BioBasicsBench: OpenAI prüft KI mit 100 Aufgaben aus dem Nasslabor

OpenAI hat in Zusammenarbeit mit dem Biotechnologieunternehmen Ligo einen neuen Bewertungsstandard namens BioBasicsBench vorgestellt. Das Testverfahren dient dazu, künstliche Intelligenz anhand von rohen experimentellen Nachweisen und direkten Instrumentenausgaben aus Nasslabor-Aufgaben (Wet-Lab) zu evaluieren.

Wie aus Berichten vom 6. November 2026 hervorgeht, ist der Prüfkatalog über das Forschungsportal von OpenAI zugänglich und enthält Aufgabenbeschreibungen, Evaluierungsskripte sowie entsprechende Referenzdaten.

100 Aufgaben aus fünf biologischen Kernbereichen

Der Prüfkatalog umfasst 100 Aufgaben aus fünf Disziplinen: Proteinmethoden, Bildgebung und Zytometrie, Quantifizierung und Assays, Nukleinsäuremethoden sowie molekulares Klonieren. Als Datengrundlage dienen unbearbeitete Versuchsdaten wie Gele, Kolonieplatten, mikroskopische Aufnahmen, Sequenzierungsdaten, Instrumentenausgaben und Laborvideos.

Zur Qualitätssicherung durchlief jede Aufgabe ein dreistufiges Prüfverfahren, an dem Wissenschaftler von Ligo, ein externer promovierter Nasslabor-Forscher sowie ein interner Prüfer beteiligt waren.

Im Rahmen der Untersuchung testete OpenAI sieben Modelle in insgesamt 37 Modell- und Reasoning-Konfigurationen mit jeweils fünf Durchläufen pro Aufgabe, woraus 18.500 Einzelergebnisse resultierten. OpenAI stellte klar, dass die ausgewiesenen Werte den Anteil der erreichten Rubrik-Punkte widerspiegeln und nicht die Erfolgsquote vollständig korrekter Experimente darstellen.

Während die Wissenschaft neue Benchmarks für KI-Modelle setzt, schafft der Gesetzgeber den rechtlichen Rahmen für deren Einsatz in Unternehmen. Dieser kostenlose Download verschafft Ihnen den Überblick über Fristen und Pflichten, den Ihre Rechts- und IT-Abteilung jetzt dringend braucht. EU AI Act in 5 Schritten verstehen: Fristen, Pflichten und Risikoklassen kompakt erklärt

Durchwachsene Resultate der unternehmenseigenen Systeme

Bei der höchsten Reasoning-Stufe erreichte das Modell GPT-6 Astra 66,7 Prozent der Rubrik-Punkte bei einem 95-Prozent-Konfidenzintervall von 60,3 bis 73,1 Prozent und einem Verbrauch von 4.704 Output-Token pro Aufgabe. GPT-6.1 Sol kam auf 62,0 Prozent (Konfidenzintervall 55,6 bis 68,4 Prozent, 5.238 Token).

Dahinter folgten GPT-5.6 Sol mit 43,8 Prozent (37,6 bis 50,0 Prozent, 9.099 Token), GPT-6 Luna mit 38,3 Prozent (32,3 bis 44,5 Prozent, 13.120 Token), GPT-5.5 mit 35,4 Prozent (29,7 bis 41,0 Prozent, 11.135 Token), GPT-5.4 mit 33,2 Prozent (28,3 bis 38,4 Prozent, 13.717 Token) sowie GPT-5.2 mit 31,2 Prozent (26,2 bis 36,3 Prozent, 27.620 Token).

Die Tests offenbarten deutliche Schwächen bei praktischen wissenschaftlichen Abläufen. So interpretierte GPT-6 Astra in einem Klonierungs-PCR-Test Kontrollen falsch, was im Experiment zur Reinigung des falschen Plasmids geführt hätte.

Bei der Zählung von Kolonien lag dasselbe Modell rund 12 Prozent über der Benchmark-Referenz, da es tatsächliche Kolonien übersah und stattdessen leeren Agar markierte. Positiv fiel demgegenüber auf, dass GPT-6 Astra in einer Aufgabe erkannte, dass ein Detektor Licht zweier verschiedener Farbstoffe erfassen kann und bloße Helligkeit nicht zwingend einen Zelltod belegt.

Der Einsatz leistungsfähiger KI-Systeme in hochsensiblen Bereichen unterliegt bereits heute strengen regulatorischen Vorgaben. Erfahren Sie in diesem kostenlosen Report, welche Systeme als Hochrisiko eingestuft werden und was Unternehmen bei der Dokumentation jetzt konkret tun müssen. Welche KI-Systeme gelten als Hochrisiko – und was müssen Unternehmen jetzt konkret tun?

Grenzen bei autonomen Entscheidungen im Labor

Nach Angaben von OpenAI soll der Benchmark vor allem dazu beitragen, Optimierungsbedarfe beim wissenschaftlichen Fortschritt sowie im Bereich der biologischen Sicherheit zu ermitteln.

Frühe Resultate deuten darauf hin, dass moderne Spitzenmodelle zwar bei der strukturierten Extraktion von Daten überzeugen, jedoch deutliche Schwächen beim kontextbezogenen Urteilsvermögen zeigen, wenn Ergebnisse mehrdeutig ausfallen oder Laborprotokolle angepasst werden müssen.

In Branchenberichten wird darauf hingewiesen, dass in der Auswertung Vergleichsmodelle von Wettbewerbern fehlen und die Veröffentlichung ausschließlich herstellereigene Ergebnisse umfasst. Zudem belege die Ankündigung keine ausreichende Verlässlichkeit für unüberwachte wissenschaftliche Entscheidungen; die genannten Leistungswerte gälten bis zu einer unabhängigen Reproduktion als reine Herstellerangaben.