Künstliche Intelligenz verändert die Wissenschaft grundlegend: KI-Systeme formulieren heute Hypothesen, planen Experimente und werten Ergebnisse aus – und entwickeln sich damit vom Werkzeug zum eigenständigen Forschungsakteur.
KI-Systeme übernehmen zunehmend eigenständige Aufgaben in der wissenschaftlichen Forschung
Künstliche Intelligenz dringt in wissenschaftliche Labore vor – nicht mehr nur als Analyse-Werkzeug, sondern als eigenständiger Akteur, der Hypothesen formuliert, Experimente plant und Ergebnisse auswertet. Dieser Trend beschleunigt sich laut einer aktuellen Bestandsaufnahme des MIT Technology Review erheblich und verändert die Arbeitsweise in Forschungseinrichtungen weltweit.
Von der Assistenz zur Eigeninitiative
Noch vor wenigen Jahren beschränkte sich der KI-Einsatz in der Wissenschaft im Wesentlichen auf die Auswertung großer Datensätze oder die Literaturrecherche. Heute gehen führende Forschungseinrichtungen deutlich weiter: Systeme wie Googles AlphaFold haben gezeigt, dass KI-Modelle in der Lage sind, wissenschaftliche Probleme – hier die Proteinfaltung – auf eine Weise zu lösen, die jahrzehntelange manuelle Forschungsarbeit übersteigt.
Auf dieser Basis entstehen nun sogenannte „AI Scientists” – KI-Agenten, die den gesamten wissenschaftlichen Zyklus von der Fragestellung bis zur Schlussfolgerung eigenständig durchlaufen können.
Konkrete Beispiele reichen von automatisierten Chemierobotern, die Experimente physisch durchführen, bis hin zu Large Language Models, die biologische oder materialwissenschaftliche Hypothesen generieren und priorisieren. Das Unternehmen Insilico Medicine etwa nutzt KI, um neue Wirkstoffe zu identifizieren und in klinische Studien zu bringen – deutlich schneller als mit klassischen Methoden.
Beschleunigung, aber keine vollständige Autonomie
Trotz der wachsenden Fähigkeiten dieser Systeme betonen Experten klare Grenzen. KI-Agenten sind derzeit besonders stark in klar definierten, datenreichen Domänen.
Wo kreatives Querdenken, ethische Urteilsfähigkeit oder der Umgang mit grundlegend neuen Phänomenen gefragt ist, bleibt menschliche Expertise unverzichtbar.
Ein weiteres Problem: KI-Systeme neigen dazu, Ergebnisse zu produzieren, die plausibel klingen, aber fehlerhaft sind – ein in der Wissenschaft besonders kritisches Risiko.
Hinzu kommt die Frage der Reproduzierbarkeit. Wenn KI-generierte Experimente nicht transparent dokumentiert werden, lassen sich Ergebnisse kaum nachvollziehen oder überprüfen. Wissenschaftsorganisationen und Verlage arbeiten deshalb an neuen Standards für die Offenlegung von KI-Beiträgen in Publikationen.
Investitionen und institutioneller Wandel
Der Markt reagiert: Risikokapital fließt verstärkt in Start-ups, die KI-gestützte Forschungsplattformen entwickeln – insbesondere in den Bereichen Pharma, Materialwissenschaften und Klimaforschung. Gleichzeitig rüsten etablierte Einrichtungen auf: Das Wellcome Trust und die Bill & Melinda Gates Foundation haben Programme aufgelegt, die den Einsatz von KI in der biomedizinischen Grundlagenforschung gezielt fördern.
Auch die Personalfrage verändert sich grundlegend:
Gefragt sind zunehmend Wissenschaftler, die KI-Systeme konfigurieren, validieren und kritisch einordnen können – eine Kompetenz, die in Ausbildungsprogrammen bislang kaum systematisch vermittelt wird.
Einordnung für deutsche Unternehmen und Forschungseinrichtungen
Für deutsche Unternehmen, insbesondere aus der Chemie-, Pharma- und Materialbranche, ist der Trend unmittelbar relevant: Wer KI-gestützte Forschungsinfrastrukturen früh aufbaut, kann Entwicklungszyklen verkürzen und Ressourcen effizienter einsetzen.
Fraunhofer-Institute und Helmholtz-Zentren erproben entsprechende Ansätze bereits – doch der Transfer in industrielle F&E-Abteilungen verläuft noch zögerlich. Entscheidend wird sein, interne Kompetenzen für die Bewertung und Steuerung solcher Systeme aufzubauen und nicht allein auf externe Anbieter zu setzen.
