Wie hoch ist der IQ von ChatGPT? Wie KI-Modelle bei menschlichen IQ-Tests abschneiden

Die Scores, Datum für Datum

KI-Scores ändern sich von Monat zu Monat, daher trägt jede Zahl hier das Datum, an dem sie gemeldet wurde, und die Person, die sie gemeldet hat. Den am längsten laufenden Rekord hält Maxim Lott, ein Journalist, der Chatbots seit mindestens Anfang 2024 mit Rätseln im IQ-Stil testet und die Ergebnisse auf seiner Website TrackingAI und seinem Newsletter Maximum Truth veröffentlicht.

Lesen Sie die Tabelle als Trend, nicht als Bestenliste. Modellnamen ändern sich, Unternehmen passen Einstellungen nach der Einführung an, und das Ergebnis einer einzigen Woche kann um mehrere Punkte schwanken. Der Fortschritt verläuft nicht gleichmäßig: Lott berichtete, dass sich die KI-Scores etwa sechs Monate lang kaum bewegten, bevor o1-preview im September 2024 erschien.

Wie TrackingAI einen Chatbot testet

Lott verwendet zwei Instrumente. Das erste ist der Mensa-Norwegen-Test, ein öffentliches Online-Quiz mit 35 visuellen Musterelementen mit einem Zeitlimit von 25 Minuten; unser Leitfaden zum Mensa-Norwegen-Test erklärt sein Format. Das zweite ist ein Offline-Test, der von Grund auf von einem Mensa-Mitglied namens Jurij geschrieben und nie im Internet veröffentlicht wurde.

Lott normierte die Offline-Elemente anhand der Mensa-Norwegen-Elemente, indem er seine Leser beide machen ließ, sodass eine 100 bei jedem ungefähr dasselbe bedeutet. Die Kalibrierung vom September 2024 basierte auf etwa 40 Lesern. Lott berichtete, dass der Mensa-Norwegen-Test selbst an 80 Personen mit offiziellen IQ-Werten normiert wurde, eine Behauptung seines Schöpfers, die er nicht überprüfte. Laut dem Bericht von 36Kr vom September 2026 testet TrackingAI mehr als 30 Modelle pro Woche und bildet den Durchschnitt der letzten sieben Versuche jedes Modells. Einige Modelle sehen die Rätsel als Bilder; andere erhalten sie in Worten beschrieben, was bisher zu höheren Punktzahlen geführt hat.

Das Kontaminationsproblem

Ein Sprachmodell lernt aus einer riesigen Ansammlung öffentlicher Texte. Wenn die Fragen und Antworten eines Tests irgendwo in dieser Ansammlung liegen, kann eine hohe Punktzahl eher Gedächtnis als logisches Denken widerspiegeln. Lott bezeichnete dies als den häufigsten Einwand gegen seine frühen Ergebnisse und merkt an, dass die Antworten von Mensa Norwegen online existieren.

Die Lücke zwischen seinen beiden Tests ist der Beweis. Im Oktober 2025 erzielte ChatGPT Pro 148 Punkte beim öffentlichen Test und 117 beim privaten Test. Lott schrieb, dass Kontamination teilweise erklärt, warum Top-Systeme das Limit des öffentlichen Tests erreichen, während sie offline etwa 130 Punkte erzielen.

Forscher haben das Problem bei anderen Benchmarks dokumentiert. Shahriar Golchin und Mihai Surdeanu erstellten in einem Preprint von 2023 eine Methode, um Testelemente zu erkennen, die ein Modell auswendig gelernt hat, und kamen zu dem Schluss, dass GPT-4 Teile von drei Standarddatensätzen gesehen hatte, darunter AG News und XSum. Jeder Test mit veröffentlichten Antworten birgt dasselbe Risiko, weshalb der Offline-Score die aussagekräftigere Zahl ist.

Warum ein KI-Score kein menschlicher IQ ist

Ein menschlicher IQ ist ein Abweichungswert. Er vergleicht eine Person mit einer großen, repräsentativen Stichprobe von Menschen gleichen Alters, skaliert auf einen Mittelwert von 100 und eine Standardabweichung von 15. Für Maschinen gibt es keine solche Stichprobe, und die menschliche Stichprobe war nie dafür gedacht, sie einzustufen.

• Ungleichmäßige Profile. Roivainen gab ChatGPT die Subtests Vokabular, Ähnlichkeiten, Verständnis, Information und Arithmetik des WAIS-III. Es erreichte einen verbalen IQ von 155, doch er stellte fest, dass es an einem einfachen Rätsel scheiterte. Er ließ die Ziffernfolge aus, eine Aufgabe für das Arbeitsgedächtnis, weil dem Chatbot dieses Gedächtnissystem fehlt, und nonverbale Subtests waren nicht möglich.
• Unterschiedliche Bedingungen. Ein Modell ermüdet nicht, kann es erneut versuchen und läuft mit einem vom Anbieter festgelegten Rechenbudget. Zeitlimits, die für menschliche Aufmerksamkeit geschaffen wurden, schränken es nicht auf die gleiche Weise ein.
• Deckeneffekte. 36Kr stellte fest, dass Mensa Norwegen menschliche Ergebnisse nur bis 145 meldet. Im Dezember 2025 sagte Lott, er plane, die Granularität seines Tests über 130 zu verbessern, wo er Top-Systeme schlecht trennt.
• Breite. Lott zitierte die Ansicht des Ökonomen Tyler Cowen, dass solche Tests die extreme Wissensbreite eines Modells, also das, was es am besten kann, unterbewerten.

Die Intelligenztestbatterie für Erwachsene, die hinter den meisten klinischen Ergebnissen steht, wird beschrieben in WAIS-IV erklärt.

Was die Ergebnisse zeigen

Der Trend ist real, auch wenn die Zahl kein IQ ist. Lott maß einen durchschnittlichen Gewinn von etwa 2,5 IQ-Punkten pro Monat für die führende KI zwischen Mai 2024 und Oktober 2025, von Mitte 80 bis etwa 130. Er prognostizierte im Oktober 2025, dass führende Systeme Ende 2027 bei menschlichen IQ-Tests an ihre Grenzen stoßen würden.

Wissenschaftliche Arbeiten weisen in die gleiche Richtung. Im Jahr 2023 berichteten Taylor Webb, Keith Holyoak und Hongjing Lu in Nature Human Behaviour dass GPT-3 bei den meisten Analogierufgaben mit menschlichen Teilnehmern gleichzog oder sie übertraf, einschließlich einer Textversion von Matrizenproblemen, die nach Raven's Progressive Matricesmodelliert waren. Sie nannten die Fähigkeit emergent: Sie entstand ohne Training bei diesen spezifischen Aufgaben.

Was die Ergebnisse nicht zeigen können, ist, ob ein System versteht, plant oder beurteilt wie eine Person. Alan Turing warf diese Frage 1950 mit einem Konversationstest auf, nicht mit einem Rätselblatt; siehe was ist der Turing-Test und die Geschichte der künstlichen Intelligenz.

Wie die Zahlen auf menschliche Ergebnisse abgebildet werden

Auf einer menschlichen Skala würde ein Offline-Score von 130 eine Person etwa auf das 98. Perzentil bringen, die traditionelle Mensa-Schwelle. Siehe was ein IQ von 130 bedeutet. Ein 151er-Wert wäre seltener als 1 zu 1.000. Diese Vergleiche beschreiben die Skala, nicht die Maschine: Das Modell erreichte sein Ergebnis unter Bedingungen, denen kein menschlicher Testteilnehmer ausgesetzt ist.

Für menschliche Ergebnisse gilt die gleiche Vorsicht hinsichtlich des Formats umgekehrt. Schnelle Online-Quiz sind eine nützliche Übung, aber eine schlechte Messung; lesen Sie sind Online-IQ-Tests genau. Unser kostenloser IQ-Test ist ein Übungsscreening, keine klinische Beurteilung. Jeder zugehörige Leitfaden ist gesammelt in IQ-Leitfäden.

Redaktioneller Standard: IQ-Zahlen für historische Persönlichkeiten sind retrospektive Schätzungen und als solche gekennzeichnet; Werte für lebende Personen erscheinen nur, wenn die Person sie offengelegt hat oder ein renommiertes Medium darüber berichtet hat. Korrekturen: kontaktieren Sie die Redakteure.