Microsoft hat ein Diagnosesystem vorgestellt, das in einer Simulation komplexer Fälle mehr als doppelt so oft richtig lag wie Hausärzte. Die Zahl, die in den Schlagzeilen steht, lautet 83 zu 36 Prozent. Die interessantere Zahl steht in der eigenen Auswertung des Unternehmens: Ein großer Teil des Vorsprungs kommt nicht vom System, sondern von dem Modell darunter.
Das System heißt MAI-DxO. Es koordiniert mehrere KI-Agenten, die sich wie ein Ärztegremium verhalten – sie befragen den Patienten, ordnen Untersuchungen an, streiten über Differenzialdiagnosen und einigen sich. Getestet wurde es an komplexen Fällen aus dem New England Journal of Medicine, also an genau der Sorte Fall, für die in echten Kliniken Spezialisten oder ganze Teams zuständig sind. Die Studie erschien in Science.
Was die Zahlen zeigen
Das Panel erreichte 83 Prozent Trefferquote. Hausärzte und Internisten, die allein und mit Nachschlagewerken arbeiteten, kamen auf 36 Prozent. Ein Vergleich, den die Studie selbst einschränkt: Spezialisten und Ärzteteams waren nicht Teil der Kontrollgruppe.
Dann wird es aufschlussreich. Microsoft testete DxO mit Modellen mehrerer Anbieter – darunter OpenAI, Google, Anthropic und Meta – und erzielte die besten Ergebnisse mit GPT-5 und GPT-5.5. Mit GPT-5 allein, nur mit einem kurzen Standard-Prompt, lag die Trefferquote bei 78,9 Prozent auf den komplexen Fällen. DxO senkte die geschätzten Kosten pro Fall um rund 3.000 Dollar, hob die Genauigkeit aber nur um etwa vier Punkte. Bei Notaufnahmefällen gab es weder bei Genauigkeit noch bei Kosten einen nennenswerten Unterschied zwischen dem Modell allein und dem Modell mit DxO.
Mit GPT-5.5 teilte sich das Bild: Auf komplexen Fällen stieg die Quote von 72 auf fast 87 Prozent bei etwas geringeren Kosten. In der Notaufnahme erneut: kein Unterschied, beide bei rund 85 Prozent.
Am größten ist der Effekt bei schwächeren Modellen. Gemini 2.5 Flash kam allein auf 46,4 Prozent, mit DxO auf fast 69. Doch der Abstand zwischen schwachen und starken Modellen war größer als der Gewinn, den die Orchestrierung brachte. Microsofts Forschende sagen selbst, die Zugewinne schrumpfen naturgemäß, je näher ein Modell dem theoretischen Maximum kommt.
Ein Kostenwert, dernachdenklich macht
Die Studie bepreist auch das Ausführen der KI pro Fall. Für GPT-5 allein auf einem komplexen Fall: rund 8.400 Dollar. Das ist kein Preisschild für ein Produkt, sondern eine Rechnung über Modellaufrufe in einem mehrstufigen Verfahren – und sie zeigt, wie weit diese Architektur von einer Sprechstunde entfernt ist. DxO reduziert diese Summe, aber es bleibt eine Größenordnung, die nur in einer Studie Sinn ergibt, in der jede Antwort zählt.
Das eigentliche Argument des Unternehmens
Mustafa Suleyman, CEO von Microsoft AI, nennt das Ergebnis einen Schritt zur „medizinischen Superintelligenz" – definiert als die Fähigkeit, die stärksten heutigen menschlich geführten Gesundheitssysteme in medizinischem Schlussfolgern und Koordination über den gesamten Versorgungsverlauf zu übertreffen. Das ist bewusst nicht „schlägt einen Arzt bei einer Prüfungsfrage", sondern „schlägt ein System".
Dazu passt der nächste Schritt mehr als die Schlagzeile. Mit der Mayo Clinic will Microsoft ein Foundation Model für Gesundheitswesen trainieren, Ankündigung für nächstes Jahr. Und mit dem Beth Israel Deaconess Medical Center in Boston startet eine echte Studie: Patientinnen und Patienten erhalten die übliche Versorgung, und wer zustimmt, spricht parallel mit DxO; verglichen werden die Empfehlungen. Dominic King, Vice President Health bei Microsoft AI, nennt es die bislang größte Studie dieser Art – Notaufnahme und Notfallversorgung, nicht nur Laborbedingungen.
Google hat in diesem Monat mit Beth Israel eine Lancet-Studie zu seinem dialogischen Diagnosesystem AMIE vorgelegt, bei der Ärzte die Gespräche in Echtzeit überwachten. Die Messlatte für „medizinische Superintelligenz" liegt also nicht mehr bei Benchmarks, sondern bei kontrollierten klinischen Studien.
Was fehlt, um das zu glauben
Die Studie ist ein Simulationsexperiment mit publizierten Fällen, nicht mit Patienten. Ein Fall, der in einer Zeitschrift steht, ist bereits aufgeschrieben, bereits sortiert und enthält die Information, die am Ende zur Diagnose führt – ein Vorteil, den ein echter Erstkontakt nicht bietet. Es gibt keine Angaben zu falschen, aber gefährlichen Antworten, zu Überdiagnostik oder dazu, wie das System mit unvollständigen oder falschen Angaben umgeht. Und der Vergleich mit einzeln arbeitenden Allgemeinmedizinern misst genau die Lücke, die das System füllen soll, nicht die Fähigkeit, sie zu füllen.
Suleymans Prognose ist kühn und datierbar: 2027 werde man „kurz vor einem Durchbruch im Stil des Programmierens" für Krankenakten stehen, mit Streaming-Vorhersagen darüber, wie sich ein Fall entwickeln könnte. Ob das eintritt, entscheidet sich nicht an 83 Prozent, sondern an der Studie, die gerade erst beginnt.
