Eine aktuelle Studie zeigt eine grundlegende Schwäche in den heutigen KI-Systemen auf: Selbst die leistungsfähigsten multimodalen Sprachmodelle sind nicht in der Lage, grundlegende visuelle Aufgaben zu bewältigen, die Kleinkinder bereits vor dem Sprechen meistern. Diese Erkenntnis wirft Fragen zur Leistungsfähigkeit und Anwendbarkeit von KI in alltäglichen Situationen auf. Während KI-Modelle in vielen Bereichen beeindruckende Fortschritte erzielt haben, bleibt ihre Fähigkeit zur visuellen Wahrnehmung hinter den Erwartungen zurück. Relevant ist in diesem Zusammenhang die Überlegung, welche spezifischen Fähigkeiten von KI-Systemen gefordert werden und wie diese in der Praxis umgesetzt werden können. Eine abschließende Bewertung der Situation ist zum jetzigen Zeitpunkt verfrüht, da die Forschung in diesem Bereich noch in den Kinderschuhen steckt. Entscheidend wird sein, wie sich die Technologie weiterentwickelt und ob die identifizierten Schwächen adressiert werden können.