GPT-5.5 Hebt die Latte bei KI-Benchmarks, Behält aber eine Bekannte Schwäche

Ein stärkeres Modell mit einem alten Problem im Gepäck

OpenAIs GPT-5.5 ist mit der Art von Schlagzeile erschienen, die normalerweise eine große Modellveröffentlichung prägt: Laut dem bereitgestellten Quellentext steht es jetzt an der Spitze des Artificial Analysis Intelligence Index, vor führenden Konkurrenten von Anthropic und Google. Auf der Leistungsseite lässt sich der Start damit leicht zusammenfassen. Schwieriger ist, dass derselbe Bericht eine anhaltende und ernste Schwäche beschreibt: Halluzinationen.

The Decoders Darstellung präsentiert GPT-5.5 als ein Modell, das das Preis-Leistungs-Verhältnis an der Spitze verbessert, ohne einen der hartnäckigsten Verhaltensfehler großer Sprachmodelle zu lösen. Diese Kombination wird immer zentraler dafür, wie fortgeschrittene KI-Systeme bewertet werden sollten. Bessere Ergebnisse und höhere Effizienz sind wichtig. Ebenso wichtig ist, ob ein Modell erkennt, wann es etwas nicht weiß.

Was sich verbessert hat

Die Quelle sagt, dass GPT-5.5 im Artificial Analysis Intelligence Index 60 Punkte erreicht und damit drei Punkte vor Claude Opus 4.7 und Gemini 3.1 Pro Preview liegt, die bei 57 gleichauf lagen. Außerdem heißt es, das Modell nutze etwa 40 Prozent weniger Tokens als GPT-5.4. Diese Token-Reduktion ist wichtig, weil sie die Ökonomie der Veröffentlichung verändert.

Nominal hat sich der API-Preis von GPT-5.5 auf 5 Dollar pro Million Input-Tokens und 30 Dollar pro Million Output-Tokens verdoppelt, verglichen mit GPT-5.4. Der geringere Token-Verbrauch mildert diesen Anstieg in der Praxis jedoch ab. Die Quelle schätzt den effektiven Kostenanstieg nach Berücksichtigung der Effizienzgewinne auf etwa 20 Prozent. In Benchmark-Begriffen argumentiert sie zudem, dass GPT-5.5 mit mittlerem Rechenaufwand Claude Opus 4.7-ähnliche Werte zu deutlich geringeren Kosten als das Modell von Anthropic bei maximalen Einstellungen erreichen kann.

Das ist genau die Art von Abwägung, die Entwickler tatsächlich wahrnehmen. Im Rennen um Frontier-Modelle geht es längst nicht mehr nur darum, wer eine Rangliste anführt. Es geht darum, ob Leistungsgewinne mit vernünftigem Token-Verbrauch, beherrschbarer Latenz und ausreichender Zuverlässigkeit kommen, um den Produktiveinsatz zu rechtfertigen. Unter diesen Gesichtspunkten scheint GPT-5.5 OpenAIs Position zu stärken.

Warum das Halluzinationsproblem weiter zählt

Der ernüchterndere Teil der Quelle ist die Behauptung, GPT-5.5 liege beim Artificial Analysis AA Omniscience-Benchmark weiterhin bei einer Halluzinationsrate von 86 Prozent. Selbst mit führender Genauigkeit bei diesem faktenorientierten Benchmark soll das Modell Antworten weiterhin erfinden, statt Lücken konsequent zuzugeben.

Diese Unterscheidung ist entscheidend. Ein Modell kann Rivalen bei aggregierten Faktentests übertreffen und trotzdem zu bereitwillig mit Selbstvertrauen antworten, wenn es eigentlich schweigen sollte. Für Nutzer, besonders in technischen oder operativen Umgebungen, ist dieses Verhalten kein Randthema. Es ist oft der Unterschied zwischen einem nützlichen und einem riskanten Assistenten.

Die größere Lehre lautet: Intelligenz-Rankings und Zuverlässigkeit sind nicht austauschbar. Ein stärkeres Benchmark-Profil kann auf besseres Schlussfolgern, breiteres Wissen oder effektivere Nutzung von Inferenz-Compute hinweisen. Es bedeutet nicht automatisch, dass das Modell disziplinierter mit Unsicherheit umgeht. GPT-5.5, wie hier beschrieben, scheint diese Lücke eher zu bestätigen als zu schließen.

Wie die Veröffentlichung in den größeren Markt passt

Die Quelle vergleicht GPT-5.5 nicht nur mit Anthropic’s Claude Opus 4.7, sondern auch mit Googles Gemini 3.1 Pro Preview. Die Einordnung legt nahe, dass Gemini weiterhin bei Kosten und Vielseitigkeit attraktiv ist, besonders innerhalb von Google-Produkten und bei Vision-Aufgaben, während die neuesten Systeme von OpenAI und Anthropic eher bei Coding und agentischem Arbeiten führen. Das ist eine nützliche Momentaufnahme der kommerziellen KI-Lage: Käufer wählen nicht abstrakt das eine beste Modell, sondern ordnen Modellstärken konkreten Workflows zu.

Die Veröffentlichung von GPT-5.5 wirkt daher weniger wie ein entscheidender K.o. als wie ein Reset der Frontier. OpenAI scheint sich den Benchmark-Vorsprung zurückgeholt und die Token-Effizienz verbessert zu haben, doch die Kompromisse bleiben sichtbar. Der Preis ist weiterhin gestiegen. Halluzinationen bleiben hoch. Und die Benchmark-Führung beseitigt nicht den Wettbewerbsdruck durch Rivalen, die billiger oder für bestimmte Aufgaben besser abgestimmt sein können.

Was das für Nutzer bedeutet

• Entwickler erhalten möglicherweise bessere Frontier-Performance, ohne dass die praktischen Token-Kosten proportional steigen.
• Benchmark-Gewinne sollten nicht mit gelöster faktischer Zuverlässigkeit verwechselt werden.
• Hochriskante Anwendungsfälle brauchen weiterhin Guardrails, Verifikation oder auf Abstinenz ausgelegte Workflows.

Damit ist GPT-5.5 ein wichtiger, aber unvollständiger Schritt. Es schiebt die Performance-Grenze nach vorn und verbessert die Effizienz genug, um kommerziell relevant zu sein. Gleichzeitig bewahrt es die Grundspannung, die moderne generative KI seit Beginn begleitet: Die Systeme werden klüger, aber nicht zuverlässig bescheidener. Solange sich das nicht ändert, trägt jeder neue Benchmark-Sieg einen operativen Vorbehalt mit sich.

Dieser Artikel basiert auf Berichten von The Decoder. Den Originalartikel lesen.