Microsofts Multi-Agent-KI-System übertrifft Allgemeinmediziner bei komplexen Diagnosen

Das künstliche Intelligenz-Diagnosesystem von Microsoft, MAI-DxO, identifizierte komplexe medizinische Erkrankungen in einer simulierten Umgebung mehr als doppelt so häufig korrekt wie Allgemeinmediziner. Dies geht aus einer Studie hervor, die am 22. Oktober 2026 in der Fachzeitschrift Science veröffentlicht wurde. Mustafa Suleyman, CEO von Microsoft AI, bezeichnete diese Leistung als einen bedeutenden Schritt hin zu dem, was das Unternehmen als „medizinische Superintelligenz“ bezeichnet. Ziel ist es, die wachsende Kluft zwischen der Nachfrage der Patienten und der verfügbaren medizinischen Expertise zu schließen.

Was passiert ist

Die Studie evaluierte MAI-DxO, auch als DxO bezeichnet, anhand komplexer klinischer Fälle aus dem New England Journal of Medicine. In diesen Simulationen erreichte das KI-System eine Trefferquote von 83 %. Zum Vergleich: Hausärzte und allgemeine Internisten, die individuell mit Standardreferenzmaterialien arbeiteten, erzielten nur eine Genauigkeit von 36 %. Es ist wichtig anzumerken, dass solche komplexen Fälle in der realen Welt typischerweise von Spezialisten oder multidisziplinären Teams behandelt werden; diese Fachgruppen wurden jedoch nicht in den Vergleichsbaseline einbezogen.

Dominic King, Vice President of Health bei Microsoft AI, betonte, dass die größte Herausforderung in der modernen Gesundheitsversorgung das Missverhältnis zwischen dem Angebot an medizinischer Expertise und der Patientennachfrage sei. Diese Veröffentlichung stellt Microsoft neben Wettbewerber wie Google und OpenAI, die ebenfalls behaupten, ihre KI-Systeme könnten die Leistung menschlicher Ärzte erreichen oder übertreffen. Die Daten zeigen jedoch, dass zwar die Orchestrierungsebene von Microsoft Mehrwert bietet, der Großteil des Leistungsanstiegs jedoch auf die zugrunde liegende Stärke der großen Sprachmodelle selbst zurückzuführen ist.

Microsoft testete das DxO-Framework mit Modellen verschiedener Anbieter, darunter OpenAI, Google, Anthropic, Meta und DeepSeek. Die höchste Leistung wurde unter Verwendung der Modelle GPT-5 und GPT-5.5 von OpenAI erzielt. Das Unternehmen analysierte auch die Kosteneffizienz und maß die geschätzten Kosten für den Betrieb der KI pro Fall. So erzielte beispielsweise GPT-5 allein bei komplexen Fällen eine Bewertung von 78,9 % zu Kosten von etwa 8.400 USD pro Fall. Durch die Erweiterung mit DxO sanken die Kosten um etwa 3.000 USD, während sich die Genauigkeit um rund vier Prozentpunkte verbesserte.

Wie es funktioniert

MAI-DxO operiert als Multi-Agenten-System und koordiniert mehrere unterschiedliche KI-Agenten, die ähnlich wie ein Gremium aus menschlichen Ärzten funktionieren. Anstatt sich auf ein einzelnes Modell zur Generierung einer Antwort zu verlassen, durchlaufen diese Agenten einen strukturierten Prozess: Sie befragen den Patienten, veranlassen relevante diagnostische Tests und debattieren potenzielle Diagnosen untereinander. Dieser kollaborative Ansatz imitiert den klinischen Denkprozess, der von medizinischen Teams verwendet wird, sodass das System Annahmen gegenseitig überprüfen und seine Schlussfolgerungen verfeinern kann, bevor es eine endgültige Diagnose stellt.

Die Wirksamkeit dieser Orchestrierung variiert je nach Fähigkeit des zugrunde liegenden Modells und der Komplexität des Falls. Bei Notaufnahme-Fällen, die im Allgemeinen weniger komplex sind als die spezialisierten Fälle im Hauptversuch, zeigte DxO in Kombination mit GPT-5 kaum Verbesserungen bei Genauigkeit oder Kosten. Sowohl das eigenständige Modell als auch das orchestrierte System erzielten Werte um 85 %. Für weniger leistungsfähige Modelle wie Gemini 2.5 Flash bot das DxO-Framework jedoch einen erheblichen Schub und steigerte die Genauigkeit von 46,4 % auf nahezu 69 %. Dies deutet darauf hin, dass die agentische Orchestrierung besonders wertvoll ist, um schwächere Modelle zu optimieren oder hochkomplexe diagnostische Rätsel zu lösen, bei denen ein einmaliger Durchlauf (Single-Pass) nicht ausreicht.

Wichtige Details

• MAI-DxO erreichte eine Genauigkeit von 83 % bei komplexen Fällen aus dem New England Journal of Medicine, verglichen mit 36 % bei Allgemeinmedizinern.
• Das System koordiniert mehrere KI-Agenten, um Patienten zu befragen, Tests anzuordnen und Diagnosen in einem simulierten Panel-Format zu debattieren.
• Die besten Ergebnisse wurden mit den Modellen GPT-5 und GPT-5.5 von OpenAI erzielt, obwohl das Framework Modelle von Google, Anthropic, Meta und DeepSeek unterstützt.
• DxO reduzierte die Kosten pro Fall für GPT-5 um ungefähr 3.000 USD bei gleichzeitiger leichter Verbesserung der Genauigkeit, zeigte jedoch minimale Gewinne bei Notaufnahme-Fällen.
• Microsoft arbeitet mit der Mayo Clinic zusammen, um ein grundlegendes Modell speziell für das Gesundheitswesen zu trainieren, dessen Veröffentlichung für nächstes Jahr geplant ist.
• Eine neue klinische Evaluation mit dem Beth Israel Deaconess Medical Center wird die Empfehlungen von DxO mit denen menschlicher Ärzte in realen Umgebungen der Notfall- und Akutversorgung vergleichen.

Warum das wichtig ist

Für Software-Ingenieure und technische Führungskräfte unterstreicht diese Studie den Wandel im Wertversprechen großer Sprachmodelle von roher Leistungsfähigkeit hin zu orchestrierter Nützlichkeit. Da Basismodelle leistungsstärker werden, nimmt der Grenznutzen durch zusätzliche Prompting-Techniken oder einfache Verkettung ab. Die DxO-Ergebnisse zeigen jedoch, dass Multi-Agenten-Architekturen weiterhin erhebliche Leistungsverbesserungen erzielen können, insbesondere bei der Kostenoptimierung und bei der Arbeit mit kleineren oder weniger leistungsfähigen Modellen. Dies legt nahe, dass der Aufbau robuster agentischer Workflows eine entscheidende Kompetenz für die Entwicklung anspruchsvoller KI-Anwendungen bleibt, auch wenn sich die Grundmodelle weiterentwickeln.

Darüber hinaus markiert der Übergang zu klinischen Studien in der realen Welt den Wechsel von einer bewertungsbasierten Evaluierung hin zum praktischen Einsatz. Die Partnerschaft mit dem Beth Israel Deaconess Medical Center stellt einen wichtigen Schritt bei der Validierung des klinischen KI-Denkens in unstrukturierten, hochdruckbelasteten Umgebungen dar. Bei Erfolg könnte dies einen neuen Standard dafür setzen, wie KI-Tools in Arbeitsabläufe im Gesundheitswesen integriert werden – weg von unterstützenden Aufgaben wie Diktat hin zur aktiven Teilnahme an der klinischen Entscheidungsunterstützung. Dieser Wandel erfordert strenge Testframeworks, die die Komplexität und Vielfalt echter Patienteninteraktionen bewältigen können, und bietet eine Blaupause für andere Branchen, die KI in kritischen Entscheidungsrollen einsetzen möchten.

Was Sie tun können

• Bewerten Sie Multi-Agenten-Frameworks in Ihrem eigenen Bereich, um festzustellen, ob die Orchestrierung die Genauigkeit verbessert oder die Kosten im Vergleich zu Einzelmodell-Prompts senkt.
• Verfolgen Sie die bevorstehende Veröffentlichung des Healthcare-Foundation-Modells von Microsoft in Zusammenarbeit mit der Mayo Clinic, um Strategien für domänenspezifisches Fine-Tuning zu verstehen.
• Untersuchen Sie die Architektur von DxO, um zu lernen, wie man Agentendebatten und Logik für Testbestellungen bei komplexen Problemlöseaufgaben strukturiert.
• Überlegen Sie, wie Validierungsstudien in der realen Welt, wie die mit Beth Israel, gestaltet werden können, um KI-Systeme in Live-Umgebungen statt nur in statischen Benchmarks zu testen.
• Behalten Sie Kennzahlen zur Kosteneffizienz im Blick, wenn Sie KI-Agenten bereitstellen, da Orchestrierung manchmal den Tokenverbrauch und die gesamten Inferenzkosten reduzieren kann.
• Bereiten Sie sich auf erhöhte regulatorische und klinische Prüfungen vor, da KI von administrativer Unterstützung zu direkten Rollen in der klinischen Entscheidungsunterstützung übergeht.