Artificial Analysis baut seinen Intelligence Index um: Version 4.3 verschiebt den Blick auf KI-Leistung
Artificial Analysis hat seinen Intelligence Index auf Version 4.3 aktualisiert. Das klingt erst einmal nach Routine. Ist es aber nicht. Solche Updates entscheiden mit darüber, welche Modelle als stark gelten – und nach welchen Fähigkeiten die Branche schaut.
Der wichtigste Punkt: In Version 4.3 wurden Benchmarks ausgetauscht. Terminal-Bench v2.1 ist raus, v4.0 kommt rein. Dazu wird der Benchmark 𝜏³-Banking durch AutomationBench-AA ersetzt. Das ist mehr als Kosmetik. Wer Benchmarks austauscht, verschiebt den Fokus. Modelle müssen dann bei anderen Aufgaben liefern, um im Ranking gut auszusehen.
Genau das ist für Anbieter von Sprachmodellen heikel. Ein Modell kann auf einer älteren Testmischung stark wirken und nach einem Update abrutschen. Nicht weil es schlechter geworden ist, sondern weil die Messlatte anders gesetzt wird. Rankings sind deshalb nie nur ein Leistungsnachweis. Sie sind auch ein Statement darüber, was gerade als wichtige KI-Fähigkeit gilt.
Im Fall von Grok 4.3 passt das ins Bild. Für das Modell wird eine verbesserte Leistung im Artificial-Analysis-Index genannt, bei sinkenden Kosten für die Ausführung der Benchmark-Suite. Dazu kommt die Positionierung rund um agentische Aufgaben. Genau dort wird der Wettbewerb enger. Es reicht längst nicht mehr, bei klassischen Wissens- oder Coding-Tests ordentlich abzuschneiden. Modelle sollen Arbeitsabläufe anstoßen, Zwischenschritte sauber abarbeiten und in komplexeren Tool-Ketten stabil bleiben.
Das macht Updates wie 4.3 wichtig für alle, die Modelle einkaufen oder in Produkte einbauen. Wer nur auf einen einzelnen Rang schaut, verpasst den eigentlichen Punkt. Entscheidend ist, welche Tests in das Ranking einfließen und wie teuer es ist, diese Leistung zu erreichen. Wenn ein Modell bei ähnlicher Qualität günstiger wird, ist das im API-Geschäft ein harter Vorteil.
Auch die Größenordnung der Messung zeigt, wohin die Reise geht. Bei einem vollständigen Lauf des Intelligence Index wurden 83 Millionen Output-Token erfasst, zuvor waren es 63 Millionen. Das ist ein deutlicher Sprung. Solche Benchmark-Suiten werden aufwendiger, teurer und näher an realen Nutzungsmustern. Für kleine Anbieter ist das keine gute Nachricht. Wer nicht genug Rechenbudget hat, kann im Wettkampf um Sichtbarkeit schnell hinten runterfallen.
Für Entwickler und Teams heißt das: Benchmarks bleiben nützlich, aber sie taugen nicht als Abkürzung für Produktentscheidungen. Wenn sich die Testbasis ändert, ändern sich oft auch die Sieger. Wer ein Modell auswählt, sollte deshalb weniger auf den Hype um einzelne Plätze schauen und mehr auf Preis, Geschwindigkeit und Passung zum eigenen Einsatz.
Version 4.3 ist deshalb kein kleines Tabellen-Update. Es ist ein Hinweis darauf, dass sich die Bewertung von KI weiter weg von statischen Punktzahlen bewegt – und hin zu praxisnäheren, agentischen Aufgaben. Genau dort wird sich in den nächsten Monaten entscheiden, welche Modelle im Alltag wirklich vorne liegen.
