Microsofts Multi-Agent-KI-System übertrifft Ärzte bei Diagnose-Benchmarks

Microsoft hat Ergebnisse veröffentlicht, die darauf hindeuten, dass sein KI-gestütztes Diagnosetool, der Diagnostic Orchestrator, in kontrollierten Tests menschliche Ärzte deutlich übertraf. Die am 22. Oktober 2026 in der Fachzeitschrift Science publizierten Resultate legen nahe, dass das System medizinische Zustände mit größerer Genauigkeit und geringeren geschätzten Kosten identifizieren kann als Allgemeinmediziner.

Was passiert ist

Das Forschungsteam von Microsoft stellte sein KI-System gegen menschliche Ärzte auf einem neuen Benchmark namens SDBench auf die Probe. Dieser Datensatz kombiniert Hunderte von Fallberichten aus dem New England Journal of Medicine mit Daten aus der Notaufnahme des Beth Israel Deaconess Medical Center in Boston. Ziel war es, den komplexen Denkprozess zu simulieren, den Ärzte bei der Bewertung von Patienten mit unspezifischen Symptomen durchlaufen.

In diesen Tests erreichte der Diagnostic Orchestrator eine Genauigkeitsrate von etwa 83 Prozent bei den Fallberichten der Fachzeitschrift. Im Vergleich dazu erzielten Allgemeinmediziner rund 36 Prozent, wenn sie Referenzmaterialien nutzen durften, und nur 22 Prozent ohne diese Hilfsmittel. Bei den Notfalldaten lag die KI bei 80 Prozent Genauigkeit, während menschliche Ärzte durchschnittlich auf 47 Prozent kamen. Das System zeigte zudem die Fähigkeit, zu diesen Schlussfolgerungen mit geringeren geschätzten Kosten zu gelangen.

Mustafa Suleyman, CEO für KI bei Microsoft, beschrieb die Veröffentlichung als einen wichtigen Meilenstein auf dem Weg zu dem, was das Unternehmen als „medizinische Superintelligenz“ bezeichnet. Obwohl die Technologie noch nicht in live klinischen Umgebungen eingesetzt wird, plant Microsoft, in den kommenden Monaten mit realen Tests am Beth Israel Deaconess Medical Center zu beginnen. Das Unternehmen betont, dass dies Teil einer breiteren Strategie ist, KI in verschiedene Aspekte des Gesundheitswesens zu integrieren, einschließlich der Koordinierung der Versorgung und der Behandlungsentscheidungen.

Wie es funktioniert

Der Diagnostic Orchestrator verlässt sich nicht auf ein einzelnes großes Sprachmodell, um eine Diagnose zu erraten. Stattdessen nutzt er eine Multi-Agent-Architektur, die von OpenAIs GPT-5 angetrieben wird. Dieses Setup imitiert ein Panel von Medizinexperten. Verschiedenen KI-Agenten werden spezifische Rollen zugewiesen: Einige analysieren Symptome, andere prüfen die Krankengeschichte, und wieder andere entscheiden, welche diagnostischen Tests als Nächstes angeordnet werden sollen. Diese Agenten arbeiten zusammen, diskutieren und verfeinern ihre Hypothesen, bevor sie zu einer endgültigen Schlussfolgerung kommen.

Dieser Ansatz ermöglicht es dem System, die iterative Natur der medizinischen Diagnose nachzubilden. Anstatt eine sofortige Antwort basierend allein auf Mustererkennung zu liefern, stellt das System Fragen, wägt mögliche Erklärungen ab und fordert zusätzliche Daten an, ähnlich wie ein menschlicher Kliniker während eines Patientengesprächs. Forscher merkten an, dass zwar das zugrunde liegende Modell seit der initialen Entwicklung des Systems mit GPT-4.1 verbessert wurde, die Multi-Agent-Struktur aber weiterhin entscheidend für die Leistungsfähigkeit ist.

Die Studie zeigt, dass ein einfaches Upgrade auf neuere Modelle wie GPT-6 Astra oder Gemini 4 Argon nicht automatisch bessere diagnostische Ergebnisse liefert, wenn das architektonische Framework fehlt. Die Synergie zwischen spezialisierten Agenten scheint einen erheblichen Vorteil gegenüber eigenständigen Frontier-Modellen zu bieten, die ohne diese kollaborative Struktur operieren.

Wichtige Details

• Der Diagnostic Orchestrator erreichte 83 % Genauigkeit bei NEJM-Fallberichten, verglichen mit 36 % für Ärzte mit Referenzen.
• Auf Notfalldaten vom Beth Israel Deaconess Medical Center erzielte die KI 80 % Genauigkeit gegenüber 47 % für Menschen.
• Das System wird von OpenAIs GPT-5 betrieben und nutzt ein Multi-Agent-Framework zur Simulation von Experten-Panels.
• Microsoft plant, den für diese Bewertungen verwendeten SDBench-Benchmark als Open Source bereitzustellen.
• Reale klinische Studien sollen in den nächsten zwei Monaten am Beth Israel Deaconess Medical Center beginnen.
• Die Studie umfasste keine Vergleiche mit neueren Modellen wie GPT-6 Astra, Metas Muse Wonder Full oder Anthropics Opus 5.5.

Warum das wichtig ist

Für Software-Ingenieure und technische Leiter unterstreicht diese Ankündigung einen Wandel von Single-Model-Inferenz hin zu agentischen Workflows. Der Erfolg des Diagnostic Orchestrators deutet darauf hin, dass komplexe, risikoreiche Aufgaben orchestrierte Systeme erfordern könnten, in denen mehrere spezialisierte Modelle interagieren. Diese Architektur ermöglicht besseres Reasoning, Fehlerprüfung und schrittweises Problemlösen, was in Bereichen, in denen Genauigkeit paramount ist, entscheidend ist.

Allerdings bleibt die Kluft zwischen Benchmark-Leistung und klinischer Realität groß. Das System wurde nur auf retrospektiven Daten getestet. Eine reale Bereitstellung umfasst regulatorische Hürden, Haftungsfragen und die Notwendigkeit einer nahtlosen Integration in bestehende elektronische Krankenakten. Microsofts vorsichtiger Ansatz, der die Notwendigkeit klinischer Validierung und eines verantwortungsvollen Rollouts betont, spiegelt die hohen Einstiegshürden im Health-Tech-Bereich wider. Entwickler, die in diesem Bereich tätig sind, müssen Robustheit und Erklärbarkeit vor reiner Geschwindigkeit priorisieren.

Was Sie tun können

• Untersuchen Sie Multi-Agent-Architekturen, um zu verstehen, wie spezialisierte Rollen das Reasoning bei komplexen Aufgaben verbessern können.
• Prüfen Sie den SDBench-Benchmark, sobald er als Open Source verfügbar ist, um diagnostische Reasoning-Fähigkeiten zu bewerten.
• Investigieren Sie die Grenzen von Retrospektivtests beim Design von KI-Systemen für reale Anwendungen.
• Behalten Sie regulatorische Anforderungen für medizinische Software im Auge, wenn Sie planen, gesundheitsbezogene Tools zu entwickeln.
• Erkunden Sie, wie agentische Workflows operative Kosten in anderen hochkomplexen Branchen senken können.
• Verfolgen Sie die bevorstehenden klinischen Studien am Beth Israel Deaconess Medical Center auf der Suche nach Leistungsdaten aus der Praxis.