KI tritt ins Labor: Warum 2026 das Jahr wurde, in dem Modelle Wissenschaft gemacht haben

Die meiste Zeit der letzten drei Jahre klang das Argument für KI in der Wissenschaft ähnlich: zurückhaltend und gut eingeübt. KI liest die Literatur. KI fasst Paper zusammen. KI schlägt Kandidaten für Wirkstoff-Screenings vor. KI schreibt die langweiligen Teile des Förderantrags. Nützlich - manchmal unverzichtbar - aber immer nachgelagert zur menschlichen Forschung. Die Wissenschaftlerin stellt die Fragen. Die KI hilft, sie zu beantworten.

2026 hat sich diese Reihenfolge leise umgedreht.

Vom Assistenten zum Mitarbeiter

Die Verschiebung zeigt sich zuerst darin, wie Frontier-Modelle in Forschungslabors eingesetzt werden. Es geht nicht mehr um retrieval-augmentierte Chatbots, die an eine Literaturdatenbank angedockt sind. Das neue Muster sieht anders aus: Ein Modell schlägt eine Hypothese vor, generiert einen möglichen experimentellen Protokollansatz, sagt wahrscheinliche Ergebnisse voraus und - in einer wachsenden Zahl von Fällen - füttert eine Roboterplattform mit Anweisungen, die das Experiment tatsächlich ausführt. Der Mensch prüft das Ergebnis, aber die Schleife wird nicht mehr vom Menschen angetrieben. Sie wird vom Modell angetrieben, mit Menschen in der Schleife.

Konkrete Signale:

• Materialwissenschaft. Mehrere Gruppen haben 2026 Ergebnisse veröffentlicht, bei denen KI-Systeme neuartige anorganische Kristallstrukturen vorgeschlagen haben, die anschließend synthetisiert und charakterisiert wurden. Die Vorschläge wurden nicht aus einer bekannten Datenbank aufgezählt - sie wurden aus gelernten Repräsentationen von Priors des Periodensystems generiert.
• Proteindesign. Jenseits von AlphaFolds Strukturvorhersage (die inzwischen zum Standard gehört) entwerfen neuere Systeme funktionale Proteine de novo - Binder, Enzyme, Gerüstproteine - wobei das Modell die Sequenz vorschlägt, das Labor sie testet und das Modell seine Designregeln aus dem Feedback des Nasslabors aktualisiert. Die Zykluszeit ist von Monaten auf Tage geschrumpft.
• Theoretische Physik. Eine Handvoll Gruppen berichtet, dass Sprachmodelle, ausgestattet mit symbolischer Mathematik und persistenten Notizbereichen, Ableitungen produzieren, die einer Peer-Review standhalten. Nicht nur korrekte Arithmetik - neuartige Schritte in der Beweiskette, die die menschlichen Autorinnen und Autoren selbst nicht gefunden hätten.

Der rote Faden: Die KI liest nicht mehr Wissenschaft. Sie betreibt sie.

Warum ausgerechnet 2026

Keine dieser Fähigkeiten ist 2026 wirklich neu. Was neu ist, ist die Integration. Drei Entwicklungen sind zusammengekommen:

1. Tooling wurde zuverlässig. Modelle können heute zuverlässig Labor-APIs, Roboterplattformen und Simulationssuiten ansteuern, ohne dass ständig nachjustiert werden muss. Die Fehlerquoten sind unter die Schwelle gefallen, ab der Nasslaborzeit durch halluzinierte Protokolle verschwendet wird.

2. Langfristiges Reasoning hat sich verbessert. Die entscheidende Veränderung war nicht ein Benchmark-Wert - es war die Fähigkeit eines Modells, einen kohärenten Forschungsplan über Hunderte von Schritten hinweg aufrechtzuerhalten und sich zu merken, welche Experimente gescheitert sind und warum. Frühere Modelle driften ab. 2026er Modelle bleiben auf Kurs.

3. Laborautomatisierung hat aufgeholt. Cloud-verbundene Liquid-Handler, automatisierte Mikroskopie und standardisierte Assay-Kits bedeuten, dass eine KI rund um die Uhr echte Experimente auslösen kann. Das Labor ist endlich zu etwas geworden, das die Software steuern kann.

Diese drei Trends sind auf überlappenden Zeitlinien gereift. Ihre Konvergenz ist die Geschichte.

Was sich ändert, wenn die Wissenschaft eine KI-Autorin hat

Hier wird es unangenehm - und interessant.

Autorschaft und Anerkennung. Wer wird auf dem Paper genannt, wenn die Hypothese, das experimentelle Design und die halbe Analyse von einem Modell stammen? Bestehende Autorschaftsrahmen (ICMJE, COPE) setzen menschliche Autorinnen voraus. Sie haben nichts dazu zu sagen, wenn ein nicht-menschlicher Beitragender das Ergebnis maßgeblich geprägt hat. Journals improvisieren. Manche verlangen, dass KI-Beiträge in einem Methodenteil offengelegt werden. Einige experimentieren mit „KI-Co-Autor"-Zuordnungen, was ein Kategorienfehler ist, der ein tieferes Problem übertüncht.

Review und Replikation. Peer-Review setzt einen Menschen voraus, der zu seinen Gründen befragt werden kann. Was bedeutet es, ein Ergebnis zu peer-reviewen, dessen primärer Beitragender nicht introspektiv erklären kann, warum er genau diese Hypothese vorgeschlagen hat? Replikation wird schwieriger, nicht einfacher - weil das Modell, das das Ergebnis erzeugt hat, ein Snapshot sein kann, den es nicht mehr gibt, oder beim erneuten Lauf möglicherweise ein anderes Ergebnis liefert.

Die Anreizstruktur. Wenn KI schneller publizierbare Hypothesen generieren kann, als Menschen sie bewerten können, wandert der Engpass von der Ideenfindung zur Validierung. Das ist ein gesünderer Engpass - aber er erfordert Investitionen in Laborkapazität, die die meisten Institutionen nicht haben. Es ist eine scharfe Trennung zu erwarten zwischen Laboren, die sich automatisierte Validierung leisten können, und solchen, die es nicht können.

Was „Verstehen" bedeutet. Das ist die tiefste Frage. Ein Modell kann einen Mechanismus vorschlagen, der zu den Daten passt, und dennoch keine interne Repräsentation haben, die diesem Mechanismus in irgendeinem menschlich interpretierbaren Sinn entspricht. Ist das Verstehen? Ist es etwas anderes - eine neue Art von Kompetenz, die sich nicht auf menschliche Kategorien abbilden lässt? Die Wissenschaft ist gespalten. Die Wissenschaftsphilosophen verfassen, vorhersehbar, noch Positionspapiere.

Was zu beobachten ist

Einige kurzfristige Signale, die es sich zu verfolgen lohnt:

• Ob große Journals formale Offenlegungsstandards für KI-generierte Hypothesen einführen (nicht nur für KI-gestütztes Schreiben).
• Ob offene Datensätze mit KI-vorgeschlagenen, menschlich validierten experimentellen Ergebnissen auftauchen - das Äquivalent zu ImageNet für wissenschaftliche Entdeckung.
• Ob das erste KI-autorisierte Paper mit einem wirklich überraschenden Befund in einem Top-Journal als Meilenstein gefeiert oder als Skandal behandelt wird. Mein Tipp: gefeiert, dann still integriert, dann vergessen als das neue Normal.
• Ob Forschungsförderagenturen Compute als eigene Position budgetieren, so wie sie Promovierende und Postdocs budgetieren.

Das Fazit

Die 2026er KI-Erzählung drehte sich meist um Agenten am Arbeitsplatz, Agenten, die White-Collar-Workflows ersetzen, Agenten als Kollegen. Das ist die laute Geschichte. Die leisere - und möglicherweise folgenreichere - spielt sich in Laboren ab. Die erste KI, die substanziell zu einer wissenschaftlichen Entdeckung beigetragen hat, war ein Proof of Concept. 2026 wird es zur Routine.

Wissenschaft wird nicht nur schneller, wenn KI ins Labor kommt. Sie verändert ihre Form. Und wir sind immer noch sehr am Anfang, diese neue Form zu verstehen.