Das Versprechen
Die aktuellen Reasoning-Modelle GPT-5, Claude 4.5 und Gemini 3 werden mit räumlichem Denken auf menschlichem Niveau beworben. Jüngste Tests der Community mit dem „Car Wash Logic Test“ deuten darauf hin, dass physikalischer Alltagsverstand weiterhin ein erheblicher Engpass für agentische Automatisierung ist. Manche Modelle verstehen grundlegende physikalische Einschränkungen, andere gewichten numerische Nähe stärker als funktionale Anforderungen.
Unter der Haube
Claude 4.5 Opus und Claude 4 Sonnet erkennen richtig, dass man ein Fahrzeug zur Autowaschanlage fahren muss (Mastodon/HN). Auch Googles Gemini 3 Pro und seine „Fast“-Varianten bestehen diesen Test zum räumlichen Denken problemlos (Mastodon/HN). Diese Modelle halten die Verbindung zwischen der Aufgabe (das Auto waschen) und dem nötigen Zustand (das Auto ist vor Ort) aufrecht.
GPT-5.2 fällt trotz seiner starken Reasoning-Fähigkeiten häufig durch: Es schlägt vor, die 50 m zur Waschanlage ohne Fahrzeug zu Fuß zu gehen (Mastodon/HN). Das ist ein Lehrbuchfall von „Over-Reasoning-Halluzination“: Das Modell gewichtet die Bequemlichkeit eines kurzen Fußwegs stärker als die funktionale Anforderung der Aufgabe. Offenbar sind die Gewichte des Modells zu stark auf Distanzoptimierung ausgerichtet, auf Kosten des gesunden Menschenverstands.
Bei allen SOTA-Modellen beobachten wir zudem einen anhaltenden „Hedging-Bias“: Sie relativieren logische Gewissheiten mit Formulierungen wie „Die meisten Autowaschanlagen …“ (HN). Das geht auf Alignment-Vorgaben aus dem Post-Training zurück, die Modelle weniger schroff machen sollen. Es erschwert aber agentische Workflows im Produktionseinsatz. Wenn ein Agent nicht eindeutig sagen kann, dass man für eine Autowäsche ein Auto braucht, kann man ihm keine autonome Logistik anvertrauen.
Ältere Reasoning-Modelle wie o3-mini lösen diese Aufgaben nur, wenn der Prompt als Rätsel formuliert ist. Das deutet auf eine fehlende logische Verankerung hin (Mastodon/HN).
Unsere Einschätzung
Wenn Sie agentische Workflows mit physischer Logistik oder räumlicher Koordination ausliefern, ist GPT-5.2 ein Risiko. Technisch ist es brillant, funktional aber begriffsstutzig, ein wenig wie ein Junior-Entwickler, der einen Sortieralgorithmus optimiert, während der Server buchstäblich in Flammen steht. Setzen Sie auf Claude 4.5 Opus für alle Aufgaben, bei denen das physische „Wie“ genauso zählt wie das „Was“.