Ein neues Benchmarking-Verfahren für künstliche Intelligenz testet aktuelle Large Language Models an den Live-Vorhersagequoten der Fußball-Weltmeisterschaft. Das Start-up Obside hat eine praxisnahe Testumgebung implementiert, in der mehrere KI-Modelle, darunter ChatGPT, Gemini, Claude, Grok, Mistral, DeepSeek und Kimi, über die Plattform Polymarket auf WM-Spiele wetten. Eine Stunde vor Spielbeginn aktivieren die Systeme ihren Agentenmodus, werten öffentliche Daten wie Teamkonfigurationen und Verletzungsmeldungen aus und legen anschließend fest, wie viel von einem virtuellen Startkapital von zehntausend US-Dollar eingesetzt wird. Diese Methodik übertrifft herkömmliche statische Benchmarks, indem sie spezifisch die Fähigkeit der Modelle zur Urteilsbildung unter Unsicherheit quantifiziert. Nach den Halbfinalspielen führt das Open-Source-Modell Mistral die Rangliste an, gefolgt von OpenAIs GPT-5.5. Das Claude-Modul von Anthropic belegt den letzten Platz und ist das einzige Modell, das ein negatives Ergebnis verzeichnet. Branchenbeobachter werten dies als Hinweis darauf, dass die strengen Sicherheits- und Risikokriterien von Anthropic die wettbasierte Entscheidungsfindung künstlich bremsen. Das Experiment verdeutlicht einen wichtigen Trend im KI-Evaluationsprozess. Statt standardisierter Testdatasets kommen zunehmend reale, dynamische Szenarien zum Einsatz, die messen, ob ein System verfügbare Informationen effektiv in präzise Prognosen umwandeln kann, bevor das Endergebnis feststeht. Solche wettbasierten Benchmarks liefern entscheidende Erkenntnisse darüber, wie frontier Modelle mit unvollständigen Daten und sich wandelnden Wahrscheinlichkeiten umgehen. Die Ergebnisse speisen sich direkt in die Debatte über die praktische Nützlichkeit von KI-Agenten in volatilen Sektoren ein. Da traditionelle Metriken zur Sprachgenerierung oder logischen Schlussfolgerung zunehmend an Unterscheidungsvermögen verlieren, sucht die Tech-Branche nach ergebnisorientierten Alternativen. Die WM-Wettsimulation bietet eine klare Messgröße für die tatsächliche Entscheidungsqualität autonomer Systeme. Während die Prognosegenauigkeit von Datenqualität und Systemarchitektur abhängt, liegt der Kernwert in der realistischen Abbildung von Unsicherheitslagen. Diese Testarchitektur hat das Potenzial, sich künftig als etablierter Standard zur Leistungsprüfung von KI in unsicheren Marktumfeldern zu etablieren.