Wenn KI ins Labor geht: Der Wandel zur KI-gestützten wissenschaftlichen Entdeckung in 2026

Zwei Jahre lang war KI eine sehr gute Bibliothekarin. Man gibt ihr einen Korpus, sie liefert eine Zusammenfassung zurück. Sie zitiert korrekt. Sie erfindet selten etwas. In der großzügigsten Lesart ist sie ein schnellerer Weg zu lesen, was andere bereits geschrieben haben. Nützlich. Begrenzt.

In 2026 ändert sich dieser Vertrag. Microsoft hat es in einem Ausblick auf das Jahr unverblümt formuliert: „KI wird nicht nur Papers zusammenfassen, Fragen beantworten und Berichte schreiben. Sie wird sich aktiv am Prozess der Entdeckung in Physik, Chemie und Biologie beteiligen." Das ist nicht als Vorhersage verkleidete Spekulation. OpenAI hat mittlerweile ein eigenes Team für KI in der Wissenschaft, Google DeepMind vorausgegangen. Das Modell bewegt sich den Stack hinauf, von „sage mir, was bekannt ist" zu „sage mir, was als Nächstes zu versuchen ist."

Das ist der wichtigste KI-Trend des Jahres. Nicht weil die Fähigkeit neu ist - Modelle, die Papers lesen können, haben wir seit Jahren. Es ist wichtig, weil sich das operative Modell ändert. Der Engpass für KI-gestützte Wissenschaft ist nicht mehr „kann das Modell über ein Protein nachdenken." Er ist „kann ein Labor der Argumentation des Modells genug vertrauen, um das vorgeschlagene Experiment tatsächlich durchzuführen." Das ist ein Produktproblem, kein Forschungsproblem.

Was sich 2026 verändert hat

Drei Dinge bewegten sich gleichzeitig, und sie wirken zusammen.

1. Domänenmodelle haben die Reasoning-Schwelle überschritten. Geminis Biologievarianten, Claudes Chemie-Toolchains und OpenAIs wissenschaftlicher Reasoning-Stack sind keine Pattern-Matcher über einem Korpus mehr. Sie schlagen Mechanismen vor, bewerten sie anhand interner Priors und heben diejenigen hervor, die falsifizierbar wirken. Das ist die Sprache eines Kollegen in einer Gruppensitzung, nicht einer Suchmaschine.

2. Tool-Use ist reif genug, um ein Labor zu betreiben. Roboterchemiker, automatisierte Nasslabore und Physiksimulatoren gibt es seit einem Jahrzehnt. Was fehlte, war ein Modell, das sie zuverlässig über mehr als einen einzigen Schritt hinaus steuern konnte. In 2026 sind mehrstündige agentische Loops in veröffentlichten Wissenschaftspipelines Routine. Das Modell schlägt nicht nur ein Experiment vor. Es entwirft das Protokoll, schickt es an die Bench, liest die Ergebnisse und überarbeitet.

3. Die Evaluationen haben aufgeholt. Der schwierige Teil von KI in der Wissenschaft war immer, dass man sie nicht wie einen Chatbot benoten kann. Man benotet sie wie ein Paper. Reproduzierbarkeit, Falsifizierbarkeit, Hold-out-Datensätze aus unveröffentlichter Arbeit. Die Community hat die Eval-Suiten endlich gebaut, und die Leaderboards beginnen etwas zu bedeuten. Dann hört eine Fähigkeit auf, eine Demo zu sein, und wird ein Instrument.

Warum das wichtig ist, wenn du kein Wissenschaftler bist

Du baust kein Nasslabor. Du trainierst kein Proteinmodell. Warum also interessieren?

Weil sich das Muster überträgt. Jede Engineering-Domäne hat ihre eigene Version von „das Modell ist jetzt gut genug zu steuern, nicht nur vorzuschlagen." Wenn du Software auslieferst, ist der äquivalente Moment, wenn dein Coding-Agent einen mehrtägigen Refactor im Kopf behalten kann. Wenn du Operations leitest, ist es, wenn ein Modell deine Dashboards lesen, entscheiden kann, dass eine Untersuchung zählt, und sie ausführt. Das Labor führt an, weil es die sauberste Feedback-Schleife hat - das Experiment ist der Test. Jedes andere Feld versucht jetzt, diese Schleife zu importieren.

Die Teams, die 2026 gewinnen, sind die Teams, die aufhören zu fragen „was kann das Modell für mich zusammenfassen" und anfangen zu fragen „welche Schleife kann ich mit diesem Modell darin schließen." Das Modell wie einen Analysten zu behandeln war das, was du 2024 getan hast. Es wie einen Operator zu behandeln ist das, was du jetzt tust.

Ein praktischer Test: Nimm die schlechteste, repetitivste Analyseaufgabe in deinem Team diese Woche. Gib sie einem Modell mit vollem Tool-Zugang und einem schriftlichen Bewertungsraster. Wenn das Ergebnis den ersten Versuch deiner Junior-Person bei drei von fünf Läufen schlägt, hast du deine Antwort. Die Bibliothekarin ist weg. Die Laborassistentin ist da. Die Operatoren kommen als Nächstes.