- GPT-5 en GPT-5.2 verbeteren wetenschappelijk en wiskundig redeneren, met toonaangevende resultaten in benchmarks zoals GPQA Diamond en FrontierMath.
- Modellen fungeren als co-piloten in onderzoek: ze helpen bij het oplossen van openstaande problemen, het optimaliseren van experimenten en het analyseren van literatuur, maar ze vereisen menselijke verificatie.
- De toepassing ervan strekt zich uit tot de geneeskunde, natte laboratoria, universiteiten en bedrijven, wat de productiviteit verhoogt, maar tegelijkertijd ethische, veiligheids- en regelgevingsuitdagingen met zich meebrengt.
De sprong voorwaarts die GPT-5 en GPT-5.2 teweeg hebben gebracht in wetenschappelijk onderzoek, herdefinieert de manier waarop wetenschap wordt bedreven : van de meest theoretische wiskunde tot natte laboratoriumexperimenten, en omvat biologie, natuurkunde, geneeskunde en geavanceerde materiaalkunde. Deze modellen genereren niet alleen rapporten; ze worden steeds vaker gebruikt als echte co-piloten in onderzoek, in staat om hypotheses te suggereren, te helpen bij het ontwerpen van experimenten en patronen in data te vinden die een persoon maanden zouden kosten om te ontdekken.
Tegelijkertijd zijn OpenAI en de rest van het wetenschappelijke ecosysteem heel duidelijk over één belangrijk punt : GPT-5 is geen "autonome wetenschapper" en ook geen vervanging voor de menselijke wetenschappelijke methode. Het functioneert eerder als een assistent met immense toegang tot literatuur, kwantitatieve instrumenten en gestructureerde redeneermogelijkheden, wat het werk kan versnellen, maar nog steeds deskundige begeleiding, verificatie en een grote mate van kritisch oordeel van onderzoekers vereist.
GPT-5 en GPT-5.2: Nieuwe generaties modellen voor wetenschap en wiskunde
OpenAI heeft 11 december 2025 vastgesteld als de cruciale datum voor de officiële lancering van GPT-5.2 , de versie die het bedrijf beschrijft als zijn meest geavanceerde model tot nu toe voor wetenschappelijke en wiskundige taken. Het afgelopen jaar heeft het bedrijf nauw samengewerkt met onderzoekers in vakgebieden zoals wiskunde, natuurkunde, biologie en informatica om een praktisch inzicht te krijgen in waar AI daadwerkelijk waarde levert en waar het nog tekortschiet.
Dit werk heeft geresulteerd in casestudies in uiteenlopende disciplines , van astronomie tot materiaalkunde, waarin GPT-5 en later GPT-5.2 een rol hebben gespeeld in specifieke onderdelen van de onderzoeksprocedure: het herontwerpen van bewijzen, het verkennen van alternatieve testmethoden, het herzien van simulatiecode, het synthetiseren van artikelen en het voorstellen van kleine protocolvariaties. Volgens OpenAI begint GPT-5.2 niet alleen af en toe verbeteringen te vertonen, maar ook stabielere en reproduceerbare resultaten.
Binnen de GPT-5.2-familie vallen twee gespecialiseerde varianten voor wetenschap en wiskunde op: GPT-5.2 Pro en GPT-5.2 Thinking . Beide zijn geoptimaliseerd voor diepgaand redeneren en veeleisende technische taken, waarbij een kleine fout een hele analyse kan verpesten. GPT-5.2 Pro geeft prioriteit aan nauwkeurigheid en precisie, waardoor er meer tijd is om te redeneren, terwijl GPT-5.2 Thinking zich richt op het intelligent bepalen wanneer er meer "denktijd" nodig is en wanneer er sneller gereageerd moet worden.
Deze filosofie van "gelaagd redeneren" was al aanwezig in het ontwerp van GPT-5 met de GPT-5 Thinking- modus . Deze modus fungeert als een interne router die de complexiteit van een vraag, de beschikbare context en de benodigde tools (bijv. toegang tot Python) evalueert voordat een antwoord wordt gegenereerd. Eenvoudige vragen worden snel beantwoord; voor complexe problemen worden langere en explicietere redeneerketens geactiveerd.
In het dagelijks gebruik kunnen gebruikers kiezen uit verschillende GPT-5-redeneermodi : "Auto", waarbij het model zelf bepaalt hoeveel tijd het aan het probleem besteedt; "Instant", waarbij snelheid prioriteit krijgt boven diepgang; "Thinking", voor meer doordachte en analytische antwoorden; en "Pro", de meest rigoureuze en veeleisende optie, ontworpen voor taken waarbij nauwkeurigheid belangrijker is dan snelheid. Het is belangrijk om te weten dat GPT-5 een betaald model is, toegankelijk via een abonnement of betaling per gebruik, wat met name relevant is voor instellingen die gevoelige gegevens beheren of instellingen met een beperkt onderzoeksbudget.
Prestaties in benchmarks: GPQA, FrontierMath en FrontierScience
De verbetering van GPT-5.2 in wetenschappelijk onderzoek is niet alleen gebaseerd op subjectieve indrukken, maar ook op resultaten van gespecialiseerde benchmarks . Een van de meest geciteerde is GPQA Diamond, een reeks meerkeuzevragen op universitair niveau over natuurkunde, scheikunde en biologie, ontworpen om geavanceerd redeneervermogen te meten en niet alleen memorisatie.
In GPQA Diamond behaalde GPT-5.2 Pro een succespercentage van 93,2% en GPT-5.2 Thinking een percentage van 92,4% , zonder externe hulpmiddelen en met de redeneerinspanning op maximaal. Met andere woorden, het model moest problemen "zelfstandig" oplossen, uitsluitend met behulp van zijn interne analytische vermogens. Deze cijfers plaatsen het duidelijk boven eerdere generaties en bevestigen zijn rol als assistent bij zeer complexe probleemoplossings- en begripsvraagstukken.
Een andere benchmarktest is FrontierMath (niveau 1-3) , een geavanceerde wiskundetoets waarbij een Python-tool gebruikt mag worden. In dit scenario lost GPT-5.2 Thinking 40,3% van de problemen op met maximale redeneerinspanning. Hoewel dit percentage voor een ongeoefend oog misschien bescheiden lijkt, vertegenwoordigt het een aanzienlijke vooruitgang op een gebied waar de meeste eerdere modellen nauwelijks bruikbare resultaten behaalden.
Naast de cijfers benadrukt OpenAI dat deze vooruitgang een verbetering weerspiegelt in de algehele abstractie- en redeneermogelijkheden , en niet slechts een specifieke vaardigheid die is geoptimaliseerd voor één bepaalde benchmark. Ze koppelen deze mogelijkheden direct aan alledaagse wetenschappelijke workflows: het programmeren van simulaties, statistische data-analyse, het ontwerpen en verfijnen van experimenten en het interpreteren van resultaten.
Parallel daaraan heeft OpenAI een breder raamwerk geïntroduceerd, genaamd FrontierScience , dat is ontworpen om de prestaties van modellen zoals GPT-5 te evalueren op werkelijk nieuwe wetenschappelijke problemen die geen deel uitmaken van de trainingsdata. FrontierScience omvat uitdagingen in de biologie, chemie, natuurkunde, wiskunde, informatica en sociale wetenschappen, die niet alleen theoretische kennis vereisen, maar ook planning, kritisch denken en generalisatievermogen.
Uit eerste analyses blijkt dat GPT-5 zeer goed presteert wanneer de taak kan worden opgedeeld in duidelijke, logische stappen , maar dat het blijft worstelen wanneer creatieve intuïtie of een diepgaand begrip van de experimentele context vereist is. Dit sluit aan bij de steeds vaker voorkomende opvatting onder AI-experts: huidige generatieve modellen zijn krachtige ondersteunende tools, maar ze vervangen niet de creativiteit, intuïtie of verantwoordelijkheid van de menselijke wetenschapper.
Een exemplarisch voorbeeld: het oplossen van open problemen in de wiskunde.
Een van de meest treffende voorbeelden van het gebruik van deze modellen in de pure wetenschap is te vinden in de statistische leertheorie, waar GPT-5.2 Pro heeft bijgedragen aan de oplossing van een open probleem met betrekking tot de monotoniciteit van leercurven voor maximum likelihood-schatters. De onderliggende vraag is intuïtief: als we meer data toevoegen aan een correct gespecificeerd statistisch model, zou de verwachte fout dan altijd moeten afnemen, of zou deze, in ieder geval in sommige segmenten, juist kunnen verslechteren?
Eerder onderzoek had aangetoond dat de leercurve onder bepaalde praktische omstandigheden niet altijd monotoon is en dat, wanneer er data wordt toegevoegd, de foutenmarge contra-intuïtief kan toenemen. Deze onderzoekslijn vloeit voort uit een probleem dat in 2019 werd aangekaart tijdens de Conference on Learning Theory (COLT) door Viering, Mey en Loog, wat leidde tot tal van daaropvolgende artikelen met concrete voorbeelden en strategieën om de monotoniciteit te herstellen.
Ondanks deze vooruitgang bleef één standaardgeval, dat bijna als een leerboek wordt beschouwd, onopgelost : een Gaussisch model met een bekend gemiddelde en een onbekende standaarddeviatie, waarbij het statistische model correct is en de gegevens een geïdealiseerde normale verdeling volgen. In dit klassieke scenario concludeert de nieuwe studie dat de traditionele intuïtie klopt en dat meer gegevens inderdaad leiden tot een voorspelbaar afnemende gemiddelde fout.
Het belangrijkste verschil in de studie, zoals OpenAI uitlegt, ligt niet alleen in het resultaat, maar ook in het proces . In plaats van het model stap voor stap te begeleiden met een gedetailleerd bewijsschema, presenteerden de auteurs het open probleem direct aan GPT-5.2 Pro en analyseerden ze nauwgezet het resulterende bewijs. Vervolgens valideerden ze het argument met externe experts in het veld, beoordeelden ze elke stap grondig en, nadat het bewijs was geconsolideerd, gebruikten ze het om het resultaat uit te breiden naar hogere dimensies en andere gangbare statistische modellen.
Deze aanpak illustreert treffend het opkomende type samenwerking tussen mens en AI in theoretisch onderzoek : het model suggereert mogelijke testtrajecten, waarbij mensen optreden als strenge beoordelaars die corrigeren, verfijnen en bepalen wat als een geldige bijdrage wordt geaccepteerd. Er is geen sprake van blinde delegatie, maar eerder van een combinatie van geautomatiseerde verkenning en deskundige controle.
GPT-5 als co-piloot voor onderzoek: van Erdős-nummer tot het natte laboratorium
Naast theoretische statistiek is GPT-5 ook in andere spraakmakende toepassingen gebruikt . OpenAI publiceerde bijvoorbeeld een artikel waarin hun model, in samenwerking met een wiskundige van Columbia University, helpt bij het oplossen van een complex open probleem in de getaltheorie dat verband houdt met de nalatenschap van Erdős. Het model hielp bij het onderzoeken van vermoedens, het verifiëren van tussenstappen en het voorstellen van alternatieve benaderingen die vruchtbaar bleken.
Een ander voorbeeld dat veel aandacht heeft gekregen, is de identificatie van een specifieke verandering in menselijke immuuncellen binnen enkele minuten , een taak waar een team van wetenschappers voorheen maanden over deed. GPT-5 stelde een specifiek experiment voor om een hypothese over deze verandering te testen; de onderzoekers herhaalden het experiment en bevestigden dat de suggestie correct was, waardoor de gebruikelijke cyclus van vallen en opstaan aanzienlijk werd verkort.
Deze resultaten maken deel uit van een bredere beweging binnen de technologie-industrie richting de wetenschappelijke sector . Anthropic heeft bijvoorbeeld aangekondigd dat zijn chatbot Claude wordt geïntegreerd in tools die worden gebruikt door onderzoeksgroepen en bedrijven in de biowetenschappen. Google heeft een 'co-wetenschapper' geïntroduceerd die is ontworpen om nieuwe hypothesen te formuleren en benadrukt dat zijn open-source Gemma-model heeft bijgedragen aan de ontdekking van een potentiële nieuwe benadering voor kankertherapieën.
OpenAI heeft op zijn beurt een speciale wetenschappelijke afdeling opgericht en mensen als Alex Lupsasca aangetrokken, bekend om zijn theoretisch werk over zwarte gaten . De plannen van het bedrijf omvatten de ontwikkeling van een soort "geautomatiseerde AI-onderzoeksstagiair" op korte termijn en, verder vooruitkijkend, een vrijwel volledig geautomatiseerde onderzoekstool binnen enkele jaren, altijd met de menselijke onderzoeker als centraal uitgangspunt.
In het natte laboratorium zijn GPT-5 en zijn opvolgers nuttig gebleken als hulpmiddel bij het optimaliseren van experimentele protocollen . Op basis van relevante literatuur en eerdere gegevens kan het model suggesties doen voor temperatuursomstandigheden, incubatietijden, doseringen van reagentia of combinaties van controles en herhalingen. In diverse gerapporteerde gevallen hebben kleine aanpassingen, voorgesteld door het model, de prestaties van chemische reacties verbeterd of de tijd die nodig was om bruikbare resultaten te verkrijgen aanzienlijk verkort.
Het gebruik van GPT-5 in de geneeskunde en de klinische praktijk.
Een van de gebieden waar GPT-5 een zeer concrete praktische impact heeft, is de geneeskunde , zowel in de klinische praktijk als in het onderzoek. Om te beginnen heeft het model zich gevestigd als een hulpmiddel voor het analyseren van complexe klinische rapporten (laboratoriumtests, beeldvormende onderzoeken, postoperatieve rapporten, enz.), waarbij beknopte samenvattingen met de belangrijkste bevindingen worden gegenereerd die professionals tijd besparen.
De procedure is eenvoudig: de arts of onderzoeker uploadt de tekst van het rapport of een afbeelding van het document en vraagt om een samenvatting of de extractie van de meest relevante punten . GPT-5 levert een beknopte versie met mogelijke diagnoses, belangrijke bevindingen of aanbevelingen voor vervolgonderzoek. Dit gebeurt echter altijd onder de voorwaarde dat de professional de informatie beoordeelt en valideert voordat er beslissingen worden genomen.
Een andere krachtige toepassing is het genereren van hoogwaardige medische content , van klinische samenvattingen tot concepten van wetenschappelijke artikelen of informatiemateriaal voor patiënten. Op basis van een paar natuurlijke taalprompts (bijvoorbeeld: "schrijf een samenvatting over een patiënt met aanhoudende koorts en spierpijn") produceert het model coherente en goed gestructureerde teksten die professionals kunnen bewerken en aanpassen aan hun behoeften. Hoogwaardige medische content gegenereerd door AI kan het schrijfproces versnellen, uiteraard met menselijke controle.
GPT-5 kan ook differentiële diagnoses suggereren op basis van de symptomen en de anamnese zoals beschreven door de zorgverlener . Het vervangt geen klinisch oordeel, maar biedt een onderbouwde lijst met mogelijkheden, aanvullende onderzoeken die overwogen moeten worden, of alarmsignalen die uitgesloten moeten worden. In gevallen zoals een 50-jarige patiënt met vermoeidheid, een droge hoest en kortademigheid, kan het systeem waarschijnlijke diagnoses opsommen en onderzoeken suggereren zoals een röntgenfoto van de longen, bloedonderzoek, longfunctietesten of virustests.
Wat betreft gepersonaliseerde zorg, helpt GPT-5 bij het afstemmen van behandelplannen en preventiestrategieën op het profiel van de patiënt, mits de gegevens anoniem en met strikte naleving van de privacy worden ingevoerd. Voor een 70-jarige patiënt met hypertensie, diabetes type 2 en chronische nierziekte kan het model bijvoorbeeld geïntegreerde behandelstrategieën, risicofactorbeheersing, leefstijladviezen en richtlijnen voor langdurige follow-up opstellen, gebaseerd op klinische richtlijnen.
Tot slot wordt GPT-5 gebruikt als een intelligente zoekmachine voor medische literatuur . De professional stelt een vraag in natuurlijke taal ("Welke recente studies zijn er over telegeneeskunde voor chronische ziekten?") en het model vindt en vat relevante werken samen, waardoor ze op de hoogte blijven zonder handmatig eindeloze databases te hoeven doorzoeken. Zoekmachines en tools zoals NotebookLM vergemakkelijken de organisatie en samenvatting van literatuur voor professionals.
Kwaliteit van reacties, hallucinaties en veiligheid
Een terugkerende kritiek op eerdere generaties modellen, zoals O3 en O3-Pro, was hun neiging tot misleiding : ze citeerden weliswaar echte artikelen, maar trokken daaruit onjuiste conclusies of maakten verkeerde extrapolaties. Onderzoekers op het gebied van polymeren voor materiaalkunde of biologische signaalroutes hebben gemeld dat GPT-5 dit gedrag duidelijk verbetert, door relevantere literatuur te citeren en interpretaties te bieden die beter aansluiten bij de oorspronkelijke teksten.
Het technische document van OpenAI geeft aan dat GPT-5 het aantal feitelijke fouten aanzienlijk vermindert in vergelijking met GPT-4o en hun eigen o3-model , vooral wanneer de modus voor diepgaand redeneren is geactiveerd. In gecontroleerde omgevingen bedraagt de reductie bijna 45% ten opzichte van GPT-4o en tot wel 80% ten opzichte van o3 bij bepaalde taken, dankzij een combinatie van verbeterde training, interne verificatietechnieken en een zorgvuldiger ontwerp van het beveiligingsbeleid.
Desondanks erkent OpenAI zelf in een artikel dat GPT-5 nog steeds onjuiste aannames maakt of gegevens fabriceert , zelfs wanneer deze zeer betrouwbaar lijken. Daarom benadrukken ze, net als veel academici, dat elke output van het model moet worden beschouwd als een te testen hypothese, en niet als een absolute waarheid. In wetenschappelijk onderzoek, waar reproduceerbaarheid en verifieerbaarheid van het grootste belang zijn, is dit onderscheid cruciaal.
De kwestie van beveiliging gaat verder dan technische en wetenschappelijke nauwkeurigheid . Toegang tot krachtige modellen zoals GPT-5 zou, zonder adequate controle, de verspreiding van gevoelige kennis op het gebied van bioveiligheid, gevaarlijke chemie en andere gevoelige vakgebieden kunnen faciliteren. Dit heeft geleid tot een internationaal debat over modellen voor gecontroleerde toegang, logboekregistratie en auditing, traceerbaarheid van verzoeken en beveiligingsfilters op meerdere niveaus. Hulpmiddelen zoals extensies voor het identificeren van AI-content maken deel uit van het ecosysteem voor risicobeperking.
Organisaties die GPT-5 voor onderzoek gebruiken, moeten samenwerken met juridische teams, functionarissen voor gegevensbescherming en ethische commissies . Functies zoals juridische specialisten in zorginstellingen en functionarissen voor gegevensbescherming spelen een centrale rol bij het waarborgen van naleving van de regelgeving, de vertrouwelijkheid van gegevens en het verantwoord beheer van resultaten die met behulp van AI zijn verkregen.
Nieuwe vaardigheden voor onderzoekers, universiteiten en bedrijven
Het toepassen van GPT-5 in wetenschappelijk onderzoek gaat niet alleen over het installeren van een nieuw instrument, maar ook over het verwerven van nieuwe vaardigheden . Onderzoekers moeten leren effectieve prompts te formuleren, reacties kritisch te interpreteren, de rol van het model in het proces te documenteren en suggesties te integreren in experimentele of theoretische protocollen zonder de traceerbaarheid te verliezen. Hulpmiddelen voor het formuleren van effectieve prompts en het personaliseren van de interactie zijn essentieel.
Universiteiten en onderzoeksinstellingen beginnen hun opleidingsprogramma's aan te passen om modules over AI-geletterdheid, ethiek, algoritmische vooringenomenheid, gegevensbescherming en intellectueel eigendom, gegenereerd met behulp van modellen zoals GPT-5, op te nemen. Dit heeft niet alleen gevolgen voor de STEM-vakken, maar ook voor de sociale wetenschappen en de geesteswetenschappen, waar AI wordt gebruikt om grote hoeveelheden tekst, enquêtes of historische gegevens te analyseren.
Financieringsinstanties en stichtingen die wetenschappelijke projecten ondersteunen, zullen ook duidelijke regels moeten opstellen voor het gebruik van GPT-5 in voorstellen, artikelen en rapporten . Deze regels omvatten onder meer het vermelden of er gebruik is gemaakt van AI, het specificeren van de modelversie, het gedetailleerd beschrijven van de validatie van de resultaten en het duidelijk aangeven welke delen van het werk daadwerkelijk door mensen zijn uitgevoerd en welke door het systeem zijn ondersteund.
GPT-5 heeft daarnaast een directe impact op marketing, zakelijke communicatie en wetenschappelijke communicatie . Biotechnologie-, medische technologie- en deeptechbedrijven kunnen het gebruiken om klantgegevens te analyseren, gespecialiseerde content te genereren, complexe reacties te automatiseren en onderzoeksresultaten te vertalen naar begrijpelijke boodschappen voor investeerders, partners of het grote publiek.
Platformen zoals SendApp onderzoeken precies dit snijvlak tussen geavanceerde AI en conversatiekanalen , door GPT-5 via officiële API's te koppelen aan WhatsApp Business. Dit stelt een laboratorium bijvoorbeeld in staat om de nieuwste resultaten met partners te delen, technische vragen van internationale klanten te beantwoorden of een deel van de wetenschappelijke verspreiding te automatiseren, met behoud van een consistente en professionele toon.
Voor teams die veel interactie verwerken, kan de integratie van GPT-5 in conversatiemanagementsystemen de efficiëntie verbeteren : het model suggereert antwoorden, classificeert verzoeken, vat technische documentatie samen en voedt intelligente chatbots die de context kunnen behouden, waarbij een mens altijd de mogelijkheid heeft om de chat te controleren of de controle over te nemen wanneer de situatie daarom vraagt.
Als we al deze toepassingen samen bekijken, ontpoppen GPT-5 en GPT-5.2 zich als centrale onderdelen van een nieuwe manier van wetenschappelijk onderzoek , waarbij de modellen fungeren als ideeëngeneratoren, hulpmiddelen voor uitgebreid literatuuronderzoek, ondersteuning bij wiskundige bewijzen en virtuele laboratoriumassistenten. De uiteindelijke verantwoordelijkheid blijft bij wetenschappers, artsen en menselijke teams, maar de snelheid waarmee hypotheses worden getest, alternatieve paden worden verkend en uiteenlopende resultaten met elkaar worden verbonden, wordt aanzienlijk verhoogd. Dit luidt een tijdperk in waarin vijf jaar werk met goed geïntegreerde AI gelijk kan staan aan tientallen jaren vooruitgang in het traditionele tempo.
