Künstliche Intelligenz Der Colt Peacemaker in der Wissenschaft

Künstliche Intelligenz erweitert den wissenschaftlichen Möglichkeitsraum und rückt den Erkenntnisgewinn gegenüber der individuellen Eigenleistung des Wissenschaftlers stärker in den Vordergrund. Ein Verzicht darauf würde das Ziel des wissenschaftlichen Erkenntnisprozesses ad absurdum führen.

Am 6. Oktober 2026 veröffentlichte OpenAI 722 Manuskripte, in denen mehr als dreihundert „teils sehr hochrangige“ mathematische Fragestellungen mit Hilfe Künstlicher Intelligenz behandelt wurden, wobei die Richtigkeit der Lösungswege jedoch bislang noch nicht überprüft wurde (Rauchhaupt, 2026; Speicher, 2026). „Der Tag der Mathe-Apokalypse“ sei damit angebrochen (Rauchhaupt, 2026). Ob dies tatsächlich der Fall ist, sei zunächst einmal dahingestellt. Tatsache freilich ist, daß die Künstliche Intelligenz die Wissenschaft verändert.

Als Künstliche Intelligenz wird dabei eine Familie unterschiedlicher Software bezeichnet, die in der Lage ist, auf der Grundlage großer Datenmengen Vorhersagen, Klassifikationen, Texte, Bilder, Programme oder andere Problemlösungen zu generieren (OECD, 2024). Dabei muß nicht mehr jeder einzelne Lösungsschritt vom Bediener eingeleitet werden; vielmehr lernen moderne KI-Systeme Strukturen aus Daten und können diese für die Lösung neuer Aufgaben anwenden. Für die Wissenschaft erweisen sich insbesondere die vier folgenden Ausprägungen als relevant:

Machine-Learning-Verfahren sind dafür ausgelegt, Muster in großen Datenbeständen zu erkennen und daraus Klassifikationen oder Prognosen abzuleiten (Allen et al., 2024; Jordan & Mitchell, 2015).
Der Zweck der Generativen KI, also insbesondere sogenannter Large Language Models (LLMs) wie ChatGPT, Claude oder Gemini, besteht in der Erkennung, Generierung, Übersetzung und Bearbeitung von Texten und Programmcodes (Bommasani et al., 2021).
Wissenschaftliche Foundation Models, die mit großen Mengen spezialisierter wissenschaftlicher Daten trainiert werden, können etwa medizinische Bilder oder komplexe physikalische Zusammenhänge analysieren (Moor et al., 2023).
KI-Agenten zerlegen komplexere Aufgaben in Arbeitsschritte, setzen geeignete Werkzeuge ein, beschaffen notwendige Informationen, führen Berechnungen durch und überprüfen Ergebnisse (Wang et al., 2024).

Für die Wissenschaft reicht das Anwendungsspektrum somit weit über das Schreiben von Texten hinaus; vielmehr kann KI auf nahezu allen Stufen des wissenschaftlichen Erkenntnisprozesses eingesetzt werden. So kann sie etwa in Form der Recherche und Auswertung der Literatur die Erschließung vorhandenen Wissens unterstützen. Zudem kann sie zur Erstellung wissenschaftlicher Texte inklusive der Übersetzung verwendet werden. Darüber hinaus kann KI im eigentlichen Forschungsprozeß unterstützend wirken, indem sie etwa bei der Datenaufbereitung und der statistischen Analyse oder bei der Erkennung von Mustern in sehr großen Datensätzen eingesetzt wird. Systeme wie AlphaFold sind etwa in der Lage, Probleme zu bearbeiten, die mit traditionellen Verfahren nur schwer gelöst werden können. Damit reicht das Spektrum der KI im Einsatzbereich der Wissenschaft von einer vergleichsweise einfachen Assistenzfunktion – etwa beim Übersetzen eines Textes – über methodische Unterstützung bei Programmierung und Datenanalyse bis zu einer partiellen Automatisierung des wissenschaftlichen Erkenntnisprozesses. KI verändert damit nicht nur die wissenschaftliche Produktionsfunktion, sondern erweitert den wissenschaftlichen Möglichkeitsraum: Sie gibt Forschern Methoden an die Hand, die ihnen aufgrund ihrer eigenen Fähigkeiten oder Ressourcen bislang kaum zugänglich waren und die diese Wissenschaftler zur Lösung von Fragestellungen einsetzen können, an denen sie bis dato gescheitert sind.

Insofern hat KI einen erheblichen Einfluß auf die Wissenschaft; die in diesem Kontext ausgelösten Diskussionen drehen sich aber vor allem um etwaige Fehlentwicklungen. Dabei treten Aspekte wie die Zulässigkeit, Texte von der KI schreiben zu lassen, die Notwendigkeit einer Offenlegung dieses Hilfsmittels oder etwa die Frage nach der Grenze zwischen einer zulässigen Unterstützung und dem wissenschaftlichen Fehlverhalten in den Mittelpunkt (siehe etwa Rauchhaupt, 2026).

Tatsache ist, daß der Einsatz von KI nicht nur die Art, wie Wissenschaft betrieben wird, verändert, sondern KI hat auch maßgeblichen Einfluß auf die relative Position der Wissenschaftler untereinander. Wissenschaftler unterscheiden sich ebenso wie andere Menschen durch ihre Ideen und ihre Kompetenzen – manche sind methodisch extrem versiert, andere können sich sehr gut ausdrücken und andere schließlich haben erhebliches organisatorisches Talent, um die bei ihnen vorhandenen Kompetenzlücken durch die Anwerbung von Mitarbeitern oder durch die Einbindung in ein Team auszugleichen. Durch die KI relativiert sich die Bedeutung dieser Kompetenzen und die Fähigkeit zur sachgemäßen Nutzung der KI-Systeme tritt in den Vordergrund. KI löst also zumindest zum Teil eine Egalisierungstendenz aus, oder um es mit einem abgewandelten Bonmot über Samuel Colt auszudrücken: „God created researchers, but Sam Altman made them equal.“

Deutlich wird dieser Sachverhalt beispielsweise bei der Wissenschaftssprache. So ist Englisch in den meisten Disziplinen die internationale Wissenschaftssprache und Veröffentlichungen in anderen Sprachen werden kaum wahrgenommen. Dadurch hatten Muttersprachler einen erheblichen Vorteil bei Publikationen. Mit Hilfe der generativen KI können diese Vorteile weitgehend beseitigt werden. Beispielsweise berichten Filimonovic et al. (2026) anhand ihrer Untersuchung von 5,65 Millionen wissenschaftlichen Artikeln eine sprachliche Annäherung KI-unterstützter Publikationen aus nicht englischsprachigen Ländern an amerikanisches Wissenschaftsenglisch. Dieser Sachverhalt betrifft freilich auch die anderen wissenschaftlichen Tätigkeiten wie etwa die Literaturrecherche, die Programmierung, die Datenaufbereitung oder die statistischen Analysen.

Dieses Phänomen hat freilich auch Folgen für die Wahrnehmung der Wissenschaftler in ihrer Community und damit Konsequenzen für wissenschaftliche Hierarchien, zumal wissenschaftliche Reputation zwar wesentlich auf guten Ideen und wichtigen Erkenntnissen, aber eben auch auf knappen Fähigkeiten beruht. Wie konfliktreich diese Entwicklung in der Community werden kann, läßt sich an der gegenwärtigen Diskussion über Wissenschaftler ablesen, die KI in erheblichem Umfang zur Produktion wissenschaftlicher Erkenntnisse einsetzen. So erwähnt beispielsweise die FAZ vom 30. September 2026 den Fall des Molekularbiologen Bertie Fielding (Universität Stellenbosch) und den des Mathematikers Santiago Schnell (Dartmouth College), bei deren Veröffentlichungen die KI-Detektionssoftware offenbar eine 100% KI-Generierung entdeckt haben will. Erwähnenswert ist zudem der Fall des Statistikprofessors Nicholas Polson (University of Chicago), unter dessen Namen innerhalb von weniger als neun Monaten weit über 200 wissenschaftliche Arbeiten und 14 Bücher erschienen.

Dieser Sachverhalt ist insbesondere vor dem Hintergrund des Verständnisses des Phänomens Wissenschaft von besonderer Bedeutung. Versteht man den wissenschaftlichen Erkenntnisprozeß im Sinne eines sportlichen Wettbewerbs um Rangplätze, also etwa in der Form, daß der Prozeß zeigen solle, wozu ein einzelner Wissenschaftler ohne Hilfsmittel persönlich in der Lage ist, dann wäre die Nutzung von KI wie Doping zu interpretieren und entsprechend zu unterbinden. Begreift man den Zweck dieses Prozesses allerdings in der Schöpfung zusätzlicher Erkenntnisse, dann spricht nichts gegen eine sinnvolle Anwendung dieses Instrumentariums. Es wäre in diesem Fall also unerheblich, ob ein Wissenschaftler mit Hilfe einer KI zu neuen Erkenntnissen gelangt, denn diese werden nicht dadurch falsch, daß der Wissenschaftler ohne KI dazu nicht in der Lage gewesen wäre.

Natürlich hat der Einsatz von KI zur Generierung neuer Erkenntnisse erhebliche Schwachstellen: Zum einen kann KI halluzinieren, Quellen erfinden oder methodische Fehler machen. Und zum anderen zeigt sich, daß Wissenschaftler, die KI-Werkzeuge einsetzen, zwar mehr publizieren, sich aber insgesamt auf ein engeres Spektrum wissenschaftlicher Themen beschränken (Hao et al., 2026). Der Einsatz von KI kanalisiert also die Forschung.

Da Wissenschaft vornehmlich der Produktion neuen Wissens dienen sollte („the extension of certified knowledge“; Merton, 1942, S. 270) und ein Positionswettbewerb der Wissenschaftler eher als Nebenprodukt zu werten ist, ist es nicht sinnvoll, KI aus der Wissenschaft herauszuhalten. Vielmehr müssen Wissenschaftler, die KI einsetzen, verpflichtet werden, den Einsatz von KI sorgfältig zu überprüfen und entsprechend zu dokumentieren. Für eine derartige Verpflichtung und Umsetzung bedarf es aus ordnungsökonomischer Perspektive freilich keiner staatlichen Auflage; vielmehr kann davon ausgegangen werden, daß sich im wissenschaftlichen Wettbewerb – ähnlich wie bei den Predatory Journals (Daumann & Follert, 2024) – Publikationsorgane durchsetzen werden, die ein Review durchführen, das einen Verstoß gegen die Dokumentationspflicht aufdeckt. Ein derartiges Review erfordert neben einer Prüfung der Replizierbarkeit insbesondere den Einsatz effektiver KI-Detektoren.

Literatur

Allen, G. I., Gan, L., & Zheng, L. (2024). Interpretable machine learning for discovery: Statistical challenges and opportunities. Annual Review of Statistics and Its Application, 11, 97–121. https://doi.org/10.1146/annurev-statistics-040120-030919

Bommasani, R., et al. (2021). On the opportunities and risks of foundation models. arXiv. https://doi.org/10.48550/arXiv.2108.07258

Daumann, F. & Follert, F. (2024). Predatory Journals als neue Anbieter im Markt für wissenschaftliche Publikationen: Eine (ordnungs-)ökonomische Sicht. ORDO, 2024. https://doi.org/10.1515/ordo-2024-2001.

Filimonovic, D., Rutzer, C., Macher, J. T., et al., & Weder, R. (2026). Does scientific writing converge to U.S. English? Evidence from generative AI-assisted publications. Scientometrics, 131, 7025–7059.

Hao, Q., Xu, F., Li, Y., & Evans, J. (2026). Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature, 649, 1237–1243.

Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255–260. https://doi.org/10.1126/science.aaa8415

Merton, R. K. (1942). Science and technology in a democratic order. Journal of Legal and Political Sociology, 1, 115–126.

Moor, M., Banerjee, O., Shakeri Hossein Abad, Z., Krumholz, H. M., Leskovec, J., Topol, E. J., & Rajpurkar, P. (2023). Foundation models for generalist medical artificial intelligence. Nature, 616, 259–265. https://doi.org/10.1038/s41586-023-05881-4

OECD. (2024). Explanatory memorandum on the updated OECD definition of an AI system (OECD Artificial Intelligence Papers No. 8). OECD Publishing. https://doi.org/10.1787/623da898-en

Rauchhaupt, U. von. (2026, 12. Oktober). Der Tag der Mathe-Apokalypse. Frankfurter Allgemeine Zeitung, S. 12.

Speicher, C. (2026, 12. Oktober). Open AI löst 377 Mathematikprobleme auf einen Streich. Neue Zürcher Zeitung, S. 12.

Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., Chen, Z., Tang, J., Chen, X., Lin, Y., Zhao, W. X., Wei, Z., & Wen, J. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18(6), Article 186345. https://doi.org/10.1007/s11704-024-40231-1

Anmerkung: Für die Generierung des Bildes und die Literatursuche habe ich KI verwendet; anschließend habe ich die Quellen entsprechend überprüft.

Podcast zum Thema:

Dr. Jörn Quitzau (Bergos) im Gespräch mit Prof. Dr. Tobias Straumann (Uni Zürich).

Blog-Beiträge zum Thema: Künstliche Intelligenz

Astrid Rosenschon (ex IfW, 2026): KI-Steuer. Eine rettende Idee oder ein digitales Eig

Norbert Berthold (JMU, 2026): Künstliche Intelligenz. Sprengsatz für die Rente?

Norbert Berthold (JMU, 2026): Künstliche Intelligenz: Weltuntergang oder „Just Relax“?
Eine neue Politik für den Strukturwandel

Jan Schnellenbach (BTU, 2026): Die Kosten der europäischen Regulierungswut. Das Beispiel künstliche Intelligenz

Astrid Rosenschon (ex IfW, 2026): Die zwei Gesichter der Künstlichen Intelligenz

Henning Klodt (ex IfW, 2026): Mit künstlicher Intelligenz in die Job-Apokalypse?

Astrid Rosenschon (ex IfW, 2026): Ganzheitliche Intelligenz (GI). Wenn Mensch und KI Wissenschaft neu denken

Jörn Quitzau (Bergos, 2026): Volkswirtschaftliche Folgen der KI-Revolution. Was wäre wenn…?