Bei komplexen Diagnosefällen aus dem New England Journal of Medicine stellte Microsofts KI-System in 83 % der Fälle die richtige Diagnose. Allgemeinmediziner, die dieselben Fallakten bearbeiteten, kamen nur auf 36 % — weniger als halb so viel. Diesmal stammen die Zahlen nicht aus einem Firmenblog, sondern aus Science, einer der anspruchsvollsten Peer-Review-Fachzeitschriften überhaupt.
Das System heißt MAI-DxO und ist kein einzelnes Modell, sondern ein Orchestrator, der mehrere KI-Systeme wie ein Ärztegremium gegeneinander streiten lässt. Eine schlägt eine Diagnose vor, eine andere prüft sie gegen die Symptome, eine dritte besteht auf einer zusätzlichen Untersuchung, bevor die Gruppe sich auf eine Antwort einigt. Beteiligt waren GPT-5 und GPT-5.5 von OpenAI, Gemini 2.5 Flash von Google sowie Modelle von Anthropic, Meta und DeepSeek.
Die Verbesserungen fielen je nach Modell sehr unterschiedlich aus. GPT-5.5 kam allein auf 72 % und stieg im Orchestrator auf 87 % — und sparte dabei rund 3.000 Dollar an unnötigen Tests pro Fall. Gemini 2.5 Flash kletterte von 46,4 % auf 69 %. GPT-5 gewann dagegen nur etwa vier Prozentpunkte hinzu — ein Hinweis, dass die Orchestrierung nicht jedem Modell gleich hilft.
Microsoft-AI-Chef Mustafa Suleyman nannte das Ergebnis einen Schritt zur „medizinischen Superintelligenz“ — einer KI-Urteilskraft, die selbst die stärksten menschlichen Ärzteteams übertreffen könnte. Das ist eine große Behauptung, und die Studie selbst nennt eine wichtige Einschränkung: Verglichen wurde mit Allgemeinmedizinern, nicht mit den Fachärzten oder kompletten Teams, die solche komplizierten Fälle normalerweise übernehmen. Bei Notaufnahme-ähnlichen Fällen zeigte die KI keinen nennenswerten Vorteil.
Vorerst ist das eine Laborsimulation anhand schriftlicher Fallbeschreibungen, keine echte Patientenarbeit. Der nächste Schritt wird real: Microsoft hat sich mit dem Beth Israel Deaconess Medical Center zusammengetan, um MAI-DxO unter echten Notfallbedingungen mit einwilligenden Patienten zu testen. Der Abstand zwischen dem Erraten einer Diagnose anhand einer Krankengeschichte und der Arbeit in einer echten Notaufnahme könnte am Ende deutlich größer sein als der zwischen 83 % und 36 %.


