Na trudnych przypadkach diagnostycznych zaczerpniętych z New England Journal of Medicine system sztucznej inteligencji Microsoftu trafił z diagnozą w 83% przypadków. Lekarze ogólni, którzy analizowali te same historie, poradzili sobie trzy razy słabiej — zaledwie 36%. Tym razem liczby nie pochodzą z firmowego bloga: opublikowano je w Science, jednym z najbardziej wymagających recenzowanych czasopism na świecie.
System nazywa się MAI-DxO i nie jest pojedynczym modelem, lecz orkiestratorem, który zmusza kilka modeli AI do sporu, jak konsylium lekarzy nad jedną kartą pacjenta. Jeden proponuje diagnozę, drugi sprawdza ją pod kątem symptomów, trzeci domaga się dodatkowego badania, zanim grupa uzgodni ostateczną odpowiedź. W teście brały udział GPT-5 i GPT-5.5 od OpenAI, Gemini 2.5 Flash od Google oraz modele Anthropic, Meta i DeepSeek.
Różnice między modelami były wyraźne. Sam GPT-5.5 osiągał 72% skuteczności, a w ramach orkiestratora rósł do 87%, oszczędzając przy tym około 3000 dolarów na zbędnych badaniach na przypadek. Gemini 2.5 Flash wzrósł z 46,4% do 69%. GPT-5 zyskał tylko około czterech punktów procentowych — znak, że orkiestracja nie pomaga wszystkim modelom w równym stopniu.
Szef Microsoft AI Mustafa Suleyman nazwał wynik krokiem w stronę „medycznej superinteligencji” — zdolności AI do przewyższenia nawet najlepszych ludzkich zespołów medycznych w stawianiu diagnoz. To mocne stwierdzenie, a samo badanie zawiera istotne zastrzeżenie: grupą porównawczą byli lekarze ogólni, nie specjaliści czy całe konsylia, które normalnie zajmują się tak skomplikowanymi przypadkami. W przypadkach typu pogotowia AI nie wykazała żadnej realnej przewagi.
Na razie to symulacja laboratoryjna na pisemnych opisach przypadków, nie praca z żywymi pacjentami. Kolejny krok będzie już prawdziwy: Microsoft nawiązał współpracę z Beth Israel Deaconess Medical Center, by przetestować MAI-DxO w realnych warunkach pomocy doraźnej, za zgodą pacjentów. Różnica między odgadywaniem diagnozy na podstawie opisu a pracą na prawdziwym pogotowiu może okazać się znacznie większa niż ta między 83% a 36%.


