KI frisst die Wissenschaft: Was die neuesten Ergebnisse wirklich zeigen

Das Papier trägt die Nummer NBER Working Paper 35782, ist auf September 2026 datiert und ging am 29. September auf der Seite des Bureau online. Die Autoren Matthew Schwartz, Isaiah Andrews und Jesse M. Shapiro beschreiben einen Ablauf, der zunächst die ursprünglichen Berechnungen eines Artikels nachzurechnen versucht. Danach prüft er auf Abweichungen zu den veröffentlichten Befunden und fährt anschließend automatisiert Sensitivitätsanalysen.

Über 4.452 veröffentlichte Replikationspakete aus fünf wirtschaftswissenschaftlichen Zeitschriften hinweg meldete der Workflow in 3.460 Artikeln oder deren Anhängen Unstimmigkeiten. Das heißt nicht, dass der Großteil der Ökonomie falsch ist. Es heißt, dass ein automatischer Nachlauf oft nicht zu dem passt, was gedruckt wurde. Die Gründe reichen von einem Programmierfehler über eine Versionsabweichung bis zu einer nicht dokumentierten Entscheidung. Dasselbe Papier nennt zwei weitere Zahlen. In 496 Artikeln senkte der Workflow die Rechenzeit einer Berechnung um mehr als den Faktor 10 bei ähnlicher oder höherer Genauigkeit. In 923 Artikeln erzeugte er eine Erweiterung, die im Originalartikel nicht vorkommt und zu dessen Zielen und Annahmen passt.

Eine ehrliche Offenlegung im Papier selbst

Bevor die Ergebnisse irgendwo zitiert werden, lohnt ein Blick auf eine Offenlegung. Das NBER-Papier hält fest, dass LLMs bei Analyse und Text des Artikels verwendet wurden. Schwartz arbeitete als Auftragnehmer für Anthropic, und das Papier stellt klar, dass die Ergebnisse und Ansichten nicht von Anthropic getragen werden. Shapiro war in der Vergangenheit bezahlter Gast bei Microsoft Research New England und bezahlter Berater für FutureOfCapitalism, außerdem wurde er für Texte in der New York Times bezahlt. Das ist mehr Transparenz, als die meisten Ankündigungen in diesem Feld mitbringen. Es schneidet in beide Richtungen: Leser können die Interessenkonflikte abwägen, und die Konflikte sind real.

Mathematiker streiten über dasselbe

Zwei am 29. September veröffentlichte Beiträge nehmen die Frage von der reinen Mathematik her auf. In seinem Blog schreibt Dan Romik, nach OpenAIs Ankündigung einer Lösung des Navier-Stokes-Problems seien Mathematiker beunruhigt, welche Rolle ihnen bleibe. Er zitiert Scott Aaronsons Reaktion auf die Nachricht als eine Folge des Buchstabens A und argumentiert dann, die ängstliche Lesart sei falsch.

Mathematische Forschung ist eine Rückkopplungsschleife, die neues Wissen erzeugt, in einem ständigen Prozess des Überprüfens, Verdauens und Destillierens vorhandenen Wissens und des Versuchs, es zu verbessern, schreibt Romik.

Seine technische Behauptung ist enger als die Schlagzeilenversion. KI-Modelle, die auf dem vorhandenen Korpus trainiert sind, können Theoreme erzeugen, die, so seine Formulierung, den Abstand eins zum von Menschen erzeugten Wissen haben. Sie werden das schneller tun, als Menschen es können. Was sie nicht können, argumentiert er, ist über diese Ausgabe nachzudenken, sie zu vereinfachen, herauszuziehen, warum ein Beweis funktioniert, und die Idee so zu verallgemeinern, dass sie wiederverwendbar wird. Sich selbst überlassen, so seine Prognose, bleibt ein autonomes System nach der ersten Welle stecken und ertrinkt in seiner eigenen Ausgabe. Stephen Wolfram vertritt in einem langen, auf den 28. September datierten und am 29. September veröffentlichten Beitrag ein verwandtes Argument. Er schreibt, moderne KI sei in erster Linie eine Möglichkeit, auf den vorhandenen Korpus menschlichen Wissens zuzugreifen. Im Kern der reinen Mathematik stehe die menschliche Vorstellungskraft, die lenkt, welche Fragen gestellt werden. Wolfram zieht außerdem eine Grenze zwischen KI und Berechnung. KI, so seine Darstellung, schürft in dem, was Menschen bereits produziert haben. Berechnung, die von einer Regel ausgeht und sie laufen lässt, erzeugt Ergebnisse, die irreduzibel neu sind, eine Eigenschaft, die er computational irreducibility nennt.

Die industrielle Ebene bewegt sich parallel

Die Forschungsergebnisse kommen zeitgleich mit kommerziellen Ankündigungen, die autonome Forschung als Produktfunktion behandeln. CoreWeave veröffentlichte am 29. September einen Beitrag, der ARIA vorstellt. ARIA ist ein in Weights & Biases eingebauter Coding-Agent, der die Experimente eines Teams liest, eine Hypothese bildet, eine Konfiguration schreibt und den Lauf über W&B Launch startet. Danach bewertet er das Ergebnis gegen eine Baseline und entwirft einen Bericht.

Das Unternehmen schreibt, ARIA baue teilbare W&B-Workspaces, Panels und Berichte, statt Text zurückzugeben, und sei in der mobilen App von Weights & Biases verfügbar. Der Beitrag erschien laut einer Zeile am Seitenkopf ursprünglich am 29. Juli im W&B-Blog, und CoreWeaves eigene Seite führt ihn unter einem Septemberdatum. Oracle ging am 29. September ähnlich vor und kündigte Fusion Claw an, eine gouvernierte agentische Ausführungsumgebung für seine Fusion Applications. Das Unternehmen nennt 25 Claw-gestützte agentische Anwendungen, Teil eines Portfolios von 75. Die Laufzeitumgebung verbinde ein Frontier-Modell mit deterministischer Unternehmensberechnung, mit einem Outcome Receipt als prüfbarem Nachweis dessen, was gelaufen ist. Oracles Ankündigung zitiert Mike Sicilia, den CEO des Unternehmens. Die Systeme laufen auf Oracle Cloud Infrastructure und werden laut Pressemitteilung von Frontier-Modellen angetrieben, darunter Gemini und OpenAI, mit geplanter Unterstützung für weitere.

Auch die Hardware jagt dasselbe Problem von der Energieseite her. Efficient Computer meldete am 29. September eine Series B über 97 Millionen US-Dollar unter Führung von TQ Ventures. Damit beläuft sich die Gesamtsumme auf 173 Millionen US-Dollar bei einer Bewertung von 650 Millionen US-Dollar. CEO Brandon Lucia schreibt, die Prozessoren des Unternehmens erreichten eine 10- bis 100-fach bessere Energieeffizienz als klassische CPU-Architekturen. Das Unternehmen bringe den Electron E1 in Serie für eingebettete physische KI-Systeme. Diese Angabe stammt aus dem eigenen Blogbeitrag des Unternehmens und wurde hier nicht unabhängig geprüft.

Energie, Wasser und die Orte, die herhalten sollen

Der Ausbau der Rechenkapazität hat eine Geografie, und die Geografie hat Politik. CBC News berichtete am 29. September, der Energieminister von Neufundland und Labrador, Lloyd Parrott, habe Mitte September in der House of Assembly während einer Sondersitzung zum Churchill-Falls-Abkommen gesagt, die Tür der Provinz stehe offen für Geschäfte. Ein Sprecher des Ministeriums, Brodie Thomas, bestätigte gegenüber CBC, Unternehmen hätten die Regierung wegen Rechenzentren angesprochen. Zu kommerziell sensiblen Gesprächen könne er nichts mitteilen, sagte er. CBC zitiert Paris Marx, Autor eines Buchs über Rechenzentren, mit der Frage, ob es sinnvoll sei, diesen Strom an Rechenzentren zu geben, wenn es bessere Verwendungen geben könnte. Andrea King, CEO von TechNL, sagte dem Sender, Labrador erfülle die Kriterien, nach denen Projektträger suchten: kohlenstoffarme Wasserkraft, kaltes Wetter und Land. Das mache ein Projekt aber nicht automatisch zu einer guten Idee.

Die Debatte ist nicht nur kanadisch. CBC merkt an, Metas geplantes Rechenzentrum im Sturgeon County in Alberta werde voraussichtlich 13 Milliarden US-Dollar kosten und in zwei bis drei Jahren ans Netz gehen. Nova Scotias Premierminister Tim Houston habe fünf Startbedingungen für jeden Projektträger aufgestellt. Die Energiearithmetik dahinter ist alt und unmodern. David MacKays Sustainable Energy Without the Hot Air, dessen Seite als Datum der letzten Änderung den 29. August 2015 trägt, bleibt die Standardüberschlagsrechnung, und die Seite tauchte am 29. September noch immer auf.

Eine neuere Behandlung stammt von Hannah Ritchie, die am 29. September auf ihrem Substack eine Analyse der Elektrifizierung veröffentlichte. Anhand von Zahlen des Oxford-Professors Nick Eyre berichtet sie, die globale Endenergienachfrage sinke in einem System nach der Transformation von 416 auf 247 Exajoule, etwa 40 Prozent weniger. Die Stromnachfrage steige dagegen von 110 auf 189 EJ. Elektroautos wandelten rund 80 Prozent der Energie in Bewegung um, Benzin nur 20 Prozent, schreibt sie. Das Modell nimmt an, dass alle nicht elektrifizierten Sektoren mit Wasserstoff laufen, und sie kennzeichnet das als Vereinfachung.

Was die Woche tatsächlich belegt hat

Nichts davon zeigt, dass KI Forscher ersetzt hätte. Das NBER-Papier ist ein Workflow-Papier über Replikation, keine Aussage über Entdeckungen. Romiks Argument ist eine Prognose, kein Ergebnis, und er sagt selbst, er glaube nicht, dass wir schon in dieser Welt leben. Wolframs Beitrag ist ein Essay. Was die Woche belegt hat: Die Werkzeuge für automatisierte Replikation und Erweiterung veröffentlichter Arbeit existieren inzwischen offen. Ihre Fehlerquote auf einem großen Korpus ist hoch genug, um relevant zu sein. Und die Leute, die die kommerzielle Infrastruktur bauen, verkaufen Autonomie auf einem viel kürzeren Zeitplan als die Leute, die darüber nachdenken, wofür Autonomie gut ist.