Drei Jahre offenes Rätsel, gelöst in Minuten: Was GPT-5 in der Immunologie geleistet hat

Das Rätsel, das drei Jahre niemand lösen konnte

Ende 2025 stieß Immunologe Derya Unutmaz vom Jackson Laboratory for Genomic Medicine auf einen Datensatz, den er eigentlich schon abgehakt hatte. Drei Jahre zuvor hatte sein Labor beobachtet, dass T-Zellen in einer Umgebung mit wenig Glukose deutlich seltener zu einem bestimmten Zelltyp heranreiften als in einer Umgebung mit einem Glukose-Hemmstoff. Warum das so war, blieb unklar. Das Team schob den Datensatz beiseite und wandte sich dringenderen Projekten zu.

T-Zellen sind zentrale Akteure des Immunsystems: Sie bekämpfen Viren, töten Krebszellen und unterscheiden körpereigenes Gewebe von Bedrohungen. Je nachdem, in welche Richtung sie sich spezialisieren, können sie den Verlauf von Krebs, Autoimmunerkrankungen oder Infektionen maßgeblich beeinflussen. Zu verstehen, was diese Differenzierung steuert, ist deshalb medizinisch hochrelevant.

GPT-5 Pro liefert die Hypothese – in Minuten

Als GPT-5 Pro im Herbst 2025 erschien, lud Unutmaz die alten Rohdaten ins Modell. Das Ergebnis war verblüffend: GPT-5 Pro schlug vor, dass der Glukose-Hemmstoff Deoxyglukose die Produktion des Proteins IL-2 stört. Dieses Protein verhindert normalerweise, dass T-Zellen zu sogenannten Th17-Zellen werden – entzündungsfördernden Immunzellen. Fehlt IL-2, fällt diese Bremse weg. Das würde erklären, warum T-Zellen in der Deoxyglukose-Umgebung häufiger zu Th17-Zellen wurden als unter echtem Glukosemangel.

Die Hypothese war nicht nur plausibel – sie war auch testbar. Unutmaz‘ Labor führte die vorgeschlagenen Folgeexperimente durch und konnte die Erklärung bestätigen. GPT-5 hatte nicht nur eine Erklärung geliefert, sondern auch gleich den nächsten experimentellen Schritt mitgedacht.

Was das Modell wirklich getan hat – und was nicht

Es wäre falsch, den Fall als „KI löst Wissenschaft“ zu lesen. GPT-5 hat keine eigenständige Entdeckung gemacht. Es hat Muster in bereits existierenden, unveröffentlichten Daten erkannt, eine mechanistische Hypothese formuliert und Folgeexperimente vorgeschlagen – alles innerhalb weniger Minuten. Die eigentliche Validierung, das Labor-Experiment, lag weiterhin beim Menschen.

OpenAI positioniert GPT-5 dabei bewusst nicht als Ersatz für Experten, sondern als Beschleuniger innerhalb professioneller Forschungsabläufe. Ähnlich wie beim Projekt Daybreak, bei dem KI automatisch Sicherheitslücken analysiert und patcht, geht es auch hier nicht darum, menschliches Urteilsvermögen zu ersetzen – sondern darum, den Tempo-Engpass im Prozess zu beseitigen.

Der Fall Unutmaz ist zudem kein Einzelbeispiel. In einer begleitenden Publikation auf ArXiv dokumentiert OpenAI weitere Fälle: Mathematiker nutzten GPT-5, um den finalen Schritt eines jahrzehntealten Beweises zu vervollständigen. Physiker setzten das Modell für Symmetrieanalysen ein. Das Muster ist jeweils dasselbe: Ein Mensch mit tiefer Fachkenntnis, ein KI-Modell als analytisches Werkzeug, ein konkreter Erkenntnisschritt als Output.

Kein PR-Märchen, aber auch kein Selbstläufer

Skeptiker werden zu Recht darauf hinweisen, dass OpenAI selbst die Quelle dieser Erfolgsgeschichten ist. Das Unternehmen kuratiert die Cases, formuliert das Framing und profitiert direkt vom Aufmerksamkeitsgewinn. OpenAI hat ein wirtschaftliches Interesse daran, das eigene Modell in einem möglichst vorteilhaften Licht zu zeigen – das sollte beim Lesen dieser Cases mitgedacht werden.

Auf der Metascience-Konferenz 2025 mahnte Dr. Matt Clancy, Experte für Wissenschaftsinnovation, zur Nüchternheit: Die neuen KI-Werkzeuge bedeuteten keine grundlegende Veränderung dessen, was es bedeutet, Wissenschaftlerin oder Wissenschaftler zu sein. Und auch aus Deutschland gibt es differenzierte Stimmen: Michael Franke, Professor für Sprachwissenschaft und Informatik an der Universität Tübingen, sieht GPT-5 vor allem als Produktoptimierung – kein technischer Durchbruch in Richtung echter künstlicher Intelligenz.

Was das für Unternehmen bedeutet

Für Marketer, Händler und Gründer im DACH-Raum ist der immunologische Durchbruch auf den ersten Blick weit weg. Tatsächlich ist das zugrundeliegende Muster aber hochrelevant: GPT-5 funktioniert dann am besten, wenn ein Experte das Modell mit konkreten, strukturierten Daten und einem klar formulierten Problem füttert. Das Modell beschleunigt die Hypothesenbildung und spart Iterationsschleifen – aber es setzt menschliche Expertise voraus, nicht voraus.

Das bedeutet: Wer GPT-5 wie ein Orakel befragt, wird enttäuscht. Wer es als analytisches Werkzeug im eigenen Fachkontext einsetzt – ob in der Marktforschung, im Performance-Marketing oder in der Produktentwicklung – kann tatsächlich Tempo gewinnen. OpenAI treibt die Integration in immer mehr berufliche Workflows voran, von der Gesundheitsberatung bis zum Einkauf. Der Fall Unutmaz zeigt: Das Potenzial ist real – aber nur, wenn die Anwendung präzise ist.

Quellen

• OpenAI – How GPT-5 helped immunologist Derya Unutmaz solve a 3-year-old mystery
• OpenAI – Early experiments in accelerating science with GPT-5
• Forschung & Lehre – Potential von KI in der Forschung: Hype und Enttäuschung
• ingenieur.de – Generelle KI: Warum GPT-5 noch weit von echter Intelligenz entfernt ist

Beitragsbild: Foto von Artem Podrez auf Pexels