(KI als Verstärker wissenschaftlicher Schwächen 3)
KI verstärkt die Schwächen wissenschaftlicher Publikationsmechanismen
Wenn Publizieren zum Selbstzweck wird
Publish or perish – veröffentliche oder verschwinde. Das Bonmot beschreibt zugespitzt einen Wissenschaftsbetrieb, in dem wissenschaftliche Veröffentlichungen längst nicht mehr nur der Verbreitung neuer Erkenntnisse dienen. Sie sind die wichtigste Währung akademischer Karrieren.
Darin liegt ein Widerspruch. Forschung lebt davon, dass neue Erkenntnisse öffentlich überprüfbar werden. Veröffentlichungen sind deshalb unverzichtbar. Problematisch wird es jedoch, wenn nicht mehr die wissenschaftliche Qualität, sondern vor allem die Anzahl der Publikationen über Reputation, Berufungen oder Fördergelder entscheidet. Kaum zu glauben, aber die pure Länge (!) der Publikationsliste zählt. Wo Quantität belohnt wird, entsteht ein struktureller Anreiz, möglichst viel statt Bedeutsames zu publizieren.
Die Folgen reichen weit über die individuelle Karriere hinaus. Forschende geraten unter permanenten Zeitdruck. Langfristige, riskante Projekte verlieren gegenüber schnell publizierbaren Ergebnissen an Attraktivität. Damit verändert sich nicht nur das Verhalten einzelner Wissenschaftler, sondern die Dynamik des gesamten Wissenschaftssystems.
Die Ökonomie des Mittelmaßes
Wissenschaftlicher Fortschritt entsteht selten im Akkord. Eine tragfähige Theorie zu entwickeln, bestehende Annahmen zu falsifizieren oder eine neuartige Methode zu etablieren, verlangt Geduld, Kreativität und oft jahrelange Arbeit. Gerade diese Zeit steht im gegenwärtigen Wissenschaftsbetrieb jedoch immer seltener zur Verfügung.
Stattdessen haben sich Strategien etabliert, die Publikationszahlen erhöhen, ohne den Erkenntnisgewinn im gleichen Maß zu steigern. Ein bekanntes Beispiel ist die sogenannte Salamitaktik: Ein Forschungsvorhaben wird in zahlreiche kleine Veröffentlichungen aufgeteilt. Häufig beruhen diese auf begrenzten Datensätzen, unterdimensionierten Studien oder selektiv ausgewählten Stichproben.
Hinzu kommt die Mehrfachverwertung wissenschaftlicher Inhalte. Ergebnisse erscheinen zunächst als Working Paper, später als Konferenzbeitrag, anschließend in einer Fachzeitschrift und schließlich – leicht umformuliert – in praxisorientierten Medien. Diese Formate haben jeweils ihre Berechtigung. Problematisch wird es dort, wo sie in erster Linie der Verlängerung von Publikationslisten dienen und nicht einem zusätzlichen wissenschaftlichen Erkenntnisgewinn.
So entsteht eine Literatur, die zwar ständig wächst, deren Informationsgehalt aber nicht im gleichen Maß zunimmt, sondern sogar abnimmt. Die Wissenschaft produziert immer mehr Texte und auf die beschriebene Weise Unübersichtlichkeit, verwirrend Vages und damit im Endeffekt sogar weniger Wissen.
KI schwächt die Wissenschaft
Vor diesem Hintergrund stellt sich die Frage nach der Rolle generativer KI. Häufig wird diskutiert, ob große Sprachmodelle den Wissenschaftsbetrieb verändern. Tatsächlich setzen sie auf einer Entwicklung auf, die bereits lange vor ihrer Entstehung begonnen hat.
Große Sprachmodelle erzeugen kein neues Wissen. Sie lernen aus vorhandenen Veröffentlichungen und verdichten deren Inhalte zu sprachlich flüssigen Zusammenfassungen. Genau darin liegt das Problem. Wenn der wissenschaftliche Korpus bereits von einer großen Zahl durchschnittlicher oder wenig aussagekräftiger Publikationen geprägt ist, reproduziert die KI diese Struktur.
Das bekannte Prinzip „Garbage in, garbage out“ erhält dadurch eine neue Bedeutung. Aus einer Literatur, die teilweise durch strukturelle Fehlanreize entstanden ist, entstehen KI-generierte Texte, welche die bestehenden Muster weiter verstärken. Originelle Hypothesen, methodische Besonderheiten oder theoretische Brüche werden dabei häufig geglättet. Sprachmodelle bevorzugen das statistisch Wahrscheinliche – und damit den wissenschaftlichen Mainstream.
KI ersetzt deshalb wissenschaftliche Urteilskraft nicht, sondern verstärkt vorhandene Trends. Wo bereits wissenschaftliche Modewellen dominieren, können sie durch KI zusätzlich aufgeschaukelt werden.
Zwischen Datenflut und kreativer Erkenntnis
Der Neurobiologe und Nobelpreisträger Thomas Südhof weist darauf hin, dass in vielen Bereichen der Biologie enorme Mengen an Daten produziert werden. Diese Daten sind häufig nicht standardisiert und daher miteinander nicht vergleichbar. Die Herausforderung besteht längst nicht mehr im Mangel an Informationen, sondern im Überfluss schlechter Informationen und dementsprechend in ihrer wissenschaftlichen Einordnung.
Gerade in solchen Situationen zeigt sich die Ambivalenz generativer KI. Für klar umrissene Aufgaben – etwa die Erkennung von Mustern in Bilddaten, die Analyse komplexer Datensätze oder die Vorhersage von Proteinstrukturen – erweist sie sich als außerordentlich leistungsfähig. Wo jedoch wissenschaftliche Originalität, theoretische Einordnung oder die Bewertung der Qualität von Forschung gefragt sind, stößt sie an grundlegende Grenzen. Denn Qualität hieße, eine Theorie zu falsifizieren oder eine neue Theorie aufzustellen. Es hieße interessante Hypothesen zu genieren, ein fruchtbares Modell oder eine revolutionäre Methode zu entwickeln etc.
KI kann Informationen verdichten, aber Neues und Kreatives? Ob Informationen wissenschaftlich tragfähig und fruchtbar sind, kann sie nicht entscheiden.
Wissenschaft braucht menschliche Urteilskraft
Die eigentliche Herausforderung liegt deshalb nicht in der Leistungsfähigkeit der KI, sondern in der Qualität ihres Ausgangsmaterials. Solange wissenschaftlicher Erfolg überwiegend über Publikationszahlen definiert wird, lernen Sprachmodelle aus einem Korpus, der dieselben strukturellen Schwächen enthält wie das Wissenschaftssystem selbst.
Man könnte hoffen, dass zukünftige Formen künstlicher Intelligenz – bis hin zu einer möglichen Allgemeinen Künstlichen Intelligenz (AGI) – wissenschaftliche Qualität zuverlässig erkennen und von bloßer Publikationsmasse unterscheiden. Ob dies gelingen wird, bleibt zweifelhaft. Wissenschaftliche Qualität erschöpft sich nicht in statistischen Mustern. Sie zeigt sich dort, wo neue Fragen gestellt, etablierte Annahmen infrage gestellt und unerwartete Zusammenhänge sichtbar werden.
Generative KI ist deshalb gegenwärtig weniger eine Revolution der Wissenschaft als ein Spiegel ihrer bestehenden Strukturen. Sie macht sichtbar, was (an Schwächen) bereits vorhanden ist – und verstärkt diese wie ein Brennglas die Sonnenstrahlen. Ob daraus wissenschaftlicher Fortschritt entsteht, entscheidet letztlich nicht die Maschine, sondern der Mensch.
27. Juli 2026
1 Forbes: A Nobel Laureate's Honest Review Of AI In Biology (Juni 2026). https://bit.ly/4yXNPbQ