Die ARC Prize Foundation hat 160 Spielrunden der aktuellen Frontier-Modelle GPT-5.5 (OpenAI) und Opus 4.7 (Anthropic) auf dem neuen ARC-AGI-3-Benchmark ausgewertet. Das Ergebnis ist ernüchternd: Beide Modelle lösen weniger als 1 % der Aufgaben – während Menschen diese ohne besondere Vorkenntnisse weitgehend problemlos bewältigen. Die Analyse identifiziert drei wiederkehrende systematische Fehlertypen, die das Scheitern erklären. ARC-AGI-3 gilt als besonders anspruchsvoller Test für allgemeine Schlussfolgerfähigkeit, da er explizit darauf ausgelegt ist, Modelle zu prüfen, die durch Memorisierung und Mustererkennung auf bekannten Trainingsdaten nicht bestehen können. Die Ergebnisse deuten darauf hin, dass aktuelle Large Language Models trotz enormer Parameterzahl und aufwendigem Post-Training fundamentale Schwächen bei der flexiblen, regelbasierten Induktion neuer Konzepte zeigen – eine Kernfähigkeit menschlicher Kognition. Die Studie liefert damit gezielte Hinweise, wo Reasoning-Architekturen und Trainingsverfahren verbessert werden müssen.