Mailand/Parma (LabNews Media LLC) – Bis vor Kurzem folgte der Forschungsrhythmus einem weitgehend linearen Pfad: Literatur lesen, Hypothese bilden, Experiment entwerfen, Ergebnisse veröffentlichen. Kreativität lebte oft am Rand, in halb geschriebenen Notizen oder sporadischen Gesprächen, während das meiste Denken isoliert stattfand. Die Wissenschaft war nicht immer so organisiert. Die ersten Wissenschaftsakademien wie die Royal Society gediehen durch Korrespondenz und Disput, und Wissen entstand durch Dialog und kollektives Schlussfolgern. Im Laufe der Zeit wich diese Gesprächskultur der Spezialisierung, formalen Berichterstattung und der Ökonomie des Publizierens. Große Sprachmodelle (LLMs) könnten diesen Raum für Dialog nun wieder öffnen – allerdings ist der Gesprächspartner nicht menschlich.
Dialog statt Berechnung
Anna Viktorovna Gavrilova vom Fachbereich Biowissenschaften der Universität Mailand und Carlo Galli vom Labor für Histologie und Embryologie der Universität Parma haben kürzlich den Kommentar „Conversing with machines: How AI is changing the way scientists think“ in „Quantitative Biology“ veröffentlicht. Die Autorinnen und Autoren argumentieren, dass große Sprachmodelle Berechnung in Dialog verwandelt hätten – eine epistemische Neukonfiguration statt eines bloßen Zugewinns an Bequemlichkeit. Das Denken werde dialogisch und entwickle sich durch Rückkopplung zwischen Darstellung und Interpretation. LLMs fungierten als vermittelnde Artefakte, die beeinflussen, was geschlossen werden könne und wie Hypothesen formuliert würden.
Nachvollziehbarkeit als neuer Standard
In der quantitativen Arbeit baut jeder Austausch auf dem vorherigen auf, sodass Hypothesenverfeinerung und Interpretation innerhalb eines einzigen Dialogs stattfinden können. Modellierung war schon immer zyklisch, doch das meiste ihrer Argumentation blieb implizit. Die Gesprächsebene macht einen Teil davon sichtbar und sprachlich dokumentiert: Antworten können hinterfragt, überarbeitet oder nachverfolgt werden, und Protokolle werden neben den Daten und dem Code gespeichert, die sie mit erzeugt haben – eine „epistemische Provenienz“, analog zur Versionskontrolle.
Wer nimmt teil?
Die Autorinnen und Autoren fragen auch, wer beteiligt ist. Aufgaben, die einst Skripting oder bioinformatische Unterstützung erforderten, können nun über Dialog begonnen werden – ein Schritt in Richtung epistemischer Teilhabe für unterfinanzierte Institutionen, wenngleich sprachliche Präzision zur neuen epistemischen Schwelle wird. Weil Modelle Verzerrungen aus ihren Trainingsdaten reproduzieren, drohe „inklusive KI“ zu einem neuen Ausschlussmechanismus zu werden.
Kreativität und Serendipität
Kreativität ist die zweite Front: Über Felder und Genres hinweg trainiert, wirken LLMs als Agenten der Analogie, rufen vergessene konzeptuelle Brücken ab und führen Serendipität in eine risikoscheue Forschungskultur zurück.
Warnung vor Fluency und Habituation
Der letzte Abschnitt ist warnend. Sprachliche Flüssigkeit kann täuschen: Modelle erzeugen plausiblen Text statt verifizierter Wahrheit, sodass erfundene Zitate oder stilistische Präzision eine Illusion von Strenge erzeugen können. Die tiefere Bedrohung ist die Habituation, bei der die Reflexion selbst ausgelagert wird – ein kognitives Offloading, das das Denken und nicht das Gedächtnis betrifft. Eine praktische Antwort besteht darin, den Dialog als Teil des wissenschaftlichen Records zu behandeln. Der Kommentar schließt mit Transparenz, kritischer Kompetenz und Demut: „Mit KI zu sprechen bedeutet, an einem Experiment des Co-Denkens teilzunehmen“, schreiben die Autorinnen und Autoren – und der Mensch bleibe der ethische und epistemische Anker.
Originalpublikation: DOI: 10.1002/qub2.70032
