---
title: "PaperOrchestra: KI-Agenten machen aus Forschungsnotizen ein Manuskript"
author: Martin Ebner
date: 2026-11-15
url: https://postgenerativ.at/indizien/2026-11-15/paperorchestra-ki-agenten-machen-aus-forschungsnotizen-ein
lang: de
type: Indiz
summary: PaperOrchestra automatisiert den Weg von Forschungsnotizen zum fertigen Manuskript und schlägt andere KI-Schreibsysteme deutlich. Das beeindruckende Evaluationsergebnis wirft Fragen zum bisherigen Publikationskreislauf auf.
tags:
  - Forschung
  - Wissenschaft
sources:
  - title: "Google Research: PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing (2026)"
    url: https://research.google/pubs/paperorchestra-a-multi-agent-framework-for-automated-ai-research-paper-writing/
  - title: "Song, Song, Pfister & Yoon (2026): PaperOrchestra – COLM-Konferenzpublikation (PDF)"
    url: https://proceedings.colm.cc/paper_files/paper/2026/file/6546d4ab1e224ea9625c7c42ad25d6c8-Paper-Conference.pdf
  - title: "Song et al. (2026): PaperOrchestra – frei zugänglicher Volltext der arXiv-Fassung vom 6. April 2026, CC BY 4.0"
    url: https://arxiv.org/html/2604.05018v1
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
alternate:
  en: https://postgenerative.at/indications/2026-11-15/paperorchestra-ai-agents-turn-research-notes-into-a
---

# PaperOrchestra: KI-Agenten machen aus Forschungsnotizen ein Manuskript

Das Google-Forschungsteam um Yiwen Song, Yale Song, Tomas Pfister und Jinsung Yoon stellt mit **PaperOrchestra** ein System vor, das vorhandene Ideenbeschreibungen und Experimentprotokolle in vollständige wissenschaftliche Manuskripte überführt. Die Arbeit ist als COLM-Konferenzpublikation 2026 verzeichnet; zusätzlich steht eine frühere arXiv-Fassung frei zur Verfügung. [1][2][3]

### Ein orchestrierter Schreibprozess

Spezialisierte KI-Agenten übernehmen fünf Schritte: Sie entwickeln eine Gliederung, erzeugen Diagramme und Datenvisualisierungen, recherchieren und strukturieren Literatur, schreiben die Abschnitte und überarbeiten das Manuskript anhand simulierter Begutachtung. Literatur- und Abbildungsarbeit können parallel laufen. Heraus kommen LaTeX-Quelldateien und ein gesetztes PDF. Für die Literaturrecherche werden gefundene Publikationen über Semantic Scholar auf ihre Existenz geprüft. Diese Prüfung garantiert allerdings nicht, dass jede zitierte Aussage inhaltlich korrekt belegt ist. [3]

Der besondere Schritt liegt darin, dass das Schreiben als eigenständiger Workflow funktioniert: Die Materialien können aus menschlicher Forschung stammen, statt zwingend aus einer vorgeschalteten automatisierten Experimentierpipeline. **Die Experimente und Forschungsergebnisse müssen bereits als Input vorliegen.** PaperOrchestra demonstriert deshalb die Automatisierung der Manuskripterstellung, nicht die vollständige eigenständige Erzeugung und Validierung neuer Forschung. [3]

### Das beeindruckende Gesamtergebnis der Evaluation

Der Benchmark beruht auf **200 veröffentlichten Arbeiten**, jeweils 100 von CVPR und ICLR 2025. Aus diesen fertigen Papers wurden Ideenbeschreibungen und Experimentprotokolle rückwärts rekonstruiert. Ergänzend zu automatisierten Bewertungen beurteilten **elf KI-Forschende** eine Stichprobe von **40 Arbeiten**. [3]

In den menschlichen Paarvergleichen der Gesamtqualität gewann PaperOrchestra gegen das Ein-Agent-System in **57 Prozent** der Bewertungen; dieses gewann in **19 Prozent**, bei **24 Prozent** Gleichständen. Gegen AI Scientist-v2 lag PaperOrchestra mit **50 zu 36 Prozent** vorne, bei **14 Prozent** Gleichständen. Das entspricht einem Vorsprung der Gewinnanteile von **38 beziehungsweise 14 Prozentpunkten**. Diese Zahlen bedeuten weder eine pauschal um 14–38 Prozent höhere wissenschaftliche Qualität noch eine Annahmequote bei einer Konferenz. [2][3]

Das Ergebnis ist für einen automatisierten Schreibworkflow bemerkenswert. Zugleich bleibt der Vergleich mit menschlichen Originalarbeiten deutlich: Bei der Gesamtqualität bevorzugten die menschlichen Bewertenden das Original in **81 Prozent** und PaperOrchestra in **5 Prozent** der Vergleiche; **14 Prozent** endeten unentschieden. Eine pauschale Gleichwertigkeit mit menschlichen Papers lässt sich daraus nicht ableiten. [2]

### Was die Ergebnisse begrenzt

Die Untersuchung betrifft KI- und Machine-Learning-Publikationen und künstlich rekonstruierte Ausgangsmaterialien. Vorwissen der Modelle über die veröffentlichten Arbeiten lässt sich trotz Gegenmaßnahmen nicht vollständig ausschließen. Zudem wurden bei den zentralen Baseline-Vergleichen vorhandene Originalabbildungen bereitgestellt; die eigenständige Visualisierung wurde gesondert untersucht. Generierte Abbildungen können Fehler enthalten, und automatisierte Gutachter stimmen gerade bei Literaturübersichten nur eingeschränkt mit menschlichen Urteilen überein. Die Autoren belassen die Verantwortung für Richtigkeit, Originalität und Gültigkeit ausdrücklich bei den Forschenden. [3]

### Frage an den wissenschaftlichen Publikationskreislauf

Unsere abschließende Frage richtet sich deshalb auf den Zweck des Verfahrens: **Macht der bisherige Kreislauf einer wissenschaftlichen Publikation noch Sinn, wenn KI aus vorhandenen Ergebnissen Manuskripte erstellt, simuliert begutachtet und überarbeitet – und wie muss sich dieser Kreislauf verändern, damit er tatsächlich neue, überprüfbare Erkenntnis statt vor allem überzeugender Darstellung belohnt?**
