Die Punktzahl Ist Nicht Das, Was Du Denkst

Im Juli 2025 setzte sich — metaphorisch gesprochen — Googles Gemini Deep Think-Modell von DeepMind hin, um die Internationale Mathematik-Olympiade zu versuchen. Es beantwortete alle sechs Aufgaben in natürlicher Sprache innerhalb des 4,5-Stunden-Zeitlimits und erzielte 35 Punkte: gleichwertig mit einer Goldmedaille. Ein Jahr zuvor hatte derselbe Benchmark eine Silbermedaille ergeben. Menschliche Goldmedaillengewinner erreichen typischerweise zwischen 35 und 42 Punkten.

Diese Schlagzeile wird oft als Urteil gelesen: KI hat uns besiegt. Fall abgeschlossen.

Aber der Stanford AI Index 2026, der im April dieses Jahres veröffentlicht wurde, erzählt eine komplexere Geschichte. Dieselben Systeme, die die IMO dominieren, lesen analoge Uhren nur zu 50,1% der Zeit korrekt ab. Der Bericht nennt dies eine "gezackte Grenze" — und das ist die ehrlichste Zusammenfassung des tatsächlichen Stands der Dinge.

Hier ist eine domänenweise Aufschlüsselung, mit verifizierten Benchmark-Daten, wo KI jetzt Menschen führt, wo Menschen noch einen Vorsprung haben, und was all dies für die kognitiven Fähigkeiten bedeutet, die Sie auf Plattformen wie AIHumanBench trainieren.

Wo KI die menschliche Leistung klar übertroffen hat

Mathematik

Das IMO-Gold ist nur ein Datenpunkt. Bei AIME 2025 — dem amerikanischen Schulmathematikwettbewerb, der Kandidaten für das US-Olympia-Team auswählt — erzielte GPT-5.2 (veröffentlicht am 11. Dezember 2025) eine perfekte Punktzahl von 100%. Der mediane menschliche Teilnehmer beantwortet ungefähr 4–6 der 15 Aufgaben. KI konkurriert nicht mehr auf dem medianen Niveau; sie operiert nahe der Obergrenze menschlicher Expertenleistung bei strukturierten mathematischen Aufgaben.

GPT-5.2 erzielte auch 40,3% bei FrontierMath, einem Benchmark, der aus unveröffentlichten Forschungsproblemen besteht, die selbst professionelle Mathematiker extrem schwierig finden. Diese Zahl sieht isoliert bescheiden aus, aber sie stellt einen Sprung von nahezu null vor zwei Jahren dar.

Coding und Softwareentwicklung

Bei SWE-bench Verified — das Modelle bittet, tatsächliche offene GitHub-Probleme in echten Codebasen zu lösen — stieg die Leistung laut Stanford AI Index 2026 allein im Verlauf des Jahres 2025 von etwa 60% auf nahezu 100%. GPT-4o-Agenten lösten 67% der echten GitHub-Probleme unter zeitgebundenen Bedingungen, verglichen mit 22% für menschliche Entwickler, die unter denselben Einschränkungen arbeiten.

Der Vorbehalt ist wichtig: Bei kurzen, klar definierten Aufgaben mit einem Zwei-Stunden-Budget erzielt die Top-KI ungefähr viermal höher als menschliche Experten. Aber bei 32-Stunden-Horizonten — Aufgaben, die anhaltendes Urteilsvermögen, Anpassung und Kreativität erfordern — übertreffen Menschen KI um eine 2-zu-1-Marge. Der Coding-Vorteil der KI konzentriert sich auf Geschwindigkeit und Präzision bei begrenzten Problemen, nicht auf offenes Ingenieururteil.

Arbeitsgedächtnis

Eine Studie von 2024 (arXiv: 2410.07391) verglich Frontier-Sprachmodelle mit menschlichen normativen Daten bei Standard-Arbeitsgedächtnisaufgaben. Das Ergebnis: Die meisten Top-Modelle performen auf oder über dem 99,5. Perzentil der menschlichen Population. Bei den Arten von Ziffernspanne und N-Back-Aufgaben, die Sie im Arbeitsgedächtnistest von AIHumanBench finden, hat KI effektiv das obere Ende der menschlichen Leistungsverteilung gesättigt.

Das bedeutet nicht, dass KI so "denkt" wie Menschen — es bedeutet, dass die spezifischen Rechenaufgaben, die Arbeitsgedächtnistests zu messen wurden, solche sind, die KI mit Leichtigkeit bewältigt. Die Architektur ist unterschiedlich; die Punktzahl ist es nicht.

Leseverständnis und Sprachverständnis

KI übertraf die durchschnittliche menschliche Leistung bei GLUE und SuperGLUE (standardisierte englische Sprachbenchmarks) bereits 2019–2021. Im Jahr 2026 ist die Lücke auf dem durchschnittlichen menschlichen Niveau so groß, dass sie aufgehört hat, ein sinnvoller Vergleich zu sein. Die Grenze hat sich zu schwierigeren Zielen verlagert: wissenschaftliches Denken auf Doktoratsebene, neuartiges kontextbezogenes Lernen und Aufgaben, die echtes Verständnis statt Mustererkennung erfordern.

Wo Menschen noch führen

Multimodales Weltverständnis

Bei MMMU — einem Benchmark, der multimodales Verständnis über Disziplinen auf Hochschulniveau mit echten Bildern, Diagrammen und Grafiken testet — erzielte OpenAIs o1 78,2% gegenüber einer menschlichen Basislinie von ungefähr 83%. Dies ist die einzige wichtige standardisierte Domäne, in der KI noch nicht aufgeholt hat, und sie deutet auf ein breiteres Muster hin: KI kämpft, wenn die Aufgabe die Integration von physischem gesunden Menschenverstand mit abstraktem Denken erfordert.

Das analoge Uhrenbeispiel aus dem Stanford-Bericht ist illustrativ. Eine Genauigkeitsrate von 50,1% beim Ablesen analoger Uhren — eine Aufgabe, die jedes achtjährige Kind automatisch bewältigt — zeigt, dass die beeindruckenden Benchmark-Punkte der KI mit überraschenden Lücken in verkörperter, realer Wahrnehmung koexistieren können.

Langfristige komplexe Aufgaben

Die oben bereits zitierten RE-Bench-Daten erzählen diese Geschichte klar: Bei 32-Stunden-Aufgabenhorizonten übertreffen menschliche Experten KI um 2-zu-1. Je länger und offener die Aufgabe, desto mehr kommen menschliche Vorteile bei anhaltendem Urteilsvermögen, kontextueller Anpassung und kreativem Problemrahmen ins Spiel.

Dieses Ergebnis hat direkte Implikationen dafür, wie KI-Tools am produktivsten eingesetzt werden. Sie zeichnen sich als Beschleuniger für begrenzte Unteraufgaben aus, nicht als autonome Ersatzmöglichkeiten für menschliches Urteilsvermögen bei langfristigen, unsicheren Projekten.

Echte Kreativität und neuartiges Denken

ARC-AGI — ein Benchmark, der speziell darauf ausgelegt ist, Auswendiglernen zu widerstehen und echtes neuartiges Denken zu testen — war eine anhaltende Herausforderung für KI. Es wurde berichtet, dass GPT-5.2 unter den ersten Modellen war, die 90% bei ARC-AGI-1 überschritten. GPT-5.5, veröffentlicht am 23. April 2026, erreichte 85% beim schwereren ARC-AGI-2. Dies sind bemerkenswerte Zahlen, aber der Benchmark wurde entwickelt, um die Art von flüssigem, transferfähigem Denken anzunähern, das menschliche allgemeine Intelligenz definiert. Die Tatsache, dass Frontier-Modelle erst jetzt daran heranreichen — in einem sorgfältig kontrollierten Test, nicht bei unbeschränkter Problemlösung in der realen Welt — bleibt bedeutsam.

Eine Studie vom Januar 2026 mit über 100.000 Teilnehmern ergab, dass, obwohl KI-Systeme durchschnittliche Menschen bei divergenten Assoziationsaufgaben übertreffen, die obersten 10% der menschlichen kreativen Denker in offenen kreativen Arbeiten — Poesie, Erzählung, domänenübergreifende Ideengenerierung — immer noch reichhaltigere, überraschendere Ergebnisse produzieren.

Soziale und emotionale Intelligenz

Kein Frontier-Modell hat zuverlässige Theory of Mind, nuanciertes Lesen interpersoneller Dynamiken oder echte emotionale Reaktionsfähigkeit in unstrukturierten realen Kontexten demonstriert. KI schneidet bei standardisierten Emotionserkennungs-Benchmarks gut ab, aber schlecht, wenn die Aufgabe die Integration emotionaler Hinweise mit sozialem Kontext in neuartigen Situationen erfordert — genau die Art von Aufgabe, die der Emotionserkennungstest von AIHumanBench sondiert.

Was Das für die Tests Bedeutet, die Sie Machen

Die oben genannten Benchmarks sind nützlich, um die breite Landschaft zu verstehen, aber sie sind nicht dasselbe wie die kognitiven Fähigkeiten, die Sie bei AIHumanBench üben. Lassen Sie uns präzise sein, was die Daten für jede Testkategorie sagen und nicht sagen.

Reaktionszeit: KI-Inferenz ist architektonisch schneller als menschliche neuronale Verarbeitung — Millisekunden gegenüber 200–250ms durchschnittlicher menschlicher Reaktionszeit. Aber die "Reaktionszeit" der KI hängt vollständig von Hardware und Netzwerklatenz ab. In kontrollierten Softwaretests gewinnt KI. Ihre Reaktionszeitpunktzahl spiegelt etwas Reales über Ihr Nervensystem wider, das kein Benchmark replizieren kann.

Arbeitsgedächtnis: KI testet beim 99,5.+ menschlichen Perzentil bei Standardaufgaben. Aber Arbeitsgedächtnis im menschlichen Sinne ist ein System mit begrenzter Kapazität, das dynamisch mit Aufmerksamkeit, Emotion und Langzeitgedächtnis interagiert. Ihre Arbeitsgedächtnispunktzahl bei AIHumanBench spiegelt eine echte kognitive Kapazität wider, die für Lernen, Denken unter Druck und tägliche Leistung wichtig ist — unabhängig davon, was KI kann oder nicht kann.

Mustererkennung und Abstraktes Denken: Dies sind Bereiche, in denen KI stark ist und stärker wird. Aber die AIHumanBench-Tests in dieser Kategorie sind gegen menschliche Bevölkerungsnormen kalibriert, was bedeutet, dass Ihre Punktzahl Ihnen sagt, wo Sie im Vergleich zu anderen Menschen stehen — ein Vergleich, der unabhängig von der KI-Leistung vollständig bedeutsam bleibt.

Kreativität und verbale Flüssigkeit: Menschlicher Vorteil. Die Forschung ist klar, dass die kreative Leistung menschlicher Top-Deziler bei offenen Aufgaben vor KI liegt. Das sind Fähigkeiten, die es wert sind, entwickelt zu werden.

Die Ehrliche Zusammenfassung

KI hat Goldmedaillen-Mathematik, nahezu perfektes Coding bei begrenzten Aufgaben und Arbeitsgedächtnisleistung erreicht, die die menschliche Skala sättigt. Sie hat dies schneller getan, als fast jeder vor fünf Jahren vorhergesagt hat.

Sie liest analoge Uhren auch zur Hälfte der Zeit korrekt und verliert gegen menschliche Experten bei Aufgaben, die über einige Stunden hinausgehen.

Das Framing der "gezackten Grenze" des Stanford AI Index 2026 ist richtig. Dies ist keine Geschichte von einheitlicher KI-Überlegenheit oder menschlichem Exzeptionalismus, der überall standhält. Es ist eine Geschichte von Fähigkeiten, die echt und spezifisch ungleichmäßig sind — und diese Ungleichmäßigkeit ist genau der Grund, warum das Verständnis Ihres eigenen kognitiven Profils weiterhin wichtig ist.

Zu wissen, wo Sie stark sind, wo Sie Wachstumsraum haben und wie Ihre Leistung mit Bevölkerungsnormen vergleicht, sind wertvolle Informationen. Das ist das, was kognitive Tests Ihnen geben — und es wird unabhängig davon, was ein KI-Benchmark nächstes Quartal sagt, wertvoll bleiben.