KI-Intelligenztests: Warum Startups Sprachmodelle mit IQ-Werten vergleichen

Seit Jahrzehnten dient der IQ-Test als umstrittenes, aber weit verbreitetes Maß für menschliche Intelligenz. Doch was passiert, wenn man dieses Konzept auf künstliche Intelligenz überträgt? Ein junges Startup namens AI IQ hat genau das versucht – und damit eine hitzige Diskussion in der Technologiebranche ausgelöst.

Das Portal bewertet über 50 der leistungsfähigsten Sprachmodelle weltweit anhand eines standardisierten IQ-Systems und stellt die Ergebnisse in interaktiven Grafiken dar. Während einige Experten die Visualisierungen als hilfreiches Werkzeug zur Orientierung in einem undurchsichtigen Markt feiern, kritisieren andere die Methode als irreführend. Die Debatte um die Messbarkeit künstlicher Intelligenz erhält damit eine neue Dimension.

Wie AI IQ Sprachmodelle mit einem einzigen Wert bewertet – und warum das umstritten ist

Hinter AI IQ steht Ryan Shea, ein Ingenieur, Unternehmer und Investor, der unter anderem als Mitgründer der Blockchain-Plattform Stacks bekannt wurde. Shea entwickelte die Plattform, um die komplexe Landschaft der KI-Modelle für Unternehmen und Entwickler greifbarer zu machen. Doch die Methode wirft grundsätzliche Fragen auf: Kann künstliche Intelligenz überhaupt mit einem einzigen Wert wie dem IQ gemessen werden?

AI IQ stützt sich auf ein scheinbar einfaches Prinzip: Zwölf verschiedene Benchmarks werden in vier Kategorien unterteilt – abstraktes, mathematisches, programmiertechnisches und akademisches Denken. Der endgültige IQ-Wert ergibt sich aus dem Durchschnitt dieser vier Dimensionen. Doch hinter dieser Formel steckt eine sorgfältige Kalibrierung der Schwierigkeitsgrade.

• Abstraktes Denken wird anhand der Benchmarks ARC-AGI-1 und ARC-AGI-2 gemessen, die ursprünglich für die Bewertung menschlicher Intelligenz entwickelt wurden.
• Mathematische Fähigkeiten fließen aus Tests wie FrontierMath, AIME und ProofBench ein.
• Programmierkompetenz wird durch Terminal-Bench 2.0, SWE-Bench Verified und SciCode bewertet.
• Akademische Leistungen stammen aus Humanity's Last Exam, CritPt und GPQA Diamond.

Jeder Benchmark wird in einen IQ-Wert umgerechnet, wobei besonders schwierige Tests höhere Obergrenzen zulassen. Bei leichteren Benchmarks wird die maximale Punktzahl bewusst niedrig angesetzt, um Verzerrungen zu vermeiden. Fehlende Daten werden konservativ behandelt: Ein Modell muss mindestens zwei der vier Kategorien abdecken, um überhaupt einen IQ-Wert zu erhalten. Zudem werden Lücken nicht durch Schätzungen ausgeglichen, sondern führen zu einer niedrigeren Bewertung.

OpenAI führt, doch die Kluft zwischen Spitzenmodellen schrumpft

Seit Mai 2026 zeigt die AI IQ-Tabelle eine überraschende Entwicklung: Die Unterschiede zwischen den führenden KI-Modellen werden immer geringer. Während OpenAIs GPT-5.5 mit einem geschätzten IQ von 136 an der Spitze steht, folgen GPT-5.4 (131), Anthropics Opus 4.7 (132) und Gemini 3.1 Pro von Google (131) nur knapp dahinter. Diese enge Clusterbildung spiegelt sich auch in anderen Rankings wider – etwa in einer aktuellen Analyse von Visual Capitalist, die ebenfalls eine starke Kompression an der Spitze feststellt.

Doch die wahre Überraschung liegt in den mittleren Rängen. Chinesische Modelle wie Kimi K2.6, GLM-5, DeepSeek-V3.2, Qwen3.6 und MiniMax-M2.7 erreichen IQ-Werte zwischen 112 und 118. Das deutet darauf hin, dass die Kosten-Nutzen-Relation für Unternehmen zunehmend attraktiv wird, die nicht auf das jeweils beste Modell angewiesen sind. Ein Nutzer auf X kommentierte, dass diese Daten seine persönlichen Erfahrungen bestätigten: Modelle wie Sonnet 4.6 erwiesen sich als besonders vielseitig und zuverlässig.

Kritik an der IQ-Methode: Misst sie wirklich Intelligenz oder nur Leistung?

Trotz der scheinbaren Klarheit der AI IQ-Tabellen gibt es massive Vorbehalte. Viele Forscher argumentieren, dass künstliche Intelligenz zu komplex und vielschichtig ist, um auf einen einzigen Wert reduziert zu werden. Der Slogan „Die Karte ist nicht das Territorium“ fasst eine weitverbreitete Skepsis zusammen: Ein numerischer IQ-Wert kann die realen Fähigkeiten und Grenzen eines Modells nur unzureichend abbilden.

Die Methode wirft zudem methodische Fragen auf:

• Benchmark-Auswahl: Die verwendeten Tests wurden ursprünglich für menschliche Fähigkeiten entwickelt und sind möglicherweise nicht optimal auf KI ausgelegt.
• Datenverzerrungen: Einige Benchmarks könnten durch Trainingsdaten „verunreinigt“ sein, was zu einer Überschätzung der Leistung führt.
• Einseitigkeit: Ein IQ-Wert erfasst nicht die Fähigkeit eines Modells, komplexe, mehrdimensionale Aufgaben zu lösen – etwa kreative Problemlösungen oder ethische Entscheidungen.

Kritiker wie das Kollektiv AI Deeply betonen, dass eine solche Vereinfachung gefährliche Fehleinschätzungen provozieren könnte. Unternehmen könnten sich auf vermeintlich „intelligente“ Modelle verlassen, ohne deren tatsächliche Stärken und Schwächen zu verstehen.

Was kommt als Nächstes? Die Zukunft der KI-Bewertung

Die Debatte um AI IQ zeigt eines deutlich: Die Tech-Branche sucht nach Wegen, die Fortschritte in der künstlichen Intelligenz messbar und vergleichbar zu machen. Doch während einige Unternehmen und Investoren solche Tools als Entscheidungshilfe nutzen, warnen Wissenschaftler vor vorschnellen Schlüssen. Die Frage bleibt: Kann künstliche Intelligenz überhaupt mit menschlichen Maßstäben gemessen werden?

Eines ist sicher: Die Diskussion ist noch lange nicht abgeschlossen. Während AI IQ weiterhin Daten sammelt und neue Modelle integriert, wird die Branche weiter darüber streiten, welche Messmethoden tatsächlich sinnvoll sind. Für Unternehmen könnte der IQ-Wert ein nützliches, aber unvollständiges Werkzeug sein – solange er nicht als einzige Entscheidungsgrundlage dient.

Eines Tages könnte die KI-Bewertung so vielfältig sein wie die Modelle selbst – mit multidimensionalen Bewertungen, die über reine Leistung hinausgehen. Bis dahin bleibt die Suche nach dem perfekten Maßstab eine der größten Herausforderungen der Technologiebranche.