Was Turing tatsächlich vorschlug
1950 fragte Alan Turing, ob Maschinen denken könnten, und ersetzte diese philosophisch verwickelte Frage rasch durch eine operationale. In seinem „Nachahmungsspiel“ kommunizierte ein menschlicher Fragesteller schriftlich mit einer Person und einer Maschine und versuchte zu erkennen, welche welche war. Turing bot dies als Möglichkeit an, über maschinelle Intelligenz anhand beobachtbaren Verhaltens zu diskutieren, statt anhand eines unzugänglichen inneren Wesens (Turing, „Computing Machinery and Intelligence“).
Die Idee war tiefgründig, aber die vertraute Formulierung „besteht den Turing-Test“ verbirgt viele Entscheidungen. Wie lange dauert das Gespräch? Was weiß der Richter? Welche Themen sind erlaubt? Wie viele Richter nehmen teil, und welche Fehlerrate zählt als Erfolg? Turing etablierte kein modernes Zertifizierungsprogramm mit einer einzigen offiziellen Schwelle. Der Test ist ein Gedankenexperiment und ein Forschungsmeilenstein, kein Messinstrument eines AGI-Regulierers.
Warum Gespräch zu leicht auszutricksen wurde
Das Nachahmungsspiel belohnt ein System dafür, in einer bestimmten Interaktion menschlich zu erscheinen. Das kann durch echte Breite erreicht werden, aber auch durch Ausweichen, Rollenspiel, Humor, absichtliche Fehler oder das Ausnutzen der Erwartungen eines Richters. Der frühe Chatbot ELIZA zeigte in den 1960er-Jahren, dass Menschen bereitwillig Verständnis auf oberflächliche Gesprächsmuster projizieren. Heutige Sprachmodelle erzeugen weit kohärenteren Dialog, was Anthropomorphisierung noch leichter macht.
Das Bestehen eines kurzen Textgesprächs würde keine zuverlässige Planung, mathematische Genauigkeit, wissenschaftliches Urteilsvermögen, Kompetenz in der physischen Welt oder die Fähigkeit, sich von Fehlern zu erholen, belegen. Es würde nicht zeigen, dass das Modell einen neuen Job lernen, Ziele über ein langes Projekt hinweg bewahren oder erkennen kann, wann es sich einem Menschen unterordnen sollte. Umgekehrt könnte ein leistungsfähiges nonverbales System Wissenschaft oder Logistik transformieren, während es daran scheitert, einen beiläufigen Sprecher nachzuahmen. Menschliche Ähnlichkeit ist weder notwendig noch hinreichend für folgenreiche maschinelle Fähigkeit.
Der Test vermischt außerdem Intelligenz mit Täuschung. Ein System kann dafür bestraft werden, sich ehrlich als Maschine zu identifizieren, und dafür belohnt werden, einen Richter zum gegenteiligen Glauben zu manipulieren. Das passt schlecht zur Sicherheitsbewertung, bei der kalibrierte Unsicherheit, Nachvollziehbarkeit und wahrheitsgemäße Offenlegung oft wichtiger sind als soziale Plausibilität.
Von einem Test zu einem Bewertungsportfolio
Moderne Bewertung nutzt viele Aufgabenreihen, weil Intelligenz mehrdimensional ist. Wissens- und Denk-Benchmarks testen Fragen über Fachgebiete hinweg; Coding-Bewertungen führen erzeugte Programme gegen Testfälle aus; multimodale Tests kombinieren Text, Diagramme, Bilder, Audio und Video; Agenten-Benchmarks platzieren Modelle in interaktiven Umgebungen, in denen sie navigieren, Software nutzen und Ziele erreichen müssen.
Jede Familie beantwortet eine eng gefasste Frage. MMLU etwa erfasst akademisches und berufliches Multiple-Choice-Wissen, aber hohe Werte begründen nicht, dass ein Modell diese Berufe ausüben kann. GAIA testet Assistenten an realweltlichen Fragen, die Denken, Werkzeuge und mehrere Schritte erfordern können (GAIA-Paper). OSWorld bewertet Computernutzungs-Agenten über reale Betriebssystemanwendungen hinweg (OSWorld-Paper). ARC-AGI konzentriert sich auf die Anpassung an neuartige visuelle Denkaufgaben statt auf die Reproduktion gespeicherten Wissens (ARC-Prize-Benchmark). Diese Bewertungen offenbaren unterschiedliche Stärken und Fehlermodi; keine ist ein AGI-Detektor.
Studien zur Aufgabenerledigung fügen eine Zeit- und Komplexitätsdimension hinzu. METR schätzt die menschliche Expertendauer der Aufgabe, bei der ein Agent eine gegebene Erfolgswahrscheinlichkeit hat. Ihre aktuelle Testreihe deckt vorwiegend Softwareentwicklung, maschinelles Lernen und Cybersicherheit ab, und die Organisation warnt ausdrücklich, dass „Zeithorizont“ Aufgabenschwierigkeit ist, gemessen in menschlicher Zeit — nicht die Dauer, die eine KI eigenständig operieren kann (METR-Methodik). Sie warnt auch, dass gut spezifizierte Benchmark-Aufgaben sauberer sind als die meisten Jobs und dass sich die Leistung stark je nach Domäne unterscheidet.
Zuverlässigkeit verändert die Bedeutung eines Werts
Durchschnittliche Leistung reicht für Anwendungen mit hohem Risiko nicht aus. Ein System, das in der Hälfte der Fälle erfolgreich ist, mag für Forschung beeindruckend sein, aber in Medizin, Luftfahrt oder Infrastruktur unbrauchbar. Bewerter brauchen daher Erfolgsraten, wiederholte Versuche, Worst-Case-Verhalten, Unsicherheitsintervalle und Tests unter Verteilungsverschiebung. Sie sollten messen, ob ein Modell weiß, wann es unsicher ist, um Klärung bittet und die Kontrolle sicher zurückgibt.
Die Bewertungskonfiguration ist ebenso wichtig wie das zugrunde liegende Modell. Werkzeugzugriff, Prompt-Formulierung, Gedächtnis, Sampling-Einstellungen, Rechenleistung zur Inferenzzeit und die umgebende Agentensoftware können Ergebnisse wesentlich verändern. Ein Wert gehört zu einer getesteten Systemkonfiguration an einem angegebenen Datum. Ihn als zeitlose Eigenschaft eines Modellnamens zu behandeln, fördert falsche Vergleiche.
Datenkontamination ist ein weiteres Problem. Öffentliche Benchmark-Fragen und -Lösungen können in Trainingsdaten erscheinen. Auch ohne wörtliches Auswendiglernen kann benchmark-fokussierte Feinabstimmung einen Wert verbessern, ohne gleichwertige Generalisierung. Bessere Bewertungen nutzen private oder neu erstellte Aufgaben, dokumentieren mögliche Exposition und werden häufig erneuert. Unabhängiges Testen reduziert — beseitigt aber nicht — das Risiko, dass ein Entwickler nur günstige Ergebnisse auswählt.
Sicherheitsbewertung stellt andere Fragen
Fähigkeitsbewertung misst, was ein System unter günstigen Bedingungen tun kann. Sicherheitsbewertung fragt, was es tun könnte, wenn es missbraucht, gestresst, getäuscht, mit widersprüchlichen Anweisungen versehen oder in eine folgenreiche Umgebung gestellt wird. Relevante Tests umfassen Assistenz bei biologischem oder Cyber-Missbrauch, Manipulation, Autonomie, Umgehung von Schutzmaßnahmen, Täuschung und die Fähigkeit, Ressourcen zu beschaffen. Der Internationale KI-Sicherheitsbericht 2026 betont, dass Bewertungen begrenzter externer Validität, raschem Veralten und unvollständigem Zugang zu Frontier-Systemen begegnen (Internationaler KI-Sicherheitsbericht 2026).
Red Teams suchen kreativ nach Fehlschlägen, während strukturierte Benchmarks Vergleich ermöglichen. Echtweltliche Überwachung testet dann, ob Ergebnisse vor dem Einsatz die tatsächliche Nutzung vorhergesagt haben. Vorfallmeldung ist wesentlich, weil keine Labortestreihe jeden Kontext auflisten kann. Ein Bewertungsregime sollte Ergebnisse mit Entscheidungen verknüpfen: zusätzliche Schutzmaßnahmen, eingeschränkten Werkzeugzugriff, gestufte Veröffentlichung, externe Überprüfung oder eine Einsatzpause, wenn eine definierte Schwelle überschritten wird.
Was eine glaubwürdige AGI-Bewertung erfordern würde
Google DeepMinds „Levels of AGI“-Rahmenwerk argumentiert, dass Bewertungen sowohl Leistung als auch Allgemeinheit abdecken und die Mensch-KI-Interaktion berücksichtigen sollten, durch die Fähigkeit zum Ausdruck kommt (DeepMind-Rahmenwerk). Eine glaubwürdige Bewertung würde breite Domänen, wirklich neuartige Aufgaben, mehrere Leistungsstufen und klare Berichterstattung über Autonomie benötigen. Sie würde Transfer, Lerneffizienz, Robustheit, soziale Interaktion und offene Arbeit testen — nicht nur Prüfungsfragen.
Sie würde auch unabhängige Replikation und adversariale Prüfung benötigen. Entwickler sollten genug Methodik veröffentlichen, um Behauptungen zu interpretieren, ohne gefährliche Details offenzulegen oder private Tests zu kompromittieren. Ergebnisse sollten das Basismodell von Werkzeugen und Gerüst trennen, Fehlerbeispiele einschließen und vermeiden, eine zusammengesetzte Zahl in ein metaphysisches Urteil zu verwandeln.
Der Nachfolger ist ein Dashboard, keine Ziellinie
Kein moderner Test hat Turings Spiel in dem Sinn „ersetzt“, zum universell akzeptierten Tor zur AGI zu werden. Was es ersetzt hat, ist ein Portfolio: Wissenstests, neuartige Denkaufgaben, interaktive Umgebungen, Aufgabenhorizont-Messungen, domänenspezifische Expertenüberprüfung, Bewertungen gefährlicher Fähigkeiten und Einsatzevidenz.
Diese Antwort ist weniger theatralisch als eine Maschine, die einen Richter täuscht, aber nützlicher. Die richtige Frage lautet nicht mehr „Hat es bestanden?“ Sie lautet: Was kann dieses System zuverlässig tun, unter welchen Bedingungen, mit welcher Assistenz, und was passiert, wenn sich die Bedingungen ändern? Ein transparentes Dashboard datierter Evidenz bietet einen besseren Leitfaden für Fähigkeit und Risiko als jede einzelne Ziellinie.