Hopp til hovedinnhold

OpenAI tester KI-agenter på våtlab-data: Astra scorer 66,7 prosent – fortsatt upålitelig

OpenAI og Ligo lanserer BioBasicsBench: 100 våtlab-oppgaver på rådata. GPT‑6 Astra scorer 66,7 prosent ved høy innsats, mot 43,8 for GPT‑5.6 Sol – fortsatt ikke pålitelig nok til autonome lab-avgjørelser.

Av Joachim HøgbyKilde: OpenAI

OpenAI lanserer BioBasicsBench, en ny test som måler om KI-agenter klarer hverdagsarbeidet i våtlab: tolke rå eksperimentdata, oppdage feil og innrømme når bevisene ikke holder. GPT‑6 Astra scorer 66,7 prosent ved høy resonneringsinnsats, mot 43,8 prosent for GPT‑5.6 Sol.

Kunngjøringen kom via OpenAIs offisielle blogg og X-konto fredag 6. november 2026 (Europa/Oslo). Benchmarken er utviklet sammen med biotek-selskapet Ligo, som jobber med enzymdesign, og bygger på 100 oppgaver fra ekte laboratorieeksperimenter.

Rå data, ikke ferdigpussede figurer

Ifølge OpenAI er eksisterende tester ofte laget rundt diagrammer og bilder som allerede er plukket ut til vitenskapelige artikler. BioBasicsBench skal i stedet speile det forskere møter hver dag: mislykkede forsøk, tvetydige bilder og motstridende observasjoner. Oppgavene dekker fem områder – proteinmetoder, imaging og cytometri, kvantifisering og assays, nukleinsyremetoder og molekylær kloning – og spenner fra å lese molekylvekt i en gel til mer detaljert assayanalyse.

Agentene får rå evidens som gel- og blot-bilder, koloniskåler, mikroskopi, instrumentutskrifter, sekvenseringsfiler og videoer fra benken. Svarene scores mot ekspertutformede rubrikker, slik at delvis korrekte analyser skilles fra fulle treff. Hver oppgave er ifølge OpenAI gjennomgått internt av en Ligo-forsker, eksternt av en PhD-nivå våtlab-forsker, og deretter internt på nytt.

Astra bedre – men fortsatt upålitelig

OpenAI evaluerte sju modeller over 37 innstillinger for resonneringsinnsats, med fem forsøk per oppgave (18 500 resultater totalt). Ved «xhigh»-innstilling fikk GPT‑6 Astra i snitt 66,7 prosent av tilgjengelig poengsum (95 % KI 60,3–73,1), mot 43,8 prosent for GPT‑5.6 Sol. OpenAI skriver at sterkere multimodal evne ser ut til å forklare mye av fremskrittet.

Samtidig viser selskapets egne feileksempler at Astra fortsatt kan la antakelser overstyre kontroller, undervurdere motstridende observasjoner og telle kolonier feil. OpenAI understreker at høyere benchmark-score ikke betyr at modellene er klare til å ta pålitelige lab-avgjørelser.

Dette betyr det for norske ledere

  • Lab-KI er et målbart produktkrav, ikke bare en demo. Hvis leverandører lover «KI som leser lab-resultater», spør etter konkrete benchmark-tall på rådata – ikke bare paper-figurer – og om modellene sier fra når evidensen er utilstrekkelig.
  • Risiko for feilkonklusjon i R&D. Feiltolkning av kontroller eller bilder kan sende forskere inn i dyre blindspor. For biotech, farmasi og medisinsk teknologi er dette et spørsmål om kvalitetssystem, ikke bare produktivitet.
  • Biosikkerhet følger med. OpenAI knytter eksplisitt bedre våtlab-ferdigheter til behovet for å følge biosikkerhets- og biosikkerhetsimplikasjoner. Ledere som ruller ut lab-agenter bør ha policy for hvilke oppgaver som er tillatt, og hvem som godkjenner konklusjoner.
  • Mennesket i løkken er fortsatt avgjørende. Selv Astra på toppinnstilling ligger langt under det en erfaren våtlab-forsker forventes å mestre. Bruk agentene som støtte til triage og kvalitetssjekk, ikke som autonom beslutningstaker.

Kilder og medier

Illustrasjon: KI-generert med Grok Bot / hogby.ai

Mer om AI

Oppskriften. Strategien. Hver dag.

AI-nyheter for ledere. Kuratert av en CIO som bygger det selv. Daglig i innboksen.