Indiz Nr. 059 Generiertes Titelbild

Das KI-Paradoxon: Erfolgreichere Forschende, engere Wissenschaft

Eine Nature-Studie zeigt ein Paradoxon: KI-Nutzung geht mit mehr Publikationen, Zitationen und schnelleren Karrieren einher, während sich die kollektiv untersuchten Themen verengen. Individueller Erfolg bedeutet damit nicht automatisch größere wissenschaftliche Vielfalt.

KI kann die Wirkung einzelner Forschender vergrößern und zugleich den gemeinsam erkundeten Wissensraum verengen. Dieses Paradoxon zwischen individuellem Gewinn und kollektivem Fortschritt steht im Zentrum der Studie von Qianyue Hao, Fengli Xu, Yong Li und James Evans, die am 14. Januar 2026 in Nature erschien. [1]

Mehr individueller Erfolg

Die Ergebniszusammenfassung lässt sich so ins Deutsche übertragen:

„Im Durchschnitt veröffentlichten einzelne Wissenschaftler durch den KI-Einsatz 3,02-mal mehr Artikel, erhielten 4,84-mal mehr Zitationen und wurden 1,37 Jahre früher zu Teamleitern“

Quelle: Hao et al., Nature 649, 1237–1243 (2026), Abstract und Ergebnisdiskussion; deutsche Übersetzung des englischen Originals. [1][3]

Zur Lesart: Die Zahlen vergleichen Forschende mit und ohne identifizierte KI-Nutzung. Die Formulierung „durch den KI-Einsatz“ im übersetzten Zitat darf nicht als abschließend bewiesene Ursache-Wirkungs-Beziehung verstanden werden. Auch die Autoren betonen, dass sie die Kausalverbindung nicht vollständig identifizieren können. Der frühere Karriereübergang wird modelliert; „Teamleitung“ steht für den in der Studie operationalisierten Übergang zur Leitung eines Forschungsprojekts. [3]

Warum der gemeinsame Erkenntnisraum trotzdem schrumpfen kann

Die Untersuchung umfasst rund 41,3 Millionen naturwissenschaftliche Publikationen von 1980 bis 2025 aus Biologie, Medizin, Chemie, Physik, Materialwissenschaft und Geologie. Ein trainiertes Sprachmodell identifiziert anhand von Titeln und Abstracts Arbeiten, die KI als Forschungsmethode einsetzen. Der Datensatz betrifft damit weit mehr als heutige Chatbots oder KI-Schreibassistenz. [3]

KI-gestützte Forschung konzentriert sich der Analyse zufolge besonders auf datenreiche Probleme. Während einzelne Forschende produktiver und sichtbarer werden, bearbeiten viele dieselben gut erschlossenen Gebiete. Der gemessene kollektive Themenraum ist bei KI-Arbeiten im Median 4,63 Prozent enger; das gemessene Anschlussengagement fällt 22 Prozent geringer aus. Letzteres bezeichnet, wie häufig Arbeiten, die dasselbe Ausgangspaper zitieren, auch aufeinander Bezug nehmen – nicht einen pauschalen Rückgang persönlicher Zusammenarbeit. [3]

Die Erklärung der Autoren: Individuelle Anreize können Forschende zum gemeinsamen Optimieren bekannter Probleme bewegen, statt zur Erkundung neuer Fragen. Mehr Publikationen und mehr Aufmerksamkeit sind dann mit stärkerer Konzentration vereinbar. Weniger datenreiche, möglicherweise grundlegende Fragen drohen zurückzubleiben. [3]

Abbildung 3: Was genau sich verengt

Abbildung 3 im Original ansehen

Abbildungsnachweis: Hao et al., Nature (2026), Abb. 3. Die Abbildung wird hier beschrieben und verlinkt. [2]

  • Panel a erklärt das Verfahren: Titel und Abstracts werden in einen 768-dimensionalen semantischen Raum übertragen.
  • Panel b zeigt zur Anschauung 10.000 Arbeiten, je zur Hälfte mit und ohne KI. KI-Arbeiten erscheinen stärker gebündelt; ihre rot markierte Reichweite ist kleiner als die blau markierte der Vergleichsgruppe.
  • Panels c und d vergleichen die Themenreichweite und die Verteilung der Themen in den sechs Disziplinen. Die KI-Gruppe weist geringere Reichweite und geringere Entropie auf, also stärkere Konzentration. [2][3]

Wichtig: Die zweidimensionale Darstellung ist eine Visualisierung. Berechnet wird die Reichweite im ursprünglichen hochdimensionalen Raum. „Engerer Themenraum“ ist ein textbasiertes Maß und bedeutet nicht, dass jede KI-Arbeit weniger neuartig oder wissenschaftlich schlechter ist. [2][3]

Was daraus folgt

Die Autoren plädieren dafür, KI auch für neue Messungen, Datenerhebung und Experimente in bisher schwer zugänglichen Bereichen einzusetzen. Sie soll neue Beobachtungsmöglichkeiten eröffnen und nicht nur vorhandene Daten effizienter auswerten. Die Studie ist beobachtend, konzentriert sich auf sechs Naturwissenschaften und kann nicht erwähnte KI-Nutzung übersehen; Aussagen zur jüngsten generativen KI sind vorläufiger als die jahrzehntelangen Befunde zu älteren Verfahren. [3]

Quellen

  1. [1] Hao, Q., Xu, F., Li, Y. & Evans, J. (2026): Artificial intelligence tools expand scientists’ impact but contract science’s focus. Nature 649, 1237–1243. DOI: 10.1038/s41586-025-09922-y (öffnet in neuem Tab)
  2. [2] Hao et al. (2026): Abbildung 3 / Figure 3 – thematische Reichweite und Konzentration der Forschung (öffnet in neuem Tab)
  3. [3] Hao et al.: frei zugängliche akzeptierte Manuskriptfassung, arXiv v4 vom 29.11.2025 (CC BY 4.0) (öffnet in neuem Tab)

Dieses Indiz von Martin Ebner ist lizenziert unter
CC BY 4.0CCBY

Kommentare 0

Kommentare werden moderiert. Neue Beiträge erscheinen nach Prüfung durch die Redaktion.

Noch keine Kommentare.

Kommentar schreiben

Wird beim Beitrag veröffentlicht.

Nur für die Rückmeldung zum Status und für Rückfragen der Redaktion. Wird nie veröffentlicht und 30 Tage nach der Entscheidung gelöscht.

Kommentare werden vor der Veröffentlichung geprüft. Kein HTML; Links sind erlaubt.

Spamschutz

Zum Schutz vor Spam nutzen wir Cloudflare Turnstile. Beim Laden entsteht eine Verbindung zu Cloudflare. Mehr im Datenschutz

Sie möchten Cloudflare nicht laden? Dann schicken Sie Ihren Beitrag gerne per E-Mail an redaktion@postgenerativ.at.