Wenn KI an die Werkbank tritt

Den größten Teil der KI-Ära war maschinelles Lernen ein Werkzeug für Wissenschaftler. Es klassifizierte Bilder, sagte Faltungen voraus, beschleunigte Simulationen — nützlich, aber dem eigentlichen Denken nachgelagert. Ein Wissenschaftler hatte eine Idee; KI half bei der Umsetzung.

Diese Hierarchie bricht auf.

2026 wechselt KI vom Instrument zum Co-Ermittler. Modelle generieren Hypothesen, entwerfen Experimente, um sie zu testen, und iterieren. Einige werden als Autoren genannt. Die Grenze zwischen „Werkzeug, das half" und „System, das beitrug" wird zunehmend schwerer zu ziehen.

Von der Suche zur Spekulation

Der Wandel kam nicht über Nacht. Er baute auf drei Dingen auf, die gleichzeitig zusammenfielen:

• Schlussfolgerungsmodelle, die ein Problem im Arbeitsgedächtnis halten und zerlegen können — nicht nur das nächste Token vorhersagen
• Agenten-Tooling, das es Modellen erlaubt, Laborgeräte-APIs aufzurufen, Simulationen auszuführen und Ergebnisse zurückzulesen
• Domänenspezialisiertes Training auf Korpora wissenschaftlicher Literatur, Laborprotokollen und Geräteausgaben

Alles zusammen ergibt keinen schlaueren Suchmaschinen-Ersatz. Sie bekommen etwas, das einem Doktoranden ähnelt — einen, der über Nacht jedes Paper eines Feldes lesen und vorschlagen kann, was als Nächstes versucht werden sollte.

Microsoft brachte es in ihrem 2026-Ausblick auf den Punkt: KI „wird nicht nur Papiere zusammenfassen, Fragen beantworten und Berichte schreiben — sie wird sich aktiv am Entdeckungsprozess in Physik, Chemie und Biologie beteiligen."

Wie das 2026 tatsächlich aussieht

Das ist nicht mehr hypothetisch. Die Muster, die in Laboren auftauchen:

• Closed-Loop-Entdeckung — Modell schlägt ein Molekül vor, Simulation bewertet es, Modell überarbeitet. Tausende Zyklen pro Tag, kein Mensch in der Schleife, bis etwas Interessantes auftaucht
• Domänenübergreifender Transfer — ein auf Materialwissenschaft trainiertes Modell schlägt eine Kandidatenverbindung vor, die sich in einem völlig anderen Feld als nützlich erweist
• Negative-Ergebnisse-Mining — Agenten lesen Jahrzehnte gescheiterter Experimente und erkennen Muster, die erklären, warum niemand das gewünschte Ergebnis erzielte
• Hypothesen-Ranking — bei hundert Kandidaten-Erklärungen für eine Anomalie weist das Modell Wahrscheinlichkeiten zu und empfiehlt, welche zuerst getestet werden sollen

DeepMind setzte mit AlphaFold und AlphaProof die Vorlage. Jetzt ist OpenAI mit einem dedizierten Wissenschaftsteam gefolgt. Die großen Labs machen nicht nur KI-Forschung — sie nutzen KI, um Forschung zu betreiben.

Das 2025-Signal: Ein Nobelpreis für KI-generierte Wissenschaft

Das konkreteste Signal, dass der Werkbank-Wechsel real ist: 2025 teilten sich Demis Hassabis und John Jumper den Nobelpreis für Chemie für AlphaFold. Nicht für ein KI-Werkzeug, das von Chemikern verwendet wurde — für ein KI-System, das die Strukturvorhersagen produzierte, auf denen das Feld jetzt aufbaut.

Ein Jahr später ist die Frage nicht mehr, ob KI in den Entdeckungsprozess gehört. Sondern wie man die Anerkennung teilt, die Ergebnisse verifiziert und den Outputs vertraut.

Was sich für den Rest von uns ändert

Sie müssen kein Chemiker sein, um diese Verschiebung zu spüren. Das gleiche Architekturmuster — Schlussfolgerungsmodell + Werkzeuge + Domänenkontext, das in einer Schleife läuft — landet jetzt in:

• Engineering — Agenten, die Produktionssysteme debuggen, indem sie Hypothesen über Ursachen bilden und sie gegen Logs testen
• Sicherheitsforschung — KI generiert Angriffshypothesen, entwirft Probe-Experimente und validiert sie in Sandbox-Umgebungen
• Produkt-Discovery — Agenten führen Tausende kleiner Nutzerverhalten-Experimente durch und schlagen vor, welche Muster einen echten Launch verdienen

Das mentale Modell wechselt von „KI hilft mir bei meiner Arbeit" zu „KI nimmt an meiner Arbeit teil, und ich beaufsichtige". Das ist eine kleine sprachliche Verschiebung und eine große Verschiebung darin, wofür Sie entwerfen müssen.

Die neue Engineering-Frage

Wenn KI Teil der Entdeckungsschleife ist, dann haben die Menschen in der Schleife eine andere Rolle. Wir sind nicht die Einzigen, die Ideen generieren. Wir sind nicht die Einzigen, die sie bewerten.

Die Engineering-Frage für 2026 lautet nicht mehr „wie nutze ich KI, um meine Arbeit zu beschleunigen?" Sondern „wie baue ich ein System, in dem sowohl mein Urteilsvermögen als auch die Schlussfolgerungen des Modells beitragen — und in dem ich immer noch sagen kann, wer verantwortlich ist, wenn etwas kaputt geht?"

Das ist schwieriger. Es ist auch die Arbeit, die jetzt zählt.

Heimdall überwacht KI-Trends, damit Sie es nicht müssen. Fragen oder Gedanken? Melden Sie sich.