Im Mai 2026 veröffentlichte PNAS eine Studie mit einem ungewöhnlichen Ergebnis: In fünfminütigen schriftlichen Gesprächen wählten die Teilnehmenden GPT-4.5 häufiger als menschlichen Gesprächspartner als die Person, gegen die es antrat. Das geschah in 73 % der Vergleiche, wenn das Modell die Anweisung erhielt, eine menschliche Persona anzunehmen. Die erstmals 2025 vorgestellte Untersuchung ergänzte außerdem fünfzehnminütige Tests mit anderen Modellen. Die Arbeit von Cameron Jones und Benjamin Bergen belegt konkrete Fortschritte beim Turing-Test.
Jahrzehntelang stand dieser Name für eine gedachte Grenze: den Tag, an dem ein Gespräch nicht mehr ausreichen würde, eine Maschine von einem Menschen zu unterscheiden. Jetzt, da einige Systeme diese Grenze unter experimentellen Bedingungen überschreiten, stellt sich eine unbequemere Frage. Wie viel sagt das Ergebnis über ihre Intelligenz aus?
Dafür müssen wir zu Turings ursprünglichem Problem zurückkehren. Und unterscheiden zwischen dem historischen Wert seines Vorschlags, dem, was ein konkreter Test messen kann, und den Folgen eines Zusammenlebens mit überzeugend wirkenden Systemen.
1950 änderte Turing die Frage
Alan Turing begann Computing Machinery and Intelligence mit der Frage, ob Maschinen denken können. Unmittelbar darauf schlug er vor, die Diskussion durch ein beobachtbares Spiel zu ersetzen. Seine erste Version umfasste einen Mann, eine Frau und eine Person, die beide anhand schriftlicher Nachrichten unterscheiden sollte; anschließend fragte er, was passieren würde, wenn eine Maschine den Platz des Mannes einnähme.
Daraus entstand die bekannteste Version: Eine beurteilende Person unterhält sich schriftlich mit einem Menschen und einer Maschine, ohne zu wissen, wer wer ist. Text schließt Aussehen und Stimme aus. Die Fragen können viele Bereiche abdecken, und die beurteilende Person kann dort nachhaken, wo sie einen Unterschied vermutet.
Die beurteilende Person weiß, dass ein Mensch und eine Maschine beteiligt sind. Am Ende muss sie den Menschen erkennen. Eine zufällige Wahl wäre ungefähr in der Hälfte der Fälle richtig.
Eigene Darstellung der üblichen Version mit drei Beteiligten. Turings ursprünglicher Ansatz begann mit der Unterscheidung zwischen Mann und Frau.
Dieser Schritt hat weiterhin Gewicht: Wenn wir anderen Menschen aufgrund ihres Handelns und Sprechens intellektuelle Fähigkeiten zuschreiben, müssen wir begründen, welche anderen Belege wir von einer Maschine verlangen würden. Jede Antwort abzulehnen, weil sie von einem Computer stammt, würde die Diskussion vorab entscheiden.
Ein offenes Gespräch erlaubt außerdem, die Prüfung unterwegs zu ändern. Wir können eine Erklärung verlangen, einen Widerspruch einführen oder prüfen, ob das Gegenüber einen Witz versteht. Darin liegt die interessante Flexibilität: Die fragende Person kann der vorherigen Antwort nachgehen, statt nur eine Liste erwarteter Lösungen zu korrigieren.
Turing stellte sich auch Maschinen vor, die durch eine Art Erziehung lernen. Sein Artikel war umfassender als der Test, der seinen Namen erbte. Ihn auf einen Wettbewerb zur Täuschung zu reduzieren, verfehlt diese Ambition: Fähigkeiten aufzubauen und zu untersuchen, die wir bis dahin mit dem menschlichen Geist verbanden.
ELIZA zeigte, wie viel das Gegenüber beiträgt
1966 stellte Joseph Weizenbaum ELIZA vor, ein Programm, das Sätze anhand von Regeln umformte. Sein bekanntes Gesprächsskript imitierte einige Techniken der Psychotherapie: Fragen zurückzugeben, Wörter des Gegenübers aufzugreifen und zum Weiterreden zu ermuntern.
Ein Ausschnitt aus dem veröffentlichten Dialog zeigt den Mechanismus:
Person: „Meine Mutter kümmert sich um mich.“
ELIZA: „Wer sonst in Ihrer Familie kümmert sich um Sie?“
Ein Familienbezug aktiviert eine Regel, mit der sich die Frage neu zusammensetzen lässt. Die passende Antwort braucht keine Repräsentation der Mutter oder ihrer Fürsorge.
Übersetzung zweier Äußerungen aus Weizenbaums Originaldialog. Kein für diesen Artikel generiertes Gespräch.
Die Situation erleichtert die Illusion. Erwarten wir Fragen über das gerade Gesagte, kann eine Rückfrage als Zeichen von Aufmerksamkeit erscheinen. Wir liefern die Geschichte, erkennen einen Zusammenhang und ergänzen, was die Antwort offenlässt.
Das erklärt den sogenannten ELIZA-Effekt: einem System aufgrund seines Gesprächsverhaltens Verständnis oder menschliche Eigenschaften zuzuschreiben. Es bedeutet nicht, dass ELIZA einen anspruchsvollen allgemeinen Test bestanden hätte. Es zeigt etwas Begrenzteres und Nützliches: Ein Teil des Eindrucks von Intelligenz entsteht bei der Person, die die Antwort interpretiert.
Heutige Sprachmodelle funktionieren anders. Sie lernen Regelmäßigkeiten aus großen Datenmengen und erzeugen Antworten, die vom Gespräch abhängen; sie beruhen nicht auf einem solchen Schlüsselwortskript. Der technische Abstand ist enorm. ELIZAs Frage bleibt jedoch bei jeder Interaktion offen: Was zeigt das System, und was ergänzen wir beim Lesen?
Das chinesische Zimmer und das Problem der Ähnlichkeit
1980 schlug John Searle das chinesische Zimmer vor. Er stellte sich eine Person vor, die kein Chinesisch versteht und mit Anweisungen zur Symbolmanipulation eingeschlossen ist. Sie erhält Fragen, folgt den Regeln und gibt Antworten aus, die von einem kompetenten Sprecher zu stammen scheinen. Von außen funktioniert das Gespräch; innen versteht die Person die Sprache weiterhin nicht.
Searle wollte zeigen, dass die Ausführung eines Programms allein nicht für Verständnis genügt. Die Systemantwort entgegnet, Verständnis könne dem Ganzen — Person, Regeln und Gedächtnis — zukommen, auch wenn ein Teil nichts versteht. Searle widersprach; die Uneinigkeit hängt davon ab, wo wir Verständnis verorten und was wir zu seiner Entstehung für ausreichend halten.
Wir sollten das Gedankenexperiment als philosophisches Argument bewahren. Es ist weder eine Messung eines heutigen Modells noch ein experimenteller Beweis dafür, dass Maschinen niemals verstehen können. Es verlangt aber, den Sprung von passenden Antworten zur Zuschreibung eines bestimmten geistigen Innenlebens zu erklären.
Eine weitere Kritik betrifft die Forschung unmittelbar. In Turing Test Considered Harmful (1995) bezweifelten Patrick Hayes und Kenneth Ford, dass menschliche Imitation das leitende Ziel der KI sein sollte. Ihre Analogie zum Fliegen unterschied die Nachbildung eines Tieres von der Erforschung jener Prinzipien, die eine nützliche Maschine ermöglichen.
Übertragen wir das auf eine einfache Situation. Wir wollen ein Programm, das Rechenfehler findet. Antwortet es exakt, ist es nützlich. Lernt es zusätzlich plausible Fehler, damit wir es für einen Menschen halten, kann es im Imitationsspiel besser und zugleich in seiner eigentlichen Aufgabe schlechter werden.
Bereits Turings erfundener Dialog enthielt eine falsche Addition:
Frage: 34 957 und 70 764 addieren.
Vorgestellte Antwort: nach etwa 30 Sekunden 105 621.
Richtig ist 105 721. In diesem Spiel können Langsamkeit und Fehler zur Identität passen, die die Maschine darstellen will. In einem Rechentest wären sie ein Misserfolg.
Adaption des Beispiels aus Abschnitt 2 von Turing (1950). Ein hypothetischer Dialog des Autors, kein Ergebnis einer damaligen Maschine.
Das entwertet Gespräche als Prüfung nicht. Ein sorgfältiges Interview kann Fähigkeiten zeigen, die ein geschlossenes Frageformular übersieht. Fraglich wird das abschließende Kriterium: Wer menschlich wirkt, vermischt Kompetenz, Stil, Erwartungen und Wissen über den sozialen Kontext.
Was heutige Modelle tatsächlich bestanden haben
Jones und Bergen untersuchen diese Mischung mit ausdrücklichen Kontrollen. An den ersten Tests nahmen Studierende und über die Forschungsplattform Prolific rekrutierte Personen teil. Jede beurteilende Person sprach gleichzeitig mit einem Menschen und einem System in zwei getrennten Chats.
Die Forschenden verglichen zwei Arten von Anweisungen. Die eine gab den Modellen das Ziel, die beurteilende Person von ihrer menschlichen Identität zu überzeugen, sowie Kontextinformationen. Die andere ergänzte eine Persona: jung, introvertiert, mit Internetkultur vertraut und informell sprechend. „Ohne Persona“ bedeutet also nicht, den Assistenten einfach wie beim Öffnen einer Anwendung zu verwenden.
Bei zwei Möglichkeiten ergäbe eine Zufallswahl ungefähr 50 %. Die 73 % messen Entscheidungen der Beurteilenden, nicht „73 % menschlicher Intelligenz“.
Eigene Grafik nach „Win Rates“ und Tabelle 1 der veröffentlichten Arbeit. Gerundete Prozentwerte, zwei Populationen und auf fünf Minuten begrenzte Gespräche. Aggregierte Schätzungen ohne Konfidenzintervalle. Die Zusammenfassung vertauscht die Reihenfolge der beiden Werte ohne Persona; hier folgen wir dem Ergebnisteil.
Der Unterschied zwischen beiden Anweisungen ist ebenso wichtig wie der höchste Wert. Der Test reagiert darauf, wie das System sich präsentiert. Die Anpassung des Gesprächs ist Teil der nachgewiesenen Fähigkeit; sie begrenzt zugleich Schlussfolgerungen über andere Aufgaben.
Die Veröffentlichung von 2026 ging über die fünf Minuten des Preprints von 2025 hinaus. Sie ergänzte eine Replikation mit vollen fünfzehn Gesprächsminuten. GPT-5, das in dieser Phase GPT-4.5 ersetzte, wurde in 59 % der Vergleiche als Mensch gewählt; Llama 3.1 in 56 %. Beide erhielten Persona-Anweisungen. Die Autoren interpretieren dies als Bestehen dieser Testversion.
Diese Erweiterung verhindert, das Ergebnis mit dem Hinweis abzutun, alles verschwinde bei längeren Gesprächen. Zugleich verhindert der Modellwechsel, die beiden Werte als saubere Messung des Verlusts desselben Modells bei dreifacher Dauer zu lesen. Die Schlussfolgerung muss Modell, Anweisungen, Teilnehmende und Dauer berücksichtigen.
Auch ein Wert nahe 50 % belegt keine universelle Gleichwertigkeit. Stichproben sind unsicher; einen Unterschied in einem Experiment nicht zu erkennen, beweist nicht, dass er mit anderen Beurteilenden oder Bedingungen unauffindbar wäre. Diese Arbeiten machen aus einer kulturellen Intuition einen Vergleich, den wir untersuchen, wiederholen und diskutieren können.
Sein Platz in der KI ist präziser als sein Ruhm
Historisch half der Test, die Diskussion über künstliche Intelligenz auf beobachtbares Verhalten zu beziehen. Als Forschungswerkzeug bleibt er wertvoll, um Gesprächsimitation und die Signale zu untersuchen, mit denen wir andere Menschen erkennen. Als allgemeines Qualitätsmaß für KI lässt er zu viele Fragen offen.
Das zeigt der Vergleich mit Bewertungen anderer Fähigkeiten. SWE-bench stellt Probleme aus Softwareprojekten und prüft durch Tests, ob vorgeschlagene Änderungen sie lösen. HELM kombiniert Szenarien mit Maßen für Genauigkeit, Robustheit, Kalibrierung, Verzerrungen, Toxizität oder Effizienz. Kalibrierung untersucht vereinfacht, ob die Sicherheit des Systems zu seinen richtigen Antworten passt.
| Bewertung | Was beobachtet wird | Was offenbleibt |
|---|---|---|
| Imitationsspiel | Ob die beurteilende Person den Menschen im Gespräch erkennt. | Die Richtigkeit einer Arbeit, die nicht verlangt wurde. |
| SWE-bench | Ob eine Codeänderung ein Problem löst und Tests besteht. | Ob das System beliebige Ingenieursaufgaben übernehmen kann. |
| HELM | Wie das Modell in verschiedenen Szenarien und Dimensionen arbeitet. | Eine endgültige Antwort zu Bewusstsein oder Verständnis. |
Im Artikel über die Entwicklung von KI-Benchmarks verfolgten wir den Übergang von Textergänzung zu beruflichen Aufgaben. Der Turing-Test beleuchtet einen anderen Teil: den Platz eines menschlichen Gesprächspartners einzunehmen, ohne dass es auffällt. Diese Fähigkeit kann mit Fehlern in Mathematik, Code oder überprüfbaren Fakten zusammenbestehen.
Die Beurteilung von Menschlichkeit lässt sich nicht automatisch von einem Medium auf ein anderes übertragen. Eine auf der ICLR 2026 vorgestellte Arbeit zu Sprachgesprächen sammelte 2 968 menschliche Urteile über Dialoge von neun Systemen und 28 Teilnehmenden. Keines der geprüften Systeme bestand ihren Test. Die Autoren verorteten Schwierigkeiten bei emotionaler Ausdruckskraft und stimmlichen Signalen, die Wörter begleiten.
Die Studie hat eigene Systeme und ein eigenes Protokoll; sie widerlegt die schriftlichen Ergebnisse nicht. Sie zeigt, warum „der Test“ als eine einzige Prüfung missverständlich ist. Die Stimme wie Turing auszuschließen grenzt eine Frage ein. Sie wieder einzubeziehen fügt andere Fähigkeiten und Hinweise hinzu.
Die stärkste Verteidigung Turings bleibt unbequem
Es wäre leicht, die Debatte mit der Behauptung zu beenden, eine Maschine imitiere nur. Doch welche Belege würden wir akzeptieren, um unsere Meinung zu ändern? Könnten ein längeres Gespräch, eine präzisere Erklärung oder eine Antwort auf eine neue Situation niemals zu ihren Gunsten zählen, hätten wir das Ergebnis zur Ausgangsbedingung gemacht.
Die Stärke des Vorschlags liegt darin, unsere Anforderungen konkretisieren zu müssen. Ein Mensch kann etwas verstehen und schlecht erklären. Ein anderer kann selbstsicher klingen und falschliegen. Bei künstlichen Systemen müssen wir diese Möglichkeiten ebenso sorgfältig trennen, ohne Fähigkeiten aufgrund einer überzeugenden Formulierung als geklärt anzusehen oder aufgrund ihrer Herkunft auszuschließen.
Wir können testen, ob ein System eine Erklärung bei veränderten Daten aufrechterhält, Widersprüche erkennt oder Gelerntes auf andere Probleme überträgt. Diese Beobachtungen liefern Belege für Fähigkeiten. Ob außerdem subjektive Erfahrung besteht — ob es sich irgendwie anfühlt, dieses System zu sein — erfordert ein weiteres Argument. Eine Abstimmung darüber, welches Gegenüber menschlich wirkt, liefert diese Brücke nicht allein.
Beide Gedanken sind erhaltenswert: Einen anspruchsvollen Gesprächstest zu bestehen ist eine Leistung, und sie entscheidet nicht alle Fragen, die wir mit Intelligenz verbinden. Grenzen machen ein Maß nicht irrelevant; sie verlangen, es für das zu nutzen, was es beobachtbar macht.
Wenn wir Menschen nicht mehr an ihrer Schreibweise erkennen
Stellen wir uns ein Forum vor, in dem jemand geduldig antwortet, sich an Erzähltes erinnert und dieselben kulturellen Referenzen verwendet. Wir können Vertrauen entwickeln, ohne nach einem Theorem zu fragen oder einen Programmiertest vorzulegen. Es genügt, dass das Gespräch zu unseren Erwartungen an einen anderen Menschen passt.
Kann ein System diesen Eindruck erzeugen, entstehen soziale Folgen, während wir noch über Verständnis diskutieren. Eine künstliche Teilnahme könnte sich als zufriedener Kunde, Nachbar oder Hobbyfreund ausgeben. Eine überzeugende kurze Interaktion beweist keine über Monate stabile Identität; sie begründet aber die Untersuchung jener Kontexte, in denen Menschlichkeitssignale nicht mehr helfen, das Gegenüber zu erkennen.
Daneben gibt es den transparenten Fall: Jemand weiß, dass er mit einer KI spricht, und findet das Gespräch trotzdem nützlich oder angenehm. Dieselbe sprachliche Fähigkeit kann taktvoll erklären oder eine falsche Identität aufrechterhalten. Der Unterschied hängt von der Darstellung des Systems, den Versprechen an die Nutzenden und der Verantwortung für seinen Betrieb ab.
Hier liegt für uns heute ein wichtiger Teil der Aktualität des Tests. Turings Geschichte hilft uns, über akzeptable Belege künstlicher Intelligenz nachzudenken. Die experimentellen Versionen zeigen außerdem, welche Signale wir zur Zuschreibung von Menschlichkeit nutzen und wie leicht oder schwer sie sich reproduzieren lassen.
Wenn eine Maschine menschlich wirkt, haben wir etwas über ihr Verhalten und unser Urteil gezeigt. Um zu wissen, was sie versteht, was sie zuverlässig leisten kann und welche Beziehung wir zu ihr wollen, müssen wir weiterfragen. Und um zu wissen, mit wem wir sprechen, werden wir zunehmend mehr verlangen müssen als ein gutes Gespräch.
Quellen
- Alan Turing: Computing Machinery and Intelligence (1950). Imitationsspiel, Rechenbeispiel und lernende Maschinen.
- Joseph Weizenbaum: Originalartikel zu ELIZA (1966). Regelbasierte Funktionsweise und wiedergegebener Dialog.
- John Searle: Minds, Brains, and Programs (1980). Transkription eines Vorabentwurfs: chinesisches Zimmer und Einwände.
- Patrick Hayes und Kenneth Ford: Turing Test Considered Harmful (1995). Kritik an menschlicher Imitation als Leitprinzip der Forschung.
- Cameron Jones und Benjamin Bergen: Large language models pass a standard three-party Turing test, PNAS (19. Mai 2026), auch auf PubMed Central. Ergebnisse, Anweisungen, Kontrollen und fünfzehnminütige Replikation. Der Preprint vom März 2025 enthält die ersten fünfminütigen Tests.
- Carlos E. Jimenez und Mitarbeitende: SWE-bench (2023). Bewertung von Codeänderungen zur Lösung realer Probleme.
- Percy Liang und Mitarbeitende: Holistic Evaluation of Language Models (2022; Veröffentlichung in TMLR, 2023). Bewertung nach Szenarien und mehreren Dimensionen.
- Xiang Li und Mitarbeitende: Human or Machine? A Preliminary Turing Test for Speech-to-Speech Interaction, ICLR 2026. Überarbeitet am 8. September 2026; Ergebnisse auf die untersuchten Systeme und das Protokoll begrenzt.
