Einfluss von KI auf die Forschungsqualität in der Wissenschaft

KI in der Wissenschaft: Eine kritische Betrachtung der Produktivitätsparadoxie

Die Integration von Künstlicher Intelligenz (KI), insbesondere von Großen Sprachmodellen (Large Language Models, LLMs), in wissenschaftliche Arbeitsprozesse verspricht eine Revolutionierung der Forschung. Die Erwartungshaltung ist hoch: KI soll repetitive Aufgaben automatisieren, Hypothesenbildung beschleunigen, Datenanalyse optimieren und die Verfassung wissenschaftlicher Publikationen erleichtern. Das übergeordnete Ziel ist es, Wissenschaftlern mehr Freiraum für kreatives Denken und tiefgehende Analysen zu verschaffen.

Die Hypothese der verschobenen Prioritäten

Eine kürzlich veröffentlichte Modellierungsstudie, an der Forscher der Princeton University, der University of Washington und anderer Institutionen beteiligt waren, stellt diese optimistische Sichtweise jedoch infrage. Die Studie argumentiert, dass die durch KI ermöglichte Zeitersparnis unerwartete Konsequenzen haben könnte. Anstatt die Qualität bestehender Forschungsprojekte zu vertiefen, könnten Wissenschaftler dazu neigen, die gesparte Zeit in die Initiierung einer größeren Anzahl neuer Projekte zu investieren. Dies könnte bedeuten, dass mehr Forschung betrieben wird, diese aber weniger gründlich oder weniger gut ausgeführt wird.

Opportunitätskosten als treibende Kraft

Der Kern dieser Argumentation liegt im ökonomischen Konzept der Opportunitätskosten. Sobald KI die Arbeitslast eines Wissenschaftlers reduziert, steigt der Wert der verbleibenden Arbeitszeit. Jede Stunde, die in die Verfeinerung eines bereits laufenden Projekts investiert wird, stellt eine verpasste Gelegenheit dar, ein neues Projekt zu starten. Die Studie modelliert dieses Verhalten, indem sie LLMs als ideale Werkzeuge annimmt, die Zeitkosten ohne Fehler und mit vernachlässigbaren finanziellen Aufwänden reduzieren. Diese Idealisierung dient dazu, den reinen Effekt der Zeitersparnis von den bekannten Schwächen der Technologie zu isolieren.

Ein Modell der Forschungsanstrengung: Optimal Foraging Theory

Die Forscher entwickelten ein mathematisches Modell, das auf der optimalen Nahrungssuche-Theorie (Optimal Foraging Theory) aus der Verhaltensökologie basiert. Dieses Rahmenwerk beschreibt, wie Organismen ihre Anstrengungen auf verschiedene konkurrierende Gelegenheiten verteilen. Übertragen auf die Wissenschaft, simuliert das Modell, wie Forscher ihre Arbeitskraft auf Projekte aufteilen und welche Auswirkungen LLMs auf die verschiedenen Phasen des Projektlebenszyklus haben.

Im Modell durchläuft ein Forschungsprojekt zwei Phasen: Zuerst wird die Machbarkeit einer Idee geprüft, dann wird entschieden, ob das Projekt fortgesetzt oder aufgegeben wird. Die Fortsetzung umfasst obligatorische Schritte wie die Erstellung von Abbildungen, Textformatierung und Einreichung. Hinzu kommt ein freiwilliger Teil, der zusätzliche Experimente, tiefere Analysen oder die sprachliche Verfeinerung umfassen kann. Dieser freiwillige Teil, so die Studie, sei es, der geopfert werde, wenn Zeit knapper wird.

Drei Szenarien für den KI-Einsatz und deren Auswirkungen

Die Studie skizziert drei Szenarien, je nachdem, wo im Forschungsprozess KI eingesetzt wird:

• Szenario 1: KI in der frühen Ideenbewertung. Wenn KI bei der Bewertung früher Ideen hilft, werden Forscher wählerischer, da der Neustart eines Projekts weniger kostspielig ist. Nur die vielversprechendsten Projekte werden weiterverfolgt. Allerdings erhalten selbst diese Projekte eine weniger gründliche Bearbeitung, da die gesparte Zeit besser in die Initiierung neuer Projekte investiert wird. Dieses Muster wird typischerweise in technischen Feldern beobachtet.
• Szenario 2: KI in der Publikationsphase. Unterstützt KI das Publizieren, indem sie das Schreiben, Formatieren und Analysieren beschleunigt, wird der Aufwand für die Fertigstellung eines Papers reduziert. Dies könnte dazu führen, dass auch schwächere Projekte verfolgt werden. Die Anzahl der Publikationen steigt, doch die Tiefe jeder einzelnen Arbeit nimmt ab. Dieses Muster ist charakteristisch für feldbasierte Disziplinen.
• Szenario 3: KI in der vertiefenden Analyse. Nur in diesem Szenario könnte KI tatsächlich die Qualität verbessern. Wenn KI die freiwillige Phase der vertiefenden Arbeit – wie zusätzliche Experimente oder sorgfältigere Analysen – beschleunigt, übersetzen sich die Zeitersparnisse in eine gründlichere Forschung. Dies liegt daran, dass KI genau jene Phase adressiert, in der Forscher aufgrund von Zeitdruck oft Abstriche machen mussten.

In zwei von drei Fällen führt die Zeitersparnis durch KI demnach zu einer Abnahme der Gründlichkeit. Wenn Zeit wertvoller wird, erscheint die weitere Verfeinerung einer bereits publizierbaren Arbeit weniger sinnvoll, da diese Zeit besser in das nächste Projekt investiert werden könnte.

Die Trugschlüsse der Zeitersparnis

Die Autoren fassen zusammen: „Als arbeitserleichternde Technologie erhöhen LLMs die Opportunitätskosten unserer Zeit und drängen uns dazu, mehr, aber weniger gut zu tun – anstatt die gleiche Menge, aber besser.“ Die Annahme, dass gesparte Zeit automatisch in tiefere Analysen fließt, wird durch das Modell nicht gestützt.

Dieses theoretische Modell findet bereits Parallelen in der Praxis. Ein Bericht von OpenAI über acht wissenschaftliche Fallstudien zeigte beispielsweise bis zu 60-fache Beschleunigungen bei der Überarbeitung von Forschungssoftware. Allerdings verlagerte sich der Engpass von der Programmierung zur Validierung und langfristigen Wartung. Eine METR-Studie ergab zudem, dass erfahrene Open-Source-Entwickler, die KI-Tools nutzten, tatsächlich 19 Prozent länger für Aufgaben benötigten, obwohl sie sich 24 Prozent schneller fühlten.

Auch das Publikationssystem zeigt erste Auswirkungen. In Bereichen, in denen LLMs das Schreiben beschleunigen, steigen die Einreichungszahlen rapide an, was das bereits überlastete Peer-Review-System zusätzlich belastet. Ein von Sakana AI vollständig KI-generiertes Paper durchlief einen ICLR-Workshop, inklusive Zitierfehlern. ArXiv reagierte darauf mit strengeren Sanktionen, darunter der Androhung eines einjährigen Einreichungsverbots bei halluzinierten Quellen oder verbleibenden KI-Metakommentaren.

Die Studie betont die Notwendigkeit disziplinspezifischer institutioneller Reaktionen, da die Auswirkungen von KI auf die Forschung nicht uniform sind. Sie hängen davon ab, welche Phase des Prozesses beschleunigt wird. Eine weitere Studie zur Softwareentwicklung beschreibt eine ähnliche Dynamik als „Tragödie der Allmende“, bei der individuelle Produktivitätsgewinne auf Kosten jener gehen, die später die Ergebnisse überprüfen und warten müssen.

Fazit und Ausblick

Die Einführung von KI in der Wissenschaft birgt ein erhebliches Potenzial, aber auch komplexe Herausforderungen. Während individuelle Forscher von Effizienzgewinnen profitieren könnten, ist es entscheidend, die möglichen Auswirkungen auf die Qualität und den Fokus der gesamten Forschungslandschaft zu berücksichtigen. Ein bewusstes Management der KI-Integration sowie disziplinspezifische Anpassungen sind erforderlich, um sicherzustellen, dass die Technologie tatsächlich zu einer Verbesserung der wissenschaftlichen Arbeit führt und nicht zu einer unerwünschten Verschiebung von Qualität zu Quantität.

Bibliographie

- Duede, E., Gross, K., Crockett, M. J. & Bergstrom, C. (2026). The unintended consequences of large language models as a labor-augmenting technology in science. Preprint at arXiv https://doi.org/10.48550/arXiv.2607.17397. - Kemper, J. (2026, 23. August). AI could make scientists do more work less well, not less work better, study argues. The Decoder. - Counts, L. (2026, 27. Januar). How AI is transforming research: More papers, less quality, and a strained review system. Haas News | UC Berkeley Haas. - Bietti, L. M., Bangerter, A. (2026). Will the widespread use of large language models in scientific writing undermine scientists’ critical thinking? PLoS Biology, 24(6), e3003801. - Nature (2026, 31. Juli). Scientists using LLMs will ‘do more, less well’, modelling study predicts. Nature. - Nature (2026, 14. Januar). AI tools boost individual scientists but could limit research as a whole. Nature, 649, 1111-1112.