AI-modellen scoren nu 63% op wetenschappelijke taken

TL;DR

• Wat: Terminal-Bench-Science 0.1, een nieuwe benchmark voor wetenschappelijk onderzoek, laat zien dat GPT-6 Astra en Claude Opus 5.5 rond de 63% scoren op echte onderzoekstaken.
• Waarom relevant: dit meet niet of AI tekst kan genereren, maar of het zelfstandig wetenschappelijk werk kan uitvoeren — van data-analyse tot simulaties.
• Wat je ermee kunt: volg hoe snel AI-modellen wetenschappelijke taken leren uitvoeren, want dat bepaalt straks wat je kunt uitbesteden aan AI in kennisintensief werk.

Ik viel deze week over een bericht van Artificial Analysis op X: ze lanceerden hun leaderboard voor Terminal-Bench-Science 0.1, een benchmark die meet hoe goed AI-modellen zelfstandig wetenschappelijk onderzoek kunnen doen. GPT-6 Astra scoort 63%, Claude Opus 5.5 zit op 62%. Wat mij hier opvalt, is niet zozeer welk model wint — maar wat die scores zeggen over waar AI nu staat.

Wat is Terminal-Bench-Science?

Terminal-Bench-Science 0.1 is een benchmark die in augustus 2026 werd aangekondigd. Het project wordt geleid door onderzoekers van Stanford University, in samenwerking met het Terminal-Bench-team en het Harbor-framework. Wat het bijzonder maakt: 376 wetenschappers uit 22 landen hebben er taken voor aangeleverd.

De benchmark bevat 70 taken, verdeeld over vijf wetenschappelijke domeinen: levenswetenschappen, natuurkunde, aardwetenschappen, wiskunde en techniek. Elk model krijgt een taak die je normaal als onderzoeker zou uitvoeren — denk aan het analyseren van een dataset, het kalibreren van een model, het uitvoeren van een simulatie, of het bewijzen van een wiskundige stelling. Het AI-model moet dit zelfstandig doen, in een gesandboxte terminalomgeving.

Van de 920 ingediende voorstellen zijn er uiteindelijk 70 geselecteerd. Dat geeft aan hoe streng de selectie was: alleen taken die écht uitdagend zijn voor de huidige generatie AI-modellen én wetenschappelijk valide zijn, haalden de benchmark.

De scores: wat zeggen ze?

Volgens het leaderboard dat Artificial Analysis publiceerde, scoort GPT-6 Astra (op de hoogste compute-instelling, "max") 63% en Claude Opus 5.5 (op "xhigh") 62%. Dat klinkt misschien als een mager zesje op een schoolrapport, maar de context maakt het interessant.

Toen de benchmark in augustus werd gelanceerd, scoorde het beste model — destijds Claude Opus 5 — slechts 30%. In een maand tijd is dat meer dan verdubbeld. Dat komt deels doordat er nieuwere modellen zijn getest (GPT-6 Astra en Claude Opus 5.5 zijn recenter), maar het tempo is opvallend.

Een kanttekening die ik belangrijk vind: de standaardfout op deze benchmark ligt volgens bronnen rond de ±3,5 tot ±5 procentpunten. Dat betekent dat het verschil tussen 63% en 62% statistisch gezien te klein is om te zeggen dat het ene model beter is dan het andere. Het is in feite gelijkspel.

Hoe wordt er getest?

Elk model draait drie onafhankelijke pogingen per taak. De beoordeling gebeurt niet door mensen die subjectief kijken, maar door geautomatiseerde tests die de taakauteur zelf heeft geschreven. Het model moet concrete resultaten opleveren — een analyse, een simulatie, een bewijs — en die moeten kloppen. Dat maakt het een stuk lastiger dan een meerkeuzevraag beantwoorden.

Waarom dit anders is dan andere benchmarks

Ik denk dat dit type benchmark dichter bij de werkelijkheid staat dan veel eerdere tests. De meeste benchmarks die je tegenkomt — MMLU, HumanEval, zelfs GPQA Diamond — meten in essentie of een model het juiste antwoord kan kiezen of een stukje code kan schrijven. Terminal-Bench-Science meet iets fundamenteel anders: kan een AI-model een heel werkproces uitvoeren?

Stel dat je als ondernemer een R&D-afdeling hebt, of dat je werkt met externe onderzoekers. De vraag is niet meer alleen "kan AI een vraag beantwoorden over scheikunde?" maar "kan AI zelfstandig een experiment opzetten, data analyseren en tot een conclusie komen?" Dat is een wezenlijk ander niveau.

Wat mij betreft is 63% dan ook geen teleurstellend cijfer. Het betekent dat huidige AI-modellen bijna twee op de drie wetenschappelijke onderzoekstaken zelfstandig kunnen uitvoeren — taken die normaal door opgeleide wetenschappers worden gedaan. Dat was een jaar geleden ondenkbaar.

Wat betekent dit voor ondernemers?

Ik wil eerlijk zijn: voor de meeste MKB-ondernemers is dit niet iets waar je morgen direct mee aan de slag gaat. Terminal-Bench-Science meet wetenschappelijke onderzoekstaken, niet het schrijven van een offerte of het analyseren van je kwartaalcijfers.

Maar de richting is wat telt. Als AI-modellen nu 63% scoren op complexe wetenschappelijke workflows, dan is de kans groot dat vergelijkbare verbeteringen ook plaatsvinden in andere kennisintensieve domeinen. Denk aan:

• Productontwikkeling: stel dat je een voedingsmiddelenbedrijf hebt en je wilt de houdbaarheid van een nieuw product testen. AI die zelfstandig data-analyse en simulatie kan uitvoeren, kan dat proces versnellen.
• Marktonderzoek: het zelfstandig doorwerken van grote hoeveelheden onderzoeksdata en daar conclusies uit trekken — dat is precies het type taak waar deze benchmark op test.
• Technische R&D: voor bedrijven die werken met materiaalonderzoek, chemie of techniek, wordt het steeds realistischer om AI in te zetten als onderzoeksassistent.

Kun je je voorstellen wat het betekent als je een AI-agent kunt inzetten die twee op de drie onderzoeksvragen zelfstandig kan beantwoorden? Dat verandert de rekensom voor veel bedrijven die nu externe experts inhuren.

De benchmark evolueert mee

Een detail dat ik waardevol vind: Terminal-Bench-Science is opgezet als een doorlopende benchmark. Regelmatig worden er nieuwe taken toegevoegd, bestaande taken die te makkelijk worden voor AI-modellen worden uitgefaseerd, en onduidelijke taken worden verbeterd. Dat voorkomt het probleem dat veel benchmarks hebben: dat modellen er specifiek op getraind worden en de scores daardoor misleidend hoog worden.

Dit is volgens mij een gezonde ontwikkeling. Het betekent dat je als buitenstaander de scores over tijd kunt blijven volgen en er een redelijk betrouwbaar beeld aan kunt ontlenen van hoe AI-modellen verbeteren op echt werk.

Een kort perspectief

Voor mij is dit vooral een signaal dat AI-modellen snel voorbij het stadium komen van "slim antwoorden geven" naar "zelfstandig werk uitvoeren." Het verschil tussen die twee is groot. Een model dat een wetenschappelijke vraag juist beantwoordt, is handig. Een model dat zelfstandig een heel onderzoeksproces doorloopt — data ophalen, analyseren, simuleren, concluderen — is een potentiële collega.

Of die collega nu 63% of 62% scoort, maakt weinig uit. Dat beide modellen rond dat niveau zitten, en dat dit niveau in een maand verdubbeld is ten opzichte van de eerste meting, vind ik eerlijk gezegd het meest opvallende aan dit hele verhaal.