Beschleunigt KI die Forschung – oder verengt sie unseren Blick auf den Menschen?
Die Vorstellung klingt verführerisch: Eine KI liest tausende Studien, entwickelt eine Hypothese, schreibt den Code, führt digitale Experimente aus, wertet die Ergebnisse aus und entwirft gleich den nächsten Versuch. Aus Monaten werden Tage, aus knappen Teams werden ständig arbeitende Agenten. Teile davon sind 2026 keine Zukunftsmusik mehr. Systeme für automatisierte KI-Forschung und wissenschaftliche Co-Piloten zeigen, wie weit sich einzelne Schritte beschleunigen lassen. Doch gerade bei Forschung über Menschen entsteht ein merkwürdiges Problem: Je leichter sich ein Prozess automatisieren lässt, desto größer kann der Anreiz werden, nur noch das zu untersuchen, was bereits digital, standardisiert und skalierbar ist.
Auf diese Spannung weisen Yusuke Moriguchi und Yasuhiro Kanakogi in einem am 31. August 2026 veröffentlichten Kommentar in Nature Human Behaviour hin. Ihre These ist bewusst zugespitzt: KI werde vor allem jene Verhaltensforschung beschleunigen, die digital zugänglich, skalierbar und häufig auf westliche, gebildete, industrialisierte, wohlhabende und demokratische Gesellschaften ausgerichtet ist – in der Forschung oft mit dem Kürzel WEIRD beschrieben. Menschliches Verhalten lasse sich jedoch nicht beliebig skalieren. Schnelle automatisierte Arbeit müsse deshalb mit langsamer Forschung in realen Lebenswelten verbunden werden.
Die schnellen Teile sind leicht zu erkennen. Sprachmodelle können Literatur ordnen, mögliche Zusammenhänge vorschlagen, Fragebögen entwerfen, Programmcode erzeugen und große Datensätze durchsuchen. In klar abgegrenzten digitalen Umgebungen können Forschungsagenten sogar ganze Schleifen durchlaufen: Idee, Experiment, Ergebnis, Kritik, nächste Idee. Die Nature-Arbeit ‚Towards end-to-end automation of AI research‘ demonstrierte einen solchen Ansatz für maschinelles Lernen. Der Bereich eignet sich besonders, weil Daten, Aufgaben, Bewertungsmaße und Experimente bereits im Rechner liegen. Das System kann handeln, ohne ein Labor zu betreten oder einen Menschen zu interviewen.
Auch in der Biomedizin wird das Potenzial sichtbar. Ein in Nature vorgestelltes Co-Scientist-System soll Forschende bei Hypothesengenerierung und Forschungsplanung unterstützen; ausgewählte Vorschläge wurden anschließend experimentell geprüft. Der entscheidende Punkt steckt im Wort ‚unterstützen‘. Die KI kann Suchräume vergrößern und ungewöhnliche Verbindungen vorschlagen. Ob eine Hypothese biologisch sinnvoll ist, ein Experiment sauber durchgeführt wurde und ein Befund klinisch Bedeutung hat, entscheidet sich weiterhin an Fachwissen, Laborarbeit und realen Daten.
In den Verhaltenswissenschaften ist die Lücke noch deutlicher. Ein Online-Experiment lässt sich schnell an tausende Teilnehmende verteilen. Verhalten in Familien, Klassenzimmern, Betrieben oder kulturell sehr unterschiedlichen Gemeinschaften passt jedoch nicht immer in dieselbe Oberfläche. Gesten, Rollen, materielle Bedingungen, Sprache, Vertrauen und lokale Normen verändern, was eine Frage bedeutet und wie Menschen reagieren. Wer nur vorhandene digitale Datenspuren auswertet, sieht vor allem Menschen, die diese Dienste nutzen, die nötige Infrastruktur besitzen und bereit sind, dort messbares Verhalten zu zeigen.
Das WEIRD-Problem existierte lange vor generativer KI. Bereits 2010 kritisierten Forschende, dass ein großer Teil psychologischer Evidenz aus einem ungewöhnlich schmalen Ausschnitt der Weltbevölkerung stammt. KI kann dieses Problem mildern, etwa durch Übersetzung, bessere Koordination internationaler Teams oder günstigere Auswertung komplexer Daten. Sie kann es aber auch verstärken: Modelle lernen aus vorhandener Literatur und vorhandenen Datensätzen. Wenn diese Quellen bestimmte Regionen, Sprachen und Lebensformen überrepräsentieren, wird genau dieser Ausschnitt zur bequemsten Grundlage für neue Hypothesen.
Geschwindigkeit ist deshalb kein neutrales Qualitätsmerkmal. Sie verändert, welche Projekte attraktiv erscheinen. Ein digitaler Datensatz kann in Stunden analysiert werden; eine vertrauensvolle Feldstudie braucht Monate oder Jahre. Förderer, Hochschulen und Unternehmen könnten die schnelle Arbeit leichter belohnen, weil sie mehr Ergebnisse, Papers und Kennzahlen produziert. Langsame Beobachtung wirkt daneben ineffizient, obwohl sie vielleicht genau jene Annahme korrigiert, auf der die automatisierte Pipeline beruht. Das Risiko ist nicht unbedingt falsche Wissenschaft. Es ist eine Wissenschaft, die immer genauer über einen immer schmaleren Ausschnitt Bescheid weiß.
Eine Nature-Studie aus dem Januar 2026 beschreibt ein verwandtes Muster auf Ebene wissenschaftlicher Karrieren und Themen: KI-Werkzeuge können den Einfluss einzelner Forschender vergrößern und zugleich den thematischen Fokus der Wissenschaft verengen. Der Titel fasst die Spannung treffend zusammen, doch auch hier ist Vorsicht nötig. Solche Befunde sagen nicht, dass jede KI-Nutzung zwangsläufig zu Monokultur führt. Sie machen sichtbar, dass individuelle Produktivitätsgewinne und kollektive Vielfalt nicht dasselbe Ziel sind. Was für eine Person effizient ist, kann ein ganzes Forschungsfeld in ähnliche Richtungen ziehen.
Wie könnte eine bessere Arbeitsteilung aussehen? Zuerst sollte KI dort Reibung entfernen, wo sie wenig Erkenntniswert besitzt: Literatur doppelt sortieren, Dateiformate vereinheitlichen, Code dokumentieren, Übersetzungsentwürfe liefern oder plausible Fehler in Daten markieren. Die Forschungsfrage selbst braucht dagegen Widerspruch. Welche Menschen fehlen? Welche Variable ist nur bequem messbar? Welche Beobachtung würde die bevorzugte Erklärung widerlegen? Solche Fragen sollten vor der Automatisierung festgehalten und später von Personen geprüft werden, die den untersuchten Kontext kennen.
Zweitens braucht jede schnelle Pipeline einen langsamen Gegenpart. Eine aus großen Datensätzen abgeleitete Hypothese kann in Interviews, Feldbeobachtungen oder lokal angepassten Experimenten getestet werden. Umgekehrt können Beobachtungen aus kleinen realen Settings neue Variablen liefern, die in großen Daten bislang unsichtbar waren. Das ist kein romantischer Gegensatz zwischen Mensch und Maschine. Es ist ein Kreislauf: KI erweitert den Suchraum, Feldarbeit prüft die Bedeutung, Automatisierung testet Muster, reale Kontexte korrigieren die Kategorien.
Drittens sollten Forschungsteams Vielfalt nicht nur bei Teilnehmenden zählen, sondern bei der Entstehung einer Studie. Wer formuliert die Frage? Wer definiert Erfolg? Welche Sprache wird zuerst verwendet? Wer kann einer technisch eleganten, lokal aber unsinnigen Annahme widersprechen? Ein internationales Datenset allein löst diese Probleme nicht, wenn die theoretischen Kategorien weiterhin aus demselben Milieu stammen. Lokale Forschende und betroffene Gemeinschaften dürfen nicht bloß Datenlieferanten am Ende einer globalen KI-Pipeline sein.
Für Unternehmen ist diese Debatte ebenfalls relevant. Wer KI-gestützte Markt- oder Nutzerforschung einkauft, bekommt oft schnell klare Muster. Die entscheidende Kontrollfrage lautet: Über wen wissen wir jetzt mehr – und wer ist aus dem Modell verschwunden? Klickdaten erklären kein Nichtnutzen, ein Chatprotokoll keine schweigende Kundschaft und ein Online-Panel nicht jede Alltagssituation. Ein kleiner Vor-Ort-Test kann mehr Wert haben als eine weitere Million Zeilen derselben Art.
Der Nature-Kommentar ist kein empirischer Nachweis dafür, dass KI die Verhaltenswissenschaft bereits verengt. Er ist eine begründete Warnung, gestützt auf bekannte Repräsentationsprobleme und neue Automatisierungsmöglichkeiten. Gerade deshalb ist er nützlich. Er fragt nicht, ob KI schnell genug wird. Das wird sie in vielen Bereichen. Er fragt, ob unsere Methoden langsam genug bleiben, um zu bemerken, wann Daten den Menschen nicht mehr angemessen beschreiben.
Gute KI-gestützte Forschung wird daher zweigleisig fahren. Sie nutzt Maschinen für Tempo, Breite und Wiederholung. Und sie reserviert menschliche Zeit für Beobachtung, Vertrauen, Urteil und die Begegnung mit Fällen, die nicht in das vorhandene Schema passen. Die Zukunft der Wissenschaft ist nicht schnell oder langsam. Sie wird dann klüger, wenn sie genau weiß, welcher Teil schnell sein darf – und welcher nicht.
Wo würdest du KI in einem Forschungsprojekt einsetzen, und welchen Schritt würdest du bewusst bei Menschen lassen? Nutze die Frage als kleinen Test für jedes Analyseprojekt: Was wird schneller – und was könnte dadurch unsichtbar werden?
Quellen und weiterführende Informationen
Kommentare