Diagnostiziert Microsofts KI doppelt so gut wie Ärzte?

Ein Patient, Händedesinfektionsmittel und eine Frage

Ein Mann wird zum Alkoholentzug stationär aufgenommen, sein Zustand verschlechtert sich. Eine KI, nämlich OpenAIs Modell o3 in unveränderter Form, vermutet eine Antibiotika-Toxizität. Sie ordnet ein MRT des Gehirns und ein EEG an und liegt falsch. Simulierte Rechnung: 3.431 Dollar.

Microsofts System zieht schon in der ersten Runde eine Vergiftung im Krankenhaus in Betracht. Noch vor jeder Untersuchung fragt es den Patienten: Haben Sie Händedesinfektionsmittel getrunken? Der Patient gibt es zu. Ein gezielter Test bestätigt den Verdacht, Kosten: 795 Dollar.

Dieser Fall steht in der ersten Fassung der Studie, die im Juni 2025 auf arXiv erschien. Er zeigt, was Microsoft messen will: keine Antwort auf eine Multiple-Choice-Frage, sondern eine Ärztin oder einen Arzt, Mensch oder Maschine, die mit drei Zeilen starten, Fragen stellen, Untersuchungen einzeln anfordern und jede bezahlen. Das Team nennt das sequenzielle Diagnostik.

Die Zahl, die überall kursiert

Am 22. Oktober ist die Arbeit in der Fachzeitschrift Science erschienen, mitverfasst unter anderem von Mustafa Suleyman, dem Chef von Microsoft AI. Die Zusammenfassung des Artikels nennt die Zahl, die überall zitiert wird: Das System namens MAI-DxO stellt in 83,2 Prozent der Fälle aus dem New England Journal of Medicine (NEJM) die richtige Diagnose, Allgemeinmediziner kommen auf 36,1 Prozent.

Suleyman sieht darin gegenüber TechCrunch einen Schritt in Richtung „medizinischer Superintelligenz“. Nach Angaben von TechCrunch definiert Microsoft sie in einem parallel veröffentlichten Text als die Fähigkeit, die leistungsfähigsten menschlichen Gesundheitssysteme zu übertreffen. Merken Sie sich das Wort: Gesundheitssysteme. Nicht ein Arzt.

Wer die Ärzte waren

Die Zusammenfassung in Science spricht von „Allgemeinmedizinern“. TechCrunch präzisiert: Hausärzte und allgemeine Internisten, die jeweils allein arbeiteten. In der Fassung von 2025 waren es 21, davon 17 in der Primärversorgung, im Median mit rund zwölf Jahren Berufserfahrung. Wie viele es 2026 waren? Microsofts Beitrag sagt es nicht, und den Volltext von Science konnten wir nicht einsehen.

Die Fälle sind klinisch-pathologische Konferenzen des NEJM: klinische Rätsel, die zu Lehrzwecken veröffentlicht werden und die laut den Autoren wegen ihrer Schwierigkeit und ihres Lehrwerts ausgewählt wurden. Bei einer Krebserkrankung, die er nicht benennen kann, überweist ein Hausarzt seinen Patienten an einen Onkologen. Die Autoren selbst räumten 2025 ein, dass ihre Teilnehmer die komplexesten Fälle vermutlich an Fachärzte weitergereicht hätten. Fachärzte gehören nicht zum Vergleich.

Der Test gleicht einem Quiz-Finale für Experten, zu dem man nur Kandidaten mit Allgemeinbildung eingeladen hat. Das Ergebnis stimmt, sagt aber vor allem etwas darüber, wer auf der Bühne stand.

Mit oder ohne Bibliothek

Die Neuerung der Science-Fassung steht in Microsofts Blogbeitrag. Ohne externe Hilfsmittel erreichen die Ärzte 22 Prozent, mit Fachbüchern und Internet 36 Prozent. Microsoft leitet daraus zwei Verhältnisse ab: Die KI wäre im ersten Fall 3,7-mal genauer, im zweiten 2,3-mal.

2025 gab es nur die härtere Variante. Die Ärzte sollten weder Suchmaschine noch KI noch Online-Quellen nutzen, weil die NEJM-Fälle im Netz abrufbar sind. Sie kamen auf 19,9 Prozent, und die damalige Zusammenfassung sprach von einer viermal besseren KI. Dass man den Ärzten einen Teil ihres Handwerkszeugs zurückgab, hat das Verhältnis von knapp vier auf gut zwei schrumpfen lassen.

Ob sie einen Kollegen um Rat fragen durften, was bei einem schwierigen Fall der erste Reflex wäre, verrät der Beitrag nicht.

Was der Orchestrator wirklich leistet

MAI-DxO ist kein KI-Modell, sondern ein Orchestrator: Er lässt ein Sprachmodell mehrere virtuelle Ärzte spielen, die Hypothesen aufstellen, Untersuchungen auswählen und einander widersprechen. Microsoft hat ihn mit Modellen von OpenAI, Google, Anthropic, Meta und DeepSeek getestet.

Nach den von TechCrunch berichteten Studienzahlen erreicht GPT-5 allein, mit knapper Anweisung, bei den komplexen Fällen aber schon 78,9 Prozent. Der Orchestrator bringt etwa vier Punkte dazu und senkt die Rechnung um rund 3.000 Dollar. Die Fassung von 2025 sagte dasselbe mit o3: 78,6 Prozent allein, 81,9 Prozent orchestriert. Bei diesen Modellen stammt der Abstand zu den Ärzten also vor allem vom OpenAI-Modell, nicht von der Schicht, die Microsoft darüberlegt.

Bei anderen Modellen sieht es anders aus. Ebenfalls laut TechCrunch springt GPT-5.5 von 72 Prozent allein auf knapp 87 Prozent mit Orchestrator, Gemini 2.5 Flash von 46,4 auf knapp 69 Prozent. Microsofts Beitrag existiert also, reicht aber je nach Modell von vier bis zu mehr als zwanzig Punkten: ein Copilot, nicht der Pilot.

Untersuchungen, keine Server

TechCrunch beziffert den Wert für GPT-5 allein auf rund 8.400 Dollar pro Fall und stellt ihn als Betriebskosten der KI dar. So beschreibt es Microsoft nicht. Der Blogbeitrag spricht von geschätzten Untersuchungskosten. Jede Konsultation und jede beim virtuellen Patienten angeforderte Analyse addiert sich zu einer fiktiven Rechnung, die 2025 nach der Preisliste eines US-Gesundheitssystems berechnet wurde. Der Rechenaufwand lag damals bei etwa fünfzehn Cent pro Fall.

Die Notaufnahme und was noch aussteht

Science ergänzt ein zweites Feld, näher am Alltag: Notaufnahmen aus MIMIC-IV-ED, einer US-amerikanischen Krankenhausdatenbank. Dort liegt die KI laut Zusammenfassung klar vorn: 80,3 Prozent gegenüber 46,8 Prozent bei den Ärzten. Laut TechCrunch bringt der Orchestrator dort jedoch kaum etwas gegenüber dem Modell allein, weder bei der Treffsicherheit noch bei den Kosten. Mit GPT-5.5 liegen beide Varianten bei rund 85 Prozent.

Die Zusammenfassung in Science schränkt selbst ein: Die Ergebnisse stammen aus einem kontrollierten Testrahmen. 2025 führten die Autoren aus, was dieser Rahmen nicht erfasst. Unter den Fällen war kein gesunder Patient, Fehlalarme lassen sich also nicht messen. Und wenn eine angeforderte Untersuchung im veröffentlichten Fall fehlte, erfand ein Modell ein plausibles Ergebnis.

Die eigentliche Bewährungsprobe ist mit dem Beth Israel Deaconess Medical Center in Boston angekündigt. Einwilligende Patienten sollen dort regulär behandelt werden und zugleich mit dem System interagieren, dessen Empfehlungen mit denen der Ärzte verglichen werden.

Die Frage der Autoren

2025 beendete das Microsoft-Team seine Diskussion mit einer offenen Frage: Soll man solche Systeme mit einzelnen Ärzten vergleichen oder mit ganzen Teams aus Allgemeinmedizinern und Fachärzten, wie in einem Krankenhaus? Die eigene Definition medizinischer Superintelligenz beantwortet sie bereits: Messen muss man sich an Gesundheitssystemen. Die in Science erschienene Studie hat das noch nicht getan.