Code schreiben, Daten analysieren oder ein Manuskript vorbereiten: KI kann verschiedene Forschungsaufgaben erleichtern, ohne den Weg von einer Idee zu einem überprüften Ergebnis zu verkürzen. Ein von Google und Forschenden mit Verbindung zum MIT veröffentlichter Bericht beschreibt diese Diskrepanz anhand beobachteter Anwendungen und einer Befragung von Wissenschaftlerinnen und Wissenschaftlern in den USA und im Vereinigten Königreich. Er zeigt Zeitersparnisse auf, aber auch die Phasen, in denen sich die Arbeit anschließend häuft.
Bei bestimmten Aufgaben Stunden einsparen
Der im September 2026 veröffentlichte Bericht „AI in Science: Early Insights“ vereint drei Arten von Daten: eine Stichprobe von rund 15 Millionen Interaktionen mit Gemini, eine Bestandsaufnahme wissenschaftlicher KI-Modelle und eine Befragung von 637 aktiven Forschenden in den USA und im Vereinigten Königreich. Rund drei Viertel der befragten Forschenden geben an, dank KI Zeit zu sparen; die durchschnittliche angegebene Ersparnis beträgt fast sieben Stunden pro Woche, die hauptsächlich wieder in die Forschung investiert werden.
Dieser Durchschnitt gibt die Antworten einer Befragung wieder, keine für jede Aufgabe gemessene Zeit und auch keine allen Wissenschaftlerinnen und Wissenschaftlern garantierte Ersparnis. Die Autorinnen und Autoren weisen außerdem darauf hin, dass die Stichprobe der Forschenden nicht als repräsentativ für die Gesamtheit der Wissenschaftlerinnen und Wissenschaftler gelten darf. Die Studie wurde von Google und Google DeepMind durchgeführt, die Gemini entwickeln: Ihre Ergebnisse bieten einen nützlichen Einblick in die Nutzung, doch die Herkunft ist wichtig, wenn man Aussagen über die Verbreitung ihrer Werkzeuge bewertet.
Die beschriebenen Anwendungen beschränken sich nicht auf dialogbasierte Assistenten. Große Sprachmodelle, kurz LLMs, werden insbesondere zum Schreiben oder Korrigieren von Forschungscode, zur Untersuchung von Daten, für Literaturübersichten und zur Vorbereitung von Dokumenten genutzt. Spezialisierte Modelle kommen bei stärker eingegrenzten Aufgaben zum Einsatz, etwa bei der Vorhersage von Proteinstrukturen oder bei Simulationen. Dem Bericht zufolge ergänzen sich diese Modellfamilien eher, als dass sie einander ersetzen: Sie führen nicht genau dieselben Aufgaben aus.
Eine Hypothese aufzustellen heißt nicht, sie zu überprüfen
Forschung schreitet schrittweise voran. Eine Frage muss formuliert, Daten müssen analysiert, eine Erklärung vorgeschlagen und anschließend mit einem Experiment oder anderen Belegen abgeglichen werden. KI kann bestimmte vorgelagerte Arbeitsschritte beschleunigen; die materiellen Mittel oder Beobachtungen, die nötig sind, um jeden Ansatz zu überprüfen, stellt sie nicht automatisch bereit.
Hier verortet der Bericht eine Verschiebung des Engpasses. Mehr als vier von zehn befragten Forschenden geben an, dass sich ihre wichtigste Einschränkung auf spätere Phasen verlagert hat, etwa auf die Durchführung im Labor, die klinische Validierung oder die Datenerhebung vor Ort. Gleichzeitig melden 41 % eine Anhäufung noch ungeprüfter Hypothesen. Diese Zahlen spiegeln die Antworten einer Befragungsstichprobe wider und sind keine universelle Zählung ausstehender wissenschaftlicher Projekte.
Der Gegensatz ist konkret: Ein Team kann Ansätze schneller entwickeln oder prüfen und zugleich durch die Zahl der durchführbaren Experimente, den Zugang zu Geräten, die verfügbaren Daten oder die für die Analyse erforderliche Zeit eingeschränkt bleiben. In Bereichen, in denen sich eine Hypothese durch Berechnungen bewerten lässt, eignen sich bestimmte Schritte eher für eine Beschleunigung. Doch auch Simulationen können erhebliche Rechenleistung erfordern, teuer sein und von der Qualität der Daten abhängen.
Die Überprüfung beansprucht einen Teil der Zeitersparnis
Ein schnell erzeugtes Ergebnis ist deshalb noch kein wissenschaftlich gesicherter Befund. Code muss ausgeführt und überprüft werden. Eine Analyse muss anhand der Daten geprüft werden. Ein Vorschlag in den Lebenswissenschaften kann Laborversuche erfordern, eine Schlussfolgerung in den Naturwissenschaften ein Experiment. Die Überprüfung fällt je nach Fachgebiet unterschiedlich aus, bleibt aber Teil der Arbeit.
Von den Wissenschaftlerinnen und Wissenschaftlern, die angeben, Zeit einzusparen, sagen 89 %, dass sie mehr als ein Zehntel dieser gewonnenen Zeit für die Überprüfung der KI-Ergebnisse aufwenden. Bei 46 % beträgt der Anteil mehr als ein Viertel. Die eingesparte Zeit verschwindet also nicht unbedingt: Sie kann zwischen zusätzlicher Forschung und der Kontrolle von Ergebnissen, die von einem System erzeugt oder unterstützt wurden, aufgeteilt werden.
Der Bericht sagt nicht, dass diese Überprüfung die Zeitersparnisse zunichtemacht. Er zeigt vielmehr, dass eine Messung der Produktivität, die zählt, wie viele erste Arbeitsschritte schneller erledigt werden, ein unvollständiges Bild ergeben würde. Gelangen mehr Ansätze bis zum Experimentierstadium, während die Kapazitäten zur Überprüfung nicht Schritt halten, nimmt die Zahl der Hypothesen zu, ohne dass im gleichen Tempo bestätigte Entdeckungen entstehen.
Das Risiko, die einfachsten Fragen auszuwählen
Ein weiteres Umfrageergebnis betrifft die Art der Forschung, die begünstigt wird. Knapp die Hälfte der befragten Wissenschaftlerinnen und Wissenschaftler, nämlich 49 %, meint, dass KI sie zu vorsichtigeren, inkrementellen Projekten bewegt, bei denen Methoden und Vergleichskriterien bereits verfügbar sind. Umgekehrt geben 28 % an, dass KI es ihnen ermöglicht, risikoreichere Fragen anzugehen.
Dieser Unterschied beweist nicht, dass KI die Innovation in allen Fachgebieten verringert. Er macht eine mögliche Spannung sichtbar: Ein Werkzeug lässt sich leichter einsetzen, wenn die Aufgabe klar definiert ist und ein Ergebnis mit bestehenden Referenzwerten verglichen werden kann. Fragen, die über etablierte Methoden hinausgehen, können schwieriger zu bewerten sein, und ihre Antworten lassen sich womöglich nur mit größerem Aufwand überprüfen. Wenn Teams die am einfachsten zu bearbeitenden Ansätze bevorzugen, riskieren sie, mehr Arbeiten zu vorhersehbaren Fragen hervorzubringen, ohne die Grenzen des Wissens ebenso stark zu verschieben.
Die Auswahl der Experimente und Prioritäten bleibt daher zentral. KI kann dabei helfen, Optionen nach ihrer Machbarkeit oder Neuartigkeit einzuordnen, doch die Forschenden müssen entscheiden, welche Ansätze Ressourcen verdienen, welche warten können und wann eine Hypothese aufgegeben werden sollte. Dieses Urteil betrifft Einschränkungen, die das Modell nicht allein beheben kann: Ausrüstung, Budgets, Zugang zu Daten und der erwartete wissenschaftliche Wert.
Ergebnisse richtig einordnen
Diese Studie ist eine erste Bestandsaufnahme, kein Beweis dafür, dass sich der wissenschaftliche Fortschritt beschleunigt – oder verlangsamt. Die analysierten Interaktionen betreffen Gemini, und für die Befragung wurden Forschende in den USA und im Vereinigten Königreich rekrutiert. Die Autorinnen und Autoren weisen darauf hin, dass die Antworten nicht unbedingt die gesamte wissenschaftliche Gemeinschaft repräsentieren. Der Bericht selbst bezeichnet seine Ergebnisse als frühe Erkenntnisse zur Verbreitung, zu den wahrgenommenen Zeitersparnissen und zu den Einschränkungen in der Forschung.
Um zu beurteilen, was sich durch KI verändert, müssen daher drei Fragen getrennt betrachtet werden: Welche Aufgaben werden schneller erledigt, welcher Anteil der Zeit wird durch Überprüfungen beansprucht und wie viele Ansätze führen zu tatsächlich bestätigten Ergebnissen? Der Bericht dokumentiert vor allem die ersten beiden Fragen anhand von Nutzungsdaten und Angaben der Forschenden. Er erinnert daran, dass zwischen einer formulierten Hypothese und einer gesicherten Entdeckung noch Experimente, Daten und menschliche Überprüfung liegen.
Quellen
- AI in Science: Early Insights, Bericht von Google und Forschenden mit Verbindung zum MIT
- Vorstellung des Berichts durch Futura
Am National Cancer Institute, 2008. Symbolfoto zur Forschungsarbeit im Labor.
Bildnachweis: Rhoda Baer (Photographer) — Wikimedia Commons — Gemeinfrei.
