Warum der Turing-Test im KI-Zeitalter seine Bedeutung verloren hat

In einem kontrollierten fünfminütigen Gespräch aus dem Jahr 2024 hielten die Teilnehmenden GPT-4 in 54 Prozent der Fälle für einen Menschen. In einer späteren Drei-Parteien-Studie kam GPT-4.5 auf 73 Prozent, nachdem das Modell eine menschliche Persönlichkeit annehmen sollte. Diese Zahlen beweisen nicht, dass ein Sprachmodell zu einer Person geworden ist. Sie zeigen, dass ein kurzes Textgespräch eine schwache Methode ist, Menschen und Maschinen zu unterscheiden.

Darum eignet sich der Turing-Test nicht mehr als allgemeine Prüfung von Intelligenz. Er misst weiterhin, ob ein System unter bestimmten Regeln ein menschliches Gespräch nachahmen kann. Er sagt nicht, ob das System die Welt versteht, eigene Fehler prüft, langfristig plant oder eine reale Aufgabe zuverlässig erledigt.

Was Turing tatsächlich vorgeschlagen hat

Alan Turing begann seinen Aufsatz von 1950, “Computing Machinery and Intelligence”, mit der Frage: „Können Maschinen denken?“ Er wollte die Begriffe „Maschine“ und „denken“ nicht zuerst endgültig definieren. Stattdessen beschrieb er ein Imitationsspiel. Ein menschlicher Fragesteller kommuniziert per Text mit zwei verborgenen Teilnehmern: einem Menschen und einer Maschine.

Der Fragesteller muss entscheiden, welcher Teilnehmer die Maschine ist. Wenn die Maschine dieses Urteil unzuverlässig macht, hat sie das Spiel gewonnen. Stimme, Aussehen und Körper spielen keine Rolle; bewertet werden Sprache und sichtbares Schlussfolgern im Gespräch.

Das war ein kluger wissenschaftlicher Schritt. Denken kann man nicht direkt beobachten, Gesprächsverhalten dagegen kann man aufzeichnen und beurteilen. Später wurde aus dieser Verhaltensannäherung eine angeblich vollständige Theorie der Intelligenz.

Sprache ist zu einer optimierbaren Oberfläche geworden

Sprachmodelle lernen aus riesigen Mengen menschlicher Texte und erzeugen plausible Fortsetzungen. Ein Test, dessen sichtbares Ziel menschliches Sprachverhalten ist, kommt ihnen deshalb entgegen.

Ein Modell braucht keine eigene Kindheit, um eine überzeugende Kindheitserinnerung zu schreiben. Es braucht keine privaten Gefühle, um empathisch zu antworten. Es braucht auch kein dauerhaftes persönliches Gedächtnis, um einige Minuten lang eine Figur zu spielen. Solche Verhaltensweisen lassen sich aus Sprachmustern, Anweisungen und dem Gesprächskontext erzeugen.

Der Stil ist leicht zu verändern: Umgangssprache, kurze Antworten, gelegentliche Tippfehler, gespielte Unsicherheit oder ein Themenwechsel bei schwierigen Fragen. Natürliche Kommunikation ist für einen Assistenten nützlich. Der Fehler liegt darin, die Qualität der Oberfläche mit den Fähigkeiten dahinter gleichzusetzen.

Der Test belohnt Darstellung statt Zuverlässigkeit

Ein zuverlässiger Assistent sollte Fakten und Vermutungen trennen, Quellen nennen, fehlende Belege zugeben, nach Kontext fragen und vor riskanten Aktionen anhalten. In einem lockeren Gespräch kann das weniger menschlich wirken, weil Menschen widersprüchlich sind und sich oft selbstbewusst irren.

Das Imitationsspiel setzt andere Anreize. Eine erfundene persönliche Erfahrung, ein kleiner Fehler oder eine ausweichende Antwort können die menschliche Wirkung verbessern. Das Ziel ist, den Prüfer zu überzeugen, nicht die beste Antwort zu liefern.

Ein Modell kann deshalb die Testleistung steigern, ohne genauer oder leistungsfähiger zu werden. Dann prüft der Test vor allem, ob ein Prüfer soziale Hinweise richtig einordnet.

Was die neueren Experimente zeigen

Die vorregistrierte Studie von Jones und Bergen aus dem Jahr 2024 verglich ELIZA, GPT-3.5, GPT-4 und menschliche Teilnehmende in fünfminütigen Gesprächen. GPT-4 wurde in 54 Prozent der Fälle als Mensch eingestuft; die menschlichen Vergleichspersonen erreichten 67 Prozent.

Die Aussage ist nicht, dass GPT-4 „fast ein Mensch“ sei. Die Aussage ist, dass eine Identitätsentscheidung in einem kurzen Gespräch schwierig wird. Stil und soziale-emotionale Hinweise hatten laut der Analyse mehr Gewicht als klassische Vorstellungen von Intelligenz.

Die Studie “Large Language Models Pass the Turing Test” aus dem Jahr 2025 berichtete 73 Prozent für GPT-4.5 mit menschlicher Persona, 56 Prozent für Llama 3.1 sowie 21 und 23 Prozent für GPT-4o und ELIZA. Diese Veröffentlichung ist ein arXiv-Preprint und muss entsprechend vorsichtig gelesen werden. Die starke Abhängigkeit von Modell, Persona und Protokoll ist dennoch unübersehbar.

Menschlich wirken heißt nicht verstehen

Ein System kann eine überzeugende Antwort erzeugen, ohne ein verlässliches Weltmodell zu besitzen. Es kann Gefühle beschreiben, ohne sie zu erleben, eine Beweisführung erklären und kurz danach einen einfachen logischen Fehler machen. Es kann auf eine frühere Nachricht verweisen, ohne dauerhaft zu wissen, mit wem es spricht.

Das beweist nicht, dass Sprachmodelle keinerlei Verständnis besitzen. Es beweist, dass der Turing-Test diese Frage nicht entscheiden kann. Dasselbe äußere Verhalten kann aus sehr unterschiedlichen inneren Prozessen entstehen, die ein Textprotokoll nicht sichtbar macht.

Echte Arbeit verlangt Zustandsverwaltung, Eingabeprüfung, korrekten Werkzeugeinsatz, Fehlererkennung, Planänderung und nachvollziehbare Protokolle. Ein gutes fünfminütiges Gespräch sagt wenig über eine sechsstündige Recherche oder eine mehrstufige Softwareänderung aus.

Auch der umgekehrte Fall ist wichtig. Ein Schachprogramm oder ein wissenschaftliches System kann Menschen in einem Fachgebiet übertreffen, ohne menschliche Gespräche zu imitieren. Menschlicher Gesprächsstil ist eine mögliche Form intelligenten Verhaltens, aber keine Definition von Intelligenz.

Die praktische Frage hat sich umgedreht

Das ursprüngliche Spiel fragte, ob eine Maschine jemanden glauben lassen kann, sie sei ein Mensch. Heute müssen wir eher Herkunft, Berechtigung und Verantwortlichkeit einer Interaktion prüfen.

Eine menschlich klingende Nachricht kann von einem Bot stammen. Eine künstlich klingende Nachricht kann von einem müden Menschen geschrieben, übersetzt oder redigiert worden sein. Rathi und Kollegen zeigten, dass Menschen und Modelle beim Bewerten fertiger Transkripte ungenauer werden, wenn sie nicht aktiv nachfragen dürfen. Der beste GPT-4-Zeuge wurde häufiger für menschlich gehalten als die menschlichen Zeugen.

Das betrifft Betrug, gefälschte Konten, die Nachahmung von Kundendienst und automatisierte politische Kommunikation. Sprachstil ist kein belastbarer Identitätsnachweis. Identität braucht Authentifizierung, Inhalte brauchen Herkunftsnachweise und wichtige Aktionen brauchen Berechtigungen und Protokolle.

Was sollte an seine Stelle treten?

Eine einzige Ersatzprüfung gibt es nicht, weil Intelligenz mehrere messbare Seiten hat. Fakten brauchen versteckte Tests und Quellenprüfung; Schlussfolgerungen brauchen adversariale und kontrafaktische Aufgaben; Arbeitsfähigkeit braucht End-to-End-Ergebnisse; Zuverlässigkeit braucht Kalibrierung, gute Verweigerungen, geprüfte Tool-Aufrufe, Kosten-, Latenz- und Stabilitätsmessungen.

Der Turing-Test kann als kleiner Test für soziales Täuschungsrisiko bleiben. Er zeigt, ob ein Dialogsystem einen überzeugenden menschlichen Eindruck erzeugt. Das ist für Interface-Design und Sicherheitsforschung interessant. Es reicht nicht, um Intelligenz, Bewusstsein oder Vertrauen zu zertifizieren.

Turing hatte recht, eine schwer definierbare Frage in ein beobachtbares Experiment zu übersetzen. Nicht mehr funktioniert die Idee, ein einziges beobachtbares Verhalten als universelle Skala zu benutzen. Eine Maschine kann menschlich klingen, ohne zuverlässig zu sein; ein System kann sehr leistungsfähig sein, ohne menschlich zu klingen. Der Test ist nicht verschwunden. Er gehört nur in eine andere Kategorie.