Wie hoch ist der IQ der KI? Die Zahl, die ihren Maßstab verlor.

Warum ein Sprachmodell mit IQ 155 nicht klüger ist als eines mit 140 — und warum die Zahl trotzdem überall stehen wird.

"Intelligenz ist, was der Test testet."

— Edwin G. Boring, „Intelligence as the Tests Test It" (1923)

9. Juli 2026

Spielplatz:

Dieser Artikel stellt eine harmlose Frage — welchen IQ hat die KI? — und man kann dabei zusehen, wie sie sich beim Beantworten auflöst.

Verschiedene Modelle, verschiedene Fähigkeiten — ergo verschiedene IQs. Die Logik klingt sauber. Sie hat nur einen Fehler: Sie behandelt den IQ als messbare Eigenschaft. Der IQ ist keine messbare Eigenschaft. Er ist ein Rang — eine Position innerhalb einer Testgruppe, die denselben Test aus demselben Grund besteht. Nimm die Gruppe weg, und die Zahl bleibt bestehen wie ein Zollstock, aus dem man die Einheiten entfernt hat. Die Hypothese dieses Textes: Die Frage nach dem IQ der KI ist nicht falsch beantwortet, sie ist falsch gestellt — und wird trotzdem beantwortet werden, von allen, dauernd, aus vielen guten Gründen. Das ist keine Panne. Das ist Struktur.

Anfang 2023 setzt der finnische Psychologe Eka Roivainen ChatGPT vor die verbalen Untertests des meistgenutzten Intelligenztests der Welt. Wortschatz, Allgemeinwissen, Analogien. Das Ergebnis, hochgerechnet: Verbal-IQ: 155. Besser als 99,9 Prozent der Menschen, die den Test normiert haben. Roivainen veröffentlicht den Befund in Scientific American, vorsichtig, mit allen Einschränkungen.

Ungefähr zur selben Zeit scheitert dieselbe Modellfamilie öffentlich und wiederholt an einer anderen Aufgabe: Zählen, wie viele r im Wort „strawberry" stecken.

IQ 155. Und drei Buchstaben sind einfach zu viel. Beides ist wahr. Und genau das ist der Befund.

Die hierarchische Zuordnung

Der IQ-Test wurde nie gebaut, um Intelligenz zu messen wie ein Thermometer die Temperatur misst. Er wurde gebaut, um Menschen zu sortieren. Der Mittelwert liegt bei 100 — nicht weil jemand das gemessen hätte, sondern weil es so definiert ist. Die Skala ist die Testgruppe. Ein IQ von 130 sagt nichts über einen hellen Kopf aus; er sagt etwas über einen hellen Kopf aus, im Verhältnis zu allen anderen weniger oder mehr hellen Köpfen, die denselben Test absolvierten.

Der Unterschied macht es sichtbar: Die Elo-Zahl im Schach hat den Einfall der Maschinen überlebt. Mensch 2850, Engine 3600 — die Zahlen sind vergleichbar, weil Elo Partien zählt, und Mensch und Maschine dieselben Partien spielen. Elo misst ein Spiel. Der IQ jedoch misst Zugehörigkeit.

Die Frage „Welchen IQ hat die KI?" fragt also: Welchen Rang hat ein Nichtmitglied in einem Verein inne, dem es nicht angehört? Die Frage nach dem Beobachter kehrt zurück, eine Ebene tiefer — diesmal steht nicht zur Debatte, wer messen darf, sondern ob das Lineal in einem Raum misst, für den es nicht geschnitzt wurde.

Das Geflecht, das nicht mitmachte

Warum funktioniert der Test bei Menschen überhaupt? Charles Spearman fand 1904 die Antwort, die bis heute trägt: Bei Menschen korreliert fast alles mit fast allem. Wer gut Vokabeln kann, löst im Schnitt auch Matrizen besser, merkt sich Zahlenreihen besser, rechnet schneller. Spearman nannte den gemeinsamen Faktor g. Das Geflecht dieser Korrelationen ist der Grund, warum ein Test mit vierzig Aufgaben etwas über tausend ungeprüfte Fähigkeiten aussagen darf. Der Test misst nicht die Aufgaben. Er misst die Fähigkeit, innerhalb des Geflechts zu kombinieren.

Sprachmodelle haben dieses Geflecht nicht. IQ 155 im Verbalteil, Totalausfall beim Buchstabenzählen — beim Menschen wäre das ein neurologischer Notfall, beim Modell ist es Dienstag statt Montag. Die Fähigkeiten hängen nicht aneinander, weil sie nicht aus einer gemeinsamen Architektur stammen, sondern aus den Zufällen der Trainingsverteilung. Man hat dafür ein Wort gefunden: jagged intelligence, gezackte Intelligenz — Gipfel neben Abgründen, ohne erkennbaren Übergang.

Der Schluss von der Stichprobe aufs Ganze war die einzige Rechtfertigung des Tests. Bei einem System ohne Geflecht schließt die Stichprobe auf gar nichts. Die Zahl steht da. Sie zeigt nur nach überall und nirgends. Mal hierhin, mal dorthin.

Die Zahl, die trotzdem stehen bleibt

Und jetzt der Teil, der aus der Messfrage eine PI macht. Denn die Zahl wird nicht verschwinden. Sie wird sich vervielfachen.

Die Labore brauchen Vergleichbarkeit — für Fortschrittsnachweise, für Kapital, für Talent. Also gibt es Benchmarks. Die Medien brauchen eine Zahl, die in eine Überschrift passt — „IQ 155" leistet das, eine Formulierung wie „inkonsistentes Fähigkeitsprofil ohne positives Manifold" (Spearman) leistet das nicht. Die Nutzer brauchen Orientierung ohne Fachstudium — eine Rangzahl ist Orientierung in ihrer billigsten, schnellsten Form. Und die Modelle selbst werden auf die Tests hin optimiert, teils absichtlich, teils weil die Tests längst in den Trainingsdaten schwimmen. Die Forschung zur Benchmark-Kontamination zeigt: Die selben Fragen anders gestellt genügen, und der IQ bricht ein. Das Modell kannte die Prüfung. Goodhart in Reinkultur — sobald die Messgröße selbst zum Ziel wird, erübrlgt sich die Messung.

Jeder dieser Akteure handelt vernünftig. Zusammen produzieren sie eine Zahl, die umso weniger bedeutet, je öfter sie gebraucht wird — und je öfter sie gebraucht wird, umso weniger bedeutet sie, weil eine bedeutungslose Zahl jedem Zweck gerecht wird.

Die IQ-PI

Eine Messgröße, die als Ordnungszahl innerhalb einer Population definiert ist, wird auf Systeme außerhalb jeder Population angewendet — und gewinnt genau dadurch an Umlauf, dass sie nichts mehr misst.

Alle handeln rational:

• Die Labore — veröffentlichen Benchmark-Scores (rational: ohne Vergleichszahlen kein Kapital, kein Talent, kein Nachweis)
• Die Medien — verdichten auf eine Zahl (rational: Orientierung muss in eine Überschrift passen)
• Die Nutzer — glauben der Zahl (rational: niemand kann vierzig Benchmarks selbst lesen)
• Die Modelle — werden zur Zahl hin optimiert (rational: Optimierung ist, was Optimierung tut)
• Ergebnis — die meistzitierte Kennzahl der Branche misst am wenigsten: strukturell, nicht gewollt

Alle sind schuldig. Keiner kann etwas dafür.

Die Zahl als Wurfgeschoss

Und dann gibt es die dritte Verwendung, die häufigste: der IQ als Wurfgeschoss. Niemand testet, aber alle werfen. Politiker attestieren einander zweistellige Werte, Kommentarspalten verteilen Ränge im Sekundentakt, und jede Debatte kennt den Moment, in dem einer dem anderen die Intelligenz abspricht — mit Zahl, versteht sich, die Zahl macht es objektiv. Nur: In dieser Verwendung findet kein Test statt. Nicht ein schlechter — keiner. Die Zahl wird beschworen, nicht erhoben, und sie wird genau deshalb beschworen, weil sie nach Labor klingt. Sie leiht der Beleidigung den weißen Kittel eines Verfahrens, das nie durchgeführt wurde. Die Standardisierung, die Normstichprobe, das Protokoll — der gesamte Apparat, der die Rangzahl im Labor trägt, wird zitiert und übersprungen im selben Atemzug. Was in diesem Moment tatsächlich messbar ist, ist exakt eine Person: die werfende. Sichtbar werden ihr Bedürfnis zu ranken, ihr Anspruch auf den Stuhl des Vergabekomitees, ihr Vertrauen darauf, dass niemand nach dem Protokoll fragt. Das Beobachter-Paradox in freier Wildbahn — ein selbsternanntes Komitee mit einem einzigen Mitglied, das sich seine Beobachtungsberechtigung im Wurf selbst ausstellt. Der Test beweist den Tester. Sonst nichts und niemanden.

Zwei Lineale, keine gemeinsame Messung

Navigieren wir statt zu lösen. Die Antwort auf die Ausgangsfrage lautet also: Das Messprinzip ist kein Bullshit. Es ist ortsgebunden. Der IQ misst zuverlässig — Ränge, in einer Population, deren Fähigkeiten zusammenhängen. Bullshit wird er erst beim Umzug: wenn die Zahl das Areal verlässt, auf dem sie gebaut wurde.

Denkbar wäre ein eigenes Lineal: ein KI-IQ, normiert an einer Population von Modellen, Mittelwert 100 per Definition, alles sauber. Er würde funktionieren. Und er würde exakt nichts über den Abstand zwischen Mensch und Maschine sagen — zwei parallele HIerarchien, kein gemeinsamer Maßstab, so wenig wie die Tabellenplätze zweier Ligen, die nie gegeneinander spielen. Wer den Abstand messen will, braucht ein gemeinsames Spiel. Melanie Mitchell und David Krakauer haben die Debatte kartiert, was Verstehen bei diesen Systemen überhaupt hieße — und schon über die Frage, was zu messen wäre, besteht keine Einigkeit. Vor dem Messen kommt das Geflecht. Vor dem Geflecht kommt der Begriff. Beides fehlt.

Bleibt Borings Satz von 1923: Intelligenz ist, was die Tests testen. Ein Jahrhundert lang klang das wie eine Verlegenheit, die das Geflecht der menschlichen Fähigkeiten stillschweigend reparierte. Bei der KI repariert nichts mehr. Die Tautologie steht nackt da — und wird trotzdem zitiert werden, mit Zahl, mit Nachkommastelle.

Dieser Text wurde von einem System mitgeschrieben, das keinen IQ hat. Nicht einen unbekannten. Keinen. Die Zahl, die Sie demnach in einer Überschrift lesen, misst nur die Überschrift.

Verwandte Beiträge

Auf piinteract.org:

• ["Metrics Gaming"] — Sobald der Benchmark das Ziel ist, misst er die Optimierung auf sich selbst. Goodhart, hier mit Nachkommastelle.
• ["See the Pattern, Not the Symptom"] — Die Zahl ist das Symptom. Das Muster ist ein System, das Orientierung billiger braucht, als Wahrheit zu haben ist.
• ["When Intelligence Becomes a Threat"] — Sortiert wird nach Höhe. Gefährlich wird es auf einer Achse, die kein Test im Angebot hat.
• ["Name the Paradox"] — Die Frage nach dem IQ der KI lässt sich nicht beantworten. Sie lässt sich benennen. Das ist mehr.

Siehe auch (externe Links):

Ich habe ChatGPT einem IQ-Test unterzogen. Das habe ich dabei herausgefunden (Roivainen, Scientific American, 2023) — Der Primärbericht des Testers selbst: Verbal-IQ 155 — mitsamt den Einschränkungen, die keine Überschrift übernommen hat.

„Allgemeine Intelligenz“, objektiv bestimmt und gemessen (Spearman, 1904) — Das Originaldokument des Geflechts: warum bei Menschen alles mit allem korreliert — die einzige Rechtfertigung des Testprinzips.

Neubetrachtung von Benchmark und Kontamination bei Sprachmodellen mit umformulierten Beispielen (arXiv)— Der empirische Beleg der Kontamination:  umformulierte Testfragen genügen, und der Score bricht ein. Das Modell kannte die Prüfung.

Die Debatte über das Verständnis in großen Sprachmodellen der KI (Mitchell & Krakauer, arXiv/PNAS)— Die Kartierung der Vorfrage: Bevor gemessen werden kann, müsste feststehen, was Verstehen hier überhaupt hieße. Es steht nicht fest.

Paradoxe Interaktionen (PI): Wenn rationale Akteure strukturell kollektiv irrationale Ergebnisse produzieren — nicht durch Versagen, sondern durch Struktur.

Alle sind schuldig. Keiner kann etwas dafür.

Peter Senner Thinking beyond the Tellerrand

contact@piinteract.org
https://piinteract.org

Ko-kreiert mit Claude (Anthropic) — zwei unvollständige Systeme, die die Lücken des anderen sichtbar machen.