugelassen", was es immer war: der Beweis, dass ein Verfahren befolgt wurde, nicht der Beweis, dass das Werkzeug die beste Wahl ist.