Generative KI verändert, wie wissenschaftliche Ideen entstehen

Bei der meisten modernen Wissenschaft waren die ersten Stadien einer Forschungsfrage größtenteils unsichtbar.

Ein Forscher bemerkte eine Anomalie, verband zwei Konzepte, bezweifelte eine etablierte Annahme oder identifizierte eine Lücke in der Literatur. Diese Idee wurde privat verfeinert, bevor sie durch Gespräche mit Betreuern, Kollegen, Gutachtern und Förderinstitutionen getestet wurde.

Generative KI schaltet sich in diese Abfolge ein.

Forscher können jetzt einen unvollständigen Gedanken einem großen Sprachmodell vorstellen, bevor sie darüber mit einer anderen Person sprechen. Sie können das System auffordern, Hypothesen zu generieren, Annahmen in Frage zu stellen, benachbarte Felder zu identifizieren oder eine Intuition in einen kohärenteren Vorschlag umzuwandeln.

Dies mag wie eine weitere Produktivitätsverbesserung erscheinen. Es ist jedoch bedeutender als das.

Generative KI schafft eine neue Zwischenschicht zwischen privatem Denken und menschlicher wissenschaftlicher Urteilsfähigkeit. Diese Schicht könnte verändern, wie Ideen gebildet werden, wer frühe intellektuelle Unterstützung erhält, wie Forscher ausgebildet werden und wo Expertise Wert schafft.

Eine Studie von 2026¹, die in Research Policy veröffentlicht wurde, liefert Beweise dafür, dass diese Transformation bereits ungleichmäßig verteilt ist. Weniger erfahrene Forscher waren erheblich eher bereit, AI-generierte Vorschläge aufzunehmen und die resultierenden Ideen als neu oder einflussreich zu betrachten. Erfahrene Forscher waren eher bereit, dieselben Vorschläge als offensichtlich, unzureichend fortgeschritten oder nur als ein weiteres Werkzeug zu betrachten.

Die Ergebnisse deuten auf eine umfassendere Veränderung in der wissenschaftlichen Arbeit hin. Wenn KI die Ideengenerierung im Überfluss schafft, kann die knappe Fähigkeit nicht länger darin bestehen, Möglichkeiten zu produzieren. Sie kann darin bestehen, zu wissen, welche Möglichkeiten es wert sind, zu überleben.

KI verändert die Abfolge des wissenschaftlichen Denkens

Die Studie von Matthias Trobinger, Anil R. Doshi und Sen Chai untersuchte, wie Forscher reagierten, als generative KI neue Forschungsrichtungen auf der Grundlage ihrer vorherigen Arbeit vorschlug.

In einem randomisierten Experiment mit 310 Forschern erhielten die Teilnehmer entweder keine sichtbaren KI-Vorschläge, einen KI-generierten Vorschlag oder drei KI-generierte Vorschläge. Eine Nachfolgestudie mit 28 Forschern erforschte, wie sie KI interaktiv während der frühen Ideenfindung nutzten.

Die Ergebnisse zeigten, dass KI den Inhalt der Ideen beeinflusste, die die Forscher produzierten. Allerdings moderierte Erfahrung diesen Einfluss stark.

Weniger erfahrene Forscher waren eher bereit, KI-Vorschläge aufzunehmen, sie als neu zu interpretieren und die resultierenden Ideen als einflussreich zu betrachten. Erfahrene Forscher waren weniger beeinflusst und glaubten oft, dass die vorgeschlagenen Richtungen bereits in Betracht gezogen worden seien, unzureichend ambitioniert seien oder den Kontext fehlten, um ein wirklich wertvolles Forschungsproblem zu identifizieren.

Die wichtigste Implikation ist nicht, dass eine Gruppe KI vertraute und die andere nicht.

Es ist, dass generative KI scheinbar wissenschaftliches Feedback früher im Prozess verlagert.

Zuvor mussten Forscher oft entscheiden, ob eine Idee kohärent genug war, um sie einer anderen Person vorzustellen. KI senkt diese Schwelle erheblich. Sie ermöglicht es einem Forscher, eine Idee zu externalisieren, während sie noch unvollständig, widersprüchlich oder schlecht artikuliert ist.

Das schafft eine grundlegend andere Arbeitsabfolge.

Die wahre Disruption ist die präsupervisiorische KI

Frühkarriere-Forscher stehen oft vor einem strukturellen Nachteil, der wenig mit Intelligenz oder Anstrengung zu tun hat. Sie haben kleinere professionelle Netzwerke, weniger Vertrauen, wenn es darum geht, etablierte Experten anzusprechen, und weniger angesammelte Erfahrung, vage Fragen in vertretbare Projekte umzuwandeln.

Generative KI kompensiert diesen Nachteil teilweise.

Sie bietet eine vorläufige Diskussion auf Abruf ohne Terminbeschränkungen, soziale Druck oder Rufrisiko.

Dies schafft, was als präsupervisiorische Schicht beschrieben werden könnte.

KI ersetzt nicht den Betreuer. Stattdessen verändert sie, was den Betreuer erreicht.

Diese Unterscheidung hat große Auswirkungen auf Forschungsorganisationen. Wenn Forscher kohärentere und entwickeltere Vorschläge einreichen, können Senior-Wissenschaftler weniger Zeit damit verbringen, grundlegende Fragen zu formulieren, und mehr Zeit auf die Bewertung der strategischen Bedeutung, methodologischen Strenge und Ressourcenzuweisung konzentrieren.

Theoretisch könnte dies die Effizienz der Mentorship verbessern. Erfahrene Forscher könnten ihre begrenzte Aufmerksamkeit auf höherwertige Urteilsfähigkeit konzentrieren, anstatt auf vorläufige Strukturierung.

Es könnte jedoch auch Schwächen verbergen.

Ein polierter KI-gestützter Vorschlag kann den Anschein intellektueller Reife schaffen, ohne die zugrunde liegenden Denkfähigkeiten, die normalerweise durch den Prozess des Aufbaus entwickelt werden. Betreuer können bessere präsentierte Ideen erhalten, während sie weniger Einblick in das Verständnis des Forschers für diese Ideen erhalten.

Das Ergebnis könnte eine entstehende Lücke zwischen Vorschlagsqualität und Forscherfähigkeit sein.

Expertise kann sich von Generation auf Ablehnung verlagern

Generative KI senkt die Kosten für die Produktion von Optionen dramatisch.

Dies verändert die Funktion von Expertise.

Wenn mögliche Richtungen teuer zu generieren waren, war die Produktion einer starken Idee selbst eine definierende Fähigkeit. Wenn Möglichkeiten fast ohne Grenzen generiert werden können, wird die wertvollere Fähigkeit zur Ablehnung.

Erfahrene Forscher in der Studie lehnten KI-Vorschläge häufig ab, nicht weil sie inkohärent waren, sondern weil sie nicht ausreichend wichtig waren. Die Ideen waren manchmal logische Erweiterungen vorheriger Arbeit, versagten jedoch, die Schwelle zu überschreiten, um verfolgenswert zu sein.

Dies spiegelt eine Form von Expertise wider, die aktuelle KI-Systeme Schwierigkeiten haben, zu reproduzieren.

Erfahrene Forscher wissen oft:

• Welche Fragen bereits inoffiziell erforscht, aber nie veröffentlicht wurden.
• Welche theoretisch attraktiven Projekte operativ unmöglich sind.
• Welche Methoden unter realen Einschränkungen versagen werden.
• Welche Ergebnisse technisch gültig, aber wissenschaftlich unbedeutend sind.
• Welche Forschungsbereiche nur deshalb offen erscheinen, weil die relevanten Arbeiten im Gange sind, aber noch nicht veröffentlicht wurden.
• Welche Fragen unwahrscheinlich überleben werden, Peer-Review oder Förderung anziehen.

Viel von diesem Wissen ist stillschweigend. Es existiert in professionellen Netzwerken, fehlgeschlagenen Experimenten, Konferenzdiskussionen, aufgegebenen Förderanträgen, Gutachterkommentaren und Jahren der Exposition gegenüber dem Feld.

Sogar ein LLM mit breitem Zugang zu veröffentlichter Forschung kann eine plausible Richtung generieren, während es an stillschweigendem und unveröffentlichtem Wissen mangelt, das erklärt, warum es nie verfolgt wurde.

Dies legt nahe, dass die zukünftige Rolle erfahrener Forscher immer mehr der eines Portfolio-Managers ähneln kann. Ihr Wert wird nicht nur darin liegen, Ideen zu produzieren, sondern auch darin, Aufmerksamkeit und Ressourcen unter einer expandierenden Menge von KI-generierten Möglichkeiten zuzuweisen.

KI könnte Zugang angleichen, während Urteilsfähigkeitslücken vergrößert

Generative KI wird oft als demokratisierende Technologie beschrieben, weil sie mehr Menschen Zugang zu Fähigkeiten gibt, die zuvor mit Spezialisten verbunden waren.

Das ist teilweise wahr in der Wissenschaft.

Forscher ohne Elite-Netzwerke oder leicht verfügbare Betreuer können jetzt auf sofortige Brainstorming, Erklärung, Synthese und Kritik zugreifen. Dies könnte Forschern an kleineren Institutionen, in unterfinanzierten Regionen oder außerhalb dominanter akademischer Netzwerke helfen, stärkere Projekte zu formulieren.

Dennoch führt gleicher Zugang zu KI nicht zu gleichen Ergebnissen, was ein potenzielles Paradoxon schafft: KI kann die Lücke in der Ideenproduktion verringern, während sie gleichzeitig die Bedeutung der Bewertungsfähigkeit vergrößert.

Die Forscher, die am stärksten von KI-generierten Vorschlägen beeinflusst werden, sind möglicherweise am wenigsten ausgestattet, um ihre Grenzen zu identifizieren. Währenddessen können diejenigen, die am besten positioniert sind, um die Vorschläge zu bewerten, weniger unmittelbaren Nutzen darin sehen, sie zu verwenden.

Das Ergebnis könnte eine neue Form der Ungleichheit in der wissenschaftlichen Arbeit sein: nicht ungleicher Zugang zu Ideen, sondern ungleiche Fähigkeit, sie zu filtern.

Das Problem der wissenschaftlichen Monokultur

Es gibt ein weiteres Risiko, das über den Einzelnen hinausgeht.

Large Language Modelle generieren Ausgaben, indem sie Muster aus bestehender Literatur lernen. Wenn viele Forscher ähnliche Modelle verwenden, um Forschungsfragen zu generieren, können diese Forscher überlappende Vorschläge erhalten – was eine Form der wissenschaftlichen Konvergenz schafft, die die Anzahl der Ideen vergrößert, während sie gleichzeitig die intellektuelle Vielfalt verringert.

Individuell kann jeder Vorschlag neu erscheinen.

Kollektiv kann das System die Aufmerksamkeit auf die gleichen Methoden, Variablen und theoretischen Rahmen konzentrieren.

Die Studie zeigt dieses systemweite Ergebnis nicht direkt. Ihre Ergebnisse machen jedoch die Möglichkeit glaubwürdiger. Weniger erfahrene Forscher waren eher bereit, KI-Vorschläge aufzunehmen, und Frühkarriere-Forscher repräsentieren einen wesentlichen Anteil an zukünftiger wissenschaftlicher Produktion.

Wenn KI während der formativen Stadien ihrer Karriere als Zwischeninstanz fungiert, können die Modelle nicht nur einzelne Projekte beeinflussen, sondern auch die Grenzen dessen, was aufstrebende Forscher für wertvoll erachten.

Forschungs-KI sollte als Gegner entworfen werden

Die meisten generativen KI-Produkte sind darauf optimiert, hilfreich zu sein. Sie beantworten Fragen, erweitern Ideen und produzieren polierte Ausgaben.

Wissenschaftliche Ideenfindung kann eine andere Designphilosophie erfordern.

Der wertvollste Forschungsassistent ist möglicherweise nicht das System, das den überzeugendsten Vorschlag generiert. Es ist das System, das am effektivsten versucht, ihn zu zerstören.

Eine forschungsorientierte KI sollte in mehreren Modi operieren:

Hypothesen-Generator

Das System sollte konkurrierende Erklärungen vorschlagen, anstatt eine einzelne bevorzugte Richtung. Es sollte Annahmen, theoretische Rahmen und methodologische Ansätze variieren.

Adversarischer Gutachter

Es sollte identifizieren, warum ein Vorschlag trivial, unzureichend, bereits erforscht, statistisch unterbewertet, ethisch problematisch oder unwahrscheinlich sein kann, um bedeutende Beweise zu liefern.

Neuigkeits-Prüfer

Es sollte aktuelle Papiere, Preprints, Patente, klinische Studien, Förderdatenbanken und Konferenzveröffentlichungen abrufen, um zu bestimmen, ob die Idee tatsächlich unerforscht ist.

Constraints-Simulator

Es sollte den Vorschlag gegen praktische Einschränkungen wie Zugang zu Proben, Geräteanforderungen, Kosten, Zeitpläne, regulatorische Genehmigungen und Datenverfügbarkeit testen.

Provenienz-Tracker

Es sollte dokumentieren, welche Elemente vom Forscher, der Literatur, externen Mitarbeitern oder modellgenerierten Vorschlägen stammen.

Divergenz-Motor

Es sollte absichtlich außerhalb der dominanten Literatur suchen und Analogien aus fernen Disziplinen präsentieren, anstatt den statistisch wahrscheinlichsten Pfad kontinuierlich zu verstärken.

Dies würde KI von einer automatischen Ideenfabrik zu einem intellektuellen Belastungstest-System umpositionieren.

Universitäten müssen möglicherweise überdenken, wie Forscher ausgebildet werden

Das Auftauchen von KI-gestützter Ideenfindung schafft ein Ausbildungsproblem.

Wissenschaftliche Ausbildung hat traditionell angenommen, dass Forscher Urteilsfähigkeit durch wiederholte Exposition gegenüber Unsicherheit entwickeln. Sie lernen, indem sie schwache Ideen produzieren, Literatur missverstehen, Kritik erhalten, Annahmen überdenken und entdecken, warum anscheinend vielversprechende Richtungen fehlschlagen.

KI kann einige dieser Reibungen entfernen.

Das Entfernen unnötiger Reibung ist vorteilhaft. Das Entfernen entwicklungsbedingter Reibung ist möglicherweise nicht vorteilhaft.

Wenn Junior-Forscher auf KI vertrauen, um jede frühe Idee zu strukturieren, können sie möglicherweise stärkere kurzfristige Ausgaben produzieren, während sie weniger unabhängige Erfahrungen bei der Formulierung von Problemen ansammeln.

Universitäten sollten daher KI-Politik nicht als binäre Wahl zwischen Erlaubnis und Verbot betrachten. Die wichtigere Frage ist, wie KI-Nutzung in die Entwicklung von Expertise integriert werden sollte.

Mögliche Anforderungen könnten sein:

• Forscher müssen einen KI-generierten Vorschlag kritisieren, bevor sie ihn übernehmen.
• KI-gestützte Ideen müssen mit unabhängig generierten Alternativen verglichen werden.
• Studenten müssen dokumentieren, warum bestimmte KI-Vorschläge abgelehnt wurden.
• Betreuer sollten den Denkprozess bewerten, nicht nur den endgültigen Vorschlag.
• Forschungsmethoden-Kurse sollten Kalibrierungsübungen mit plausiblen, aber fehlerhaften KI-Ausgaben enthalten.

Das Ziel wäre nicht, ein künstliches KI-freies Modell der Forschung zu bewahren. Es wäre, sicherzustellen, dass KI die Entwicklung von Forschern beschleunigt, anstatt sie zu ersetzen.

Schlussfolgerung

Generative KI hilft Wissenschaftlern nicht nur, mehr Ideen zu generieren. Sie verändert, wann Ideen sozial werden, wer frühe intellektuelle Unterstützung erhält und wo Expertise Wert schafft.

Für Forscher am Anfang ihrer Karriere kann KI als immer verfügbarer vorläufiger Mitarbeiter fungieren. Sie kann den sozialen Kosten, unvollständige Gedanken zu präsentieren, reduzieren und helfen, Intuitionen in Vorschläge umzuwandeln, die bereit sind, von Menschen diskutiert zu werden.

Für erfahrene Forscher kann der Wert woanders liegen. Ihr Vorteil beruht zunehmend darauf, zu erkennen, welche plausiblen Ideen unbedeutend sind, welche eleganten Projekte unzureichend sind und welche offensichtlichen Lücken tatsächlich keine Lücken sind.

Dies deutet auf eine neue Arbeitsteilung in der Wissenschaft hin.

KI wird Forschungsmöglichkeiten im Überfluss schaffen. Menschliche Expertise wird bestimmen, welche Möglichkeiten Zeit, Förderung und Aufmerksamkeit verdienen.

Die Organisationen, die am meisten profitieren, werden nicht diejenigen sein, die KI einsetzen, um die größte Anzahl von Ideen zu generieren. Sie werden diejenigen sein, die die stärksten Systeme für Kritik, Auswahl, Provenienz und intellektuelle Vielfalt aufbauen.

Die Zukunft von KI-gestützter Wissenschaft wird weniger davon abhängen, ob Maschinen Forschungsfragen vorschlagen können, und mehr davon, ob Menschen die Fähigkeit bewahren, die falschen zu ablehnen.

Referenzen:

^{1. M. Trobinger, A. R. Doshi, und S. Chai, Wie Erfahrung die Auswirkung von KI-Vorschlägen auf die Wahrnehmung der Ideen von Forschern moderiert, Forschungspolitik 55 (2026) 105575, https://doi.org/10.1016/j.respol.2026.105575}