Es ist längst keine Neuigkeit mehr, dass KI wissenschaftliche Arbeiten verfasst, und die KI im Bereich der wissenschaftlichen Forschung beginnt, sich das "nächste Bordticket" zu sichern.
Am 20. August 2026 berichtete *Nature* über eine Studie: Nach der Analyse der biomedizinischen Arbeiten, die in PubMed Central aufgenommen wurden, schätzten die Autoren, dass bis Dezember 2025 fast 90 % der Arbeiten Spuren von KI-gestütztem Schreiben aufweisen. Der geschätzte Anteil für das gesamte Jahr 2025 liegt bei etwa 77 %, 2024 bei 52 % und 2023 bei nur etwa 20 %.
Zuerst müssen zwei Punkte klargestellt werden, sonst versteht man den Inhalt leicht falsch: Erstens steht die Angabe „77 % für das gesamte Jahr 2025“ nicht im Widerspruch zu der Aussage „fast 90 % bis Dezember 2025“ – der erste Wert ist der Jahresdurchschnitt, der zweite der Spitzenwert im letzten Monat des Jahres. Der Anteil des KI-gestützten Schreibens ist im Laufe des Jahres stetig gestiegen und erreichte gegen Ende des Jahres etwa 90 %. Zweitens: Obwohl diese Studie erst im August 2026 veröffentlicht wurde, reichen ihre Daten nur bis Dezember 2025. Das liegt nicht an veralteten Daten, sondern daran, dass solche Text-Mining-Studien davon abhängen, dass die Arbeiten von PubMed Central vollständig archiviert werden. Die Archivierung selbst hat eine Verzögerung von mehreren Monaten bis zu einem halben Jahr, und die Forscher bevorzugen zudem die Verwendung von „vollen Kalenderjahren“ für den Jahresvergleich. Daher gibt es derzeit keine vertrauenswürdigen offiziellen Statistiken für die Daten des Jahres 2026 – bis zum Redaktionsschluss ist dies die neueste verfügbare Version der Studie.
Diese Nachricht wurde in den letzten Wochen bereits oft wiedergegeben, und die Zahlen selbst lassen sich leicht falsch interpretieren, daher lohnt es sich, einige Punkte noch einmal klarzustellen.
Erstens handelt es sich bei dieser Studie um ein Preprint, das am 12. August 2026 auf arXiv hochgeladen wurde und noch nicht von Fachkollegen begutachtet wurde. Sie erkennt die Häufigkeitsänderungen von Wörtern im Text der Arbeiten – welche Wörter und Ausdrucksweisen nach dem Erscheinen von ChatGPT plötzlich häufiger vorkommen – statt einzeln zu beurteilen, „ob diese Arbeit von KI geschrieben wurde“. Bei der Aufteilung nach verschiedenen Kapiteln unterscheidet sich die Signalintensität stark: 68 % im Diskussionsteil, 67 % in der Zusammenfassung, 59 % in der Einleitung, 46 % im Ergebnisteil und nur 32 % im Methodenteil. Mit anderen Worten: KI taucht häufiger auf der „Sprachebene“ der Arbeiten auf, nicht bei den Daten und Methoden selbst.
Zweitens ergab eine gleichzeitig durchgeführte, bereits von Fachkollegen begutachtete Studie (von Kyle Siler) mit unterschiedlichen Methoden und Zeitschriftenproben deutlich konservativere Werte: 12 % im Jahr 2023 und 57 % im Jahr 2025. Unterschiedliche Methoden können zu Ergebnissen führen, die um zwanzig Prozentpunkte auseinanderliegen – das zeigt bereits, dass die Antwort auf die Frage „Wie viele Arbeiten verwenden KI?“ weitgehend davon abhängt, wie die Frage gestellt und wie die Messung durchgeführt wird.
Daher sind „KI-Beteiligung am wissenschaftlichen Schreiben“ und „die KI die gesamte Forschung erledigen lassen“ zwei völlig unterschiedliche Dinge. Ersteres ist bereits eine Tatsache, während Letzteres die Grenzen der Forschungsauthentizität und der akademischen Integrität berührt.
Aber was die Industrie wirklich aus dieser Nachricht lernen kann, ist eine andere Ebene: Wenn die meisten Forscher bereits KI zum Schreiben von Arbeiten verwenden, was können Unternehmen, die speziell „KI-Arbeits-Schreibdienste“ verkaufen, noch anbieten? Die Antwort liegt wahrscheinlich nicht in der Aktion des „Schreibens“ selbst, sondern in dem längeren Prozess hinter dem Schreiben – dem vollständigen Ablauf einer Forschung von der Fragestellung bis zur fertigen Arbeit. Wer sich wirklich in diesen Prozess einbinden kann, hat die Chance, die Nutzer zu behalten.
Vor drei Jahren reichte es aus, dass ein Produkt das Hochladen von PDFs, das Zusammenfassen von Literatur, das Verbessern von englischen Texten und das Generieren eines strukturierten ersten Entwurfs nach Themen ermöglichte, um Forscher zu begeistern. Wenn man diese Funktionen heute zum Verkauf anbietet, denken die Nutzer meist nicht an eine Bezahlung, sondern öffnen direkt ChatGPT, Claude oder Gemini. Funktionen wie Dateilesen, vernetzte Suche, langer Kontext, Codeausführung, Datenanalyse und LaTeX-Generierung – die früher separat von vertikalen KI-Tools für die Wissenschaft verpackt werden mussten – werden nach und nach zu integrierten Fähigkeiten allgemeiner Modelle.
Mehr Menschen als je zuvor nutzen KI zur Unterstützung der wissenschaftlichen Arbeit, aber es wird immer schwieriger, allein mit dem „Generieren von Arbeiten“ Geld zu verdienen. Die KI für die Wissenschaft sucht nach dem nächsten Ticket für die Weiterentwicklung.
„Ihnen beim Schreiben von Arbeiten helfen“ wird zunehmend zu einem schwierigen Geschäft
Die wissenschaftliche Forschung gehört ursprünglich zu den Szenarien, die am besten für die Entwicklung vertikaler KI-Tools geeignet sind.
Ein Forscher hat täglich mit vielen digitalen Tools zu tun: Er sucht Arbeiten in akademischen Datenbanken, verwaltet Literatur mit Zotero, verarbeitet Daten mit Excel, R oder Python, schreibt den Haupttext in Word oder Overleaf und reicht die Arbeit schließlich über das Verlagssystem ein. Diese Software ist nicht von Natur aus miteinander verbunden, und die Informationen müssen von den Forschern manuell übertragen werden.
In den ersten zwei Jahren nach dem Aufkommen großer Modelle gab es überall Chancen: Wenn man keine Prompts schreiben konnte, gab es Produkte, die Prompts zu Schaltflächen machten; wenn das Modell nicht Dutzende von Arbeiten auf einmal lesen konnte, gab es Produkte, die speziell PDFs analysierten und Indizes erstellten; wenn das Modell nicht zuverlässig mit akademischen Zitaten umgehen konnte, wurde eine zusätzliche Literatursuche hinzugefügt; wenn man kein LaTeX beherrschte, wurden Vorlagen, Formatkonvertierung und Layout ergänzt.
Das Geschäft der ersten Generation von KI-Tools für die Wissenschaft basierte weitgehend auf der „Fähigkeitslücke“ zwischen allgemeinen Modellen und den tatsächlichen Anforderungen der wissenschaftlichen Forschung: Theoretisch können Modelle viele Dinge tun, aber gewöhnliche Forscher können sie nicht nutzen oder die Nutzung ist zu umständlich. Vertikale Produkte umhüllen diese Fähigkeiten mit einer Oberfläche, die den Gewohnheiten der wissenschaftlichen Arbeit näher kommt – so entsteht ein funktionierendes Geschäftsmodell.
In den letzten Jahren haben diese Produkte ihre Positionen hauptsächlich in verschiedenen Gliedern der Wertschöpfungskette gefunden: Consensus dient als Eingang für die akademische Suche, Elicit konzentriert sich auf die Literaturübersicht und die Extraktion von Beweisen, Scite arbeitet langfristig an den Zitierbeziehungen zwischen Arbeiten, und Produkte wie Paperpal und Writefull gelangen durch die Sprachverbesserung in den täglichen Arbeitsablauf der Forscher.
Diese Anforderungen an sich sind kein Problem, aber die Schwierigkeit liegt darin, dass sich diese Fähigkeitslücke zwischen vertikalen Produkten und allgemeinen Modellen schnell schließt.
Grundlegende Modelle unterstützen nativ Dateien, vernetzte Suche und längere Kontexte, und Codeausführung sowie Datenanalyse werden nach und nach zu Standardfunktionen. Das Aufkommen von Agenten hat die Modelle noch weitergebracht: von „eine Frage beantworten“ zu „eine Reihe von Aufgaben nacheinander erledigen“. Die Fähigkeiten, die früher von KI-Unternehmen für die Wissenschaft selbst verpackt werden mussten, werden nun schrittweise von den Modellanbietern übernommen.
Das ist nicht das erste Mal in der KI-Branche. Die Zusammenfassung war früher ein eigenständiges Produkt, später wurde sie zu einer Schaltfläche; Übersetzung, Umschreibung, PDF-Dialog und vernetzte Suche haben alle einen ähnlichen Verlauf durchgemacht. Mit jeder neuen Version des Modells muss die Anwendungsebene die Frage neu beantworten: „Warum sollte ich noch existieren?“
Die KI für die Wissenschaft ist nun an diesem Punkt angelangt – und die Zahl „fast 90 % der Arbeiten weisen Spuren von KI-gestütztem Schreiben auf“ ist für KI-Unternehmen für die Wissenschaft nicht unbedingt eine gute Nachricht. Je vertrauter die Forscher mit der Nutzung von KI werden, desto niedriger sind natürlich die Kosten für die Nutzerakquise; aber eine Person, die bereits an ChatGPT, Claude oder Gemini gewöhnt ist, lässt sich nur schwer davon überzeugen, Geld für ein anderes Chat-Fenster auszugeben, das „Arbeiten besser versteht“.
Das eigentliche Problem ist nicht mehr, ob Forscher KI nutzen werden, sondern: Was können KI-Unternehmen für die Wissenschaft außer dem Modell selbst noch anbieten?
Von Suche und Zitaten zu Agenten: Die KI für die Wissenschaft verlässt allmählich das „Schreiben von Arbeiten“
In den letzten Monaten haben die Veränderungen mehrerer Produkte einige Hinweise geliefert.
Elicit ist ein typisches Beispiel. Es wurde den Forschern ursprünglich durch Literatursuche, Beweiserhebung und systematische Übersichten bekannt; aber seit 2026 entwickelt es sich deutlich über das „Suchen von Arbeiten“ hinaus. Im Mai hat es die Funktion der systematischen Übersicht weiter an Normen wie PRISMA 2020 ausgerichtet und „Reproduzierbarkeit, Nachvollziehbarkeit und Prüfbarkeit“ zu seinen Kernfähigkeiten gemacht. Im Juni begann sein Research Agent, Forschungsgüter wie Gensequenzen, Omics-Daten und Mikroskopbilder zu verarbeiten sowie Datenanalysen und Diagrammerstellungen durchzuführen. Im Juli wurden API und MCP geöffnet, sodass andere Agenten und wissenschaftliche Arbeitsabläufe seine Fähigkeiten direkt nutzen können. Im August wurde ein Research Agent für komplexe wissenschaftliche Entscheidungen eingeführt, ergänzt um kooperative Sitzungen, Artifact Editing und gemeinsam genutzte Projekte. Diese Schritte passierten fast im selben Monat wie der Bericht in *Nature* – das ist kein Zufall, sondern eher ein Zeichen dafür, dass die Realität „KI ist bereits weit verbreitet im wissenschaftlichen Schreiben“ gleichzeitig auf Produkt- und Öffentlichkeitsebene auftritt.
Die Entwicklung dieses Produktpfades ist eindeutig: Es begnügt sich nicht mehr damit, Forschern bei der Suche nach einigen Arbeiten zu helfen, sondern möchte in den laufenden Forschungsprozess selbst eintreten.
Scite geht einen anderen Weg. Sein Wert liegt nicht darin, noch einen weiteren Chat-Roboter zu bauen, sondern in den über Jahre angesammelten Zitierbeziehungen zwischen Arbeiten – ob die nachfolgende Arbeit eine frühere Forschung unterstützt, widerlegt oder nur kurz erwähnt. Je leistungsfähiger die allgemeinen Modelle werden, desto wertvoller werden diese strukturierten akademischen Daten, weil Modelle jederzeit ersetzt werden können, aber eine zuverlässige Datenquelle nicht durch die Aktualisierung von GPT an Wert verliert.
Ähnliche Veränderungen breiten sich auf dem gesamten Markt aus: Einige konkurrieren um die akademische Suche, andere um Zitate und Beweise, wieder andere versuchen, den vollständigen Arbeitsablauf abzudecken.
Einige jüngere Produkte in China entwickeln sich ebenfalls in diese Richtung, und Textira ist ein Beispiel, das näher betrachtet werden kann.
Seine Positionierung ist direkt – der Satz auf der Startseite der offiziellen Website lautet „Turn the experiment into a paper you can submit“ – aber das eigentliche Produktdesign ist nicht „ein Thema eingeben und eine Arbeit generieren“, sondern die vier Phasen Topic, Experiment, Results und Draft zu einem kontinuierlichen Arbeitsablauf zu verbinden: Zuerst werden Forschungsmethoden, Variablen und Bewertungsindikatoren festgelegt, danach werden die ursprünglichen Versuchsaufzeichnungen automatisch zu Material für Tabellen, Diagramme und Diskussionsabschnitte zusammengestellt, statt sie manuell zu übertragen, wenn die Arbeit fast fertig ist. Bei jedem Schritt des Schreibens kann der aktuelle Satz direkt zu dem entsprechenden Dokument oder Versuchsprotokoll zurückverfolgt werden, statt die Zitate nach dem Schreiben nachträglich hinzuzufügen. In der Endphase passt Textira automatisch die Spaltenbreite, die Anforderungen für die anonyme Begutachtung und die Layoutnormen an die Zielzeitschrift an (Formate von Konferenzen wie NeurIPS und ICML werden unterstützt) und exportiert schließlich vier bearbeitbare Formate auf einmal: Word, LaTeX, PDF und PPT.
Dieser Weg unterscheidet sich von Elicit und Scite: Die beiden letzteren vertiefen sich eher in ein bestimmtes Glied der Kette, während Textira den vollständigen Ablauf eines Forschers von der Themenfindung bis zur Einreichung der Arbeit in ein einziges Arbeitsfeld integriert. Es ist noch zu früh, um zu sagen, ob dieser Weg erfolgreich sein wird, aber er bietet zumindest einen anderen Ansatz als Literatursuche und Zitierbeziehungen.
Startseite der offiziellen Website von Textira (September 2026, Quelle: textira.com)
Was hier wirklich Aufmerksamkeit verdient, ist nicht die Tatsache, dass „KI noch mehr Kapitel schreiben kann“. Im Gegenteil: Allgemeine Modelle sind bereits gut genug im Schreiben, sodass es wenig Sinn macht, die Anzahl der generierten Wörter stetig zu erhöhen. Das schwierigere Problem besteht darin, die Forschungsprozesse zu verbinden, die früher in verschiedenen Software verteilt waren.
Zum Beispiel: Wenn ein Experiment neue Ergebnisse liefert, muss der Forscher die Daten möglicherweise zuerst in Excel oder Python laden, um neue Diagramme zu erstellen, und dann die Zahlen zurück in Word übertragen. Wenn sich die Ergebnisse in der Arbeit ändern, muss er überprüfen, ob Zusammenfassung und Diskussion entsprechend angepasst wurden. Um Zitate hinzuzufügen, muss er Zotero öffnen. Wenn die Einreichung ansteht, muss er in Overleaf oder das Verlagssystem gehen, um das Layout neu anzupassen. Diese Tools wissen nichts von den Änderungen in den anderen, und der Forscher selbst pflegt die Beziehungen zwischen ihnen. In gewisser Hinsicht sind Forscher seit langem die teuerste API zwischen wissenschaftlicher Software.
Das macht Agenten für die wissenschaftliche Arbeit so attraktiv: Wenn KI verstehen kann, dass sich das Experiment geändert hat, und weiß, welche Diagramme, Zahlen und Textabschnitte entsprechend aktualisiert werden müssen, spart sie nicht nur die Zeit, zwei Abschnitte der Einleitung zu schreiben, sondern reduziert eine Menge mechanischer Arbeit über den gesamten mehrmonatigen Forschungszyklus.
Aber wenn die KI für die Wissenschaft diesen Schritt geht, taucht ein schwierigeres Problem als die Effizienz auf: KI kann Forschern immer mehr Dinge erledigen, aber wer beweist, dass diese Dinge richtig gemacht wurden?
Die eigentliche Schwierigkeit der KI für die Wissenschaft ist nicht die Automatisierung, sondern die Vertrauenswürdigkeit nach der Automatisierung
Das ist der grundlegende Unterschied zwischen wissenschaftlichen Agenten und den meisten Büroagenten.
Wenn ein Programmierer KI eine Codeänderung durchführen lässt, helfen ihm zumindest Kompilierung, Test und Ausführungsergebnis zu beurteilen, ob das System beschädigt wurde. Die wissenschaftliche Arbeit ist nicht so einfach: Eine erfolgreiche LaTeX-Kompilierung bedeutet nur, dass die Arbeit zu einer PDF generiert werden kann, nicht dass die Zahlen darin stimmen. Wenn die KI eine tatsächlich existierende Arbeit findet, bedeutet das nicht, dass diese Arbeit den von ihr geschriebenen Satz unterstützt. Wenn ein statistisches Programm erfolgreich läuft, bedeutet das nicht, dass das Versuchsdesign selbst sinnvoll ist. Das Modell kann sogar einen fachlich einwandfreien und logischen Diskussionsteil schreiben, in dem eine kausale Erklärung den Rahmen der unterstützbaren Aussagen aus den Versuchsdaten bereits überschreitet.
Je flüssiger die KI schreibt, desto schwieriger sind solche Fehler manchmal zu entdecken.
Daher darf ein „wissenschaftlicher Agent“ nicht einfach als ein automatisierter Arbeitsgenerator verstanden werden. Wenn das Produkt nur den einmaligen Generierungsprozess auf