KI spart Forschern sieben Stunden – der Engpass wandert ins Labor

Google stellte am 15. September 2026 neue Ergebnisse zur KI-Nutzung in der Wissenschaft vor. Nach der ATLAS-Aktualisierung von Google nutzt fast die Hälfte der befragten Forschenden täglich irgendeine Form von KI; im Durchschnitt schreiben sie ihr 6,9 Stunden Zeitersparnis pro Woche zu. Gleichzeitig verlagern sich Engpässe zu physischen Experimenten, Datenerhebung und klinischer Validierung.

Die Untersuchung von Google, Google DeepMind und MIT FutureTech beschreibt damit eine Verschiebung innerhalb des Forschungsprozesses, keinen gemessenen Zuwachs an Entdeckungen. Die sieben Stunden beruhen auf Selbstauskünften von 637 Forschenden aus den USA und dem Vereinigten Königreich. Dieselben Befragten berichten von mehr noch ungeprüften Hypothesen und einem hohen Aufwand für die Kontrolle von KI-Ausgaben.

Die 6,9 Stunden wurden nicht im Labor gemessen

Die zugespitzte Produktivitätszahl stammt ausschließlich aus einer Onlinebefragung. Forschende sollten rückblickend einschätzen, wie sich KI auf ihre wöchentliche Arbeitszeit auswirkt. Rund drei Viertel gaben einen Nettozeitgewinn an, sechs Prozent einen Nettozeitverlust; über alle Befragten hinweg ergab sich ein Mittelwert von 6,9 Stunden.

Das Grundlagenpapier „AI in Science: Early Insights“ kennzeichnet die Stichprobe ausdrücklich als nicht repräsentative, ungewichtete Auswahl ohne ausgewiesene Fehlermarge. More in Common befragte dafür zwischen dem 27. Juli und dem 11. August 2026 insgesamt 379 aktive Forschende in den USA und 258 im Vereinigten Königreich. Die Rekrutierung erfolgte über spezialisierte Panels; vier Filter sollten sicherstellen, dass die Teilnehmenden tatsächlich wissenschaftlich oder in Forschung und Entwicklung arbeiteten.

Damit ist der Wert weder eine kontrollierte Zeitmessung noch ein Kausalnachweis. Er zeigt, welchen Nettoeffekt die Befragten selbst wahrnehmen. Aus ihm folgt nicht, dass jede forschende Person sieben Stunden gewinnt oder dass Labore im selben Umfang mehr belastbare Ergebnisse produzieren.

Drei Datensätze beantworten drei verschiedene Fragen

Der Bericht kombiniert die Befragung mit zwei anderen Datengrundlagen: ungefähr 15 Millionen anonymisierten Interaktionen aus Gemini App, Google AI Mode und Gemini API sowie einem kuratierten Inventar von 2.690 wissenschaftlichen KI-Modellen. Diese Zahlen dürfen nicht als Bestandteile eines einzigen Experiments gelesen werden.

Die Interaktionen stammen aus dem älteren ATLAS-1.0-Korpus und wurden Anfang April 2026 erfasst. Nach mehreren Filterschritten ordneten die Autoren davon rund 360.000 Interaktionen wahrscheinlich wissenschaftlichen Tätigkeiten zu. Unternehmensdaten und bezahlter API-Verkehr von Kunden waren ausgeschlossen. Dieser Datensatz beschreibt Nutzungsmuster von Gemini, nicht die Arbeitszeit der 637 später befragten Personen.

Auch das Modellinventar misst keine Zeitersparnis. Es umfasst nach 2012 veröffentlichte Systeme mit zugehöriger wissenschaftlicher Arbeit und offiziellem Code-Repository. Die Autoren bezeichnen die Auswahl als vorläufig und nicht vollständig; sichtbare, gut ausgestattete oder offene Projekte dürften darin stärker vertreten sein.

Erst die getrennte Betrachtung macht die Arbeitsteilung erkennbar: Allgemeine Sprachmodelle wie Gemini tauchen breit bei Analyse, Programmierung und Manuskriptvorbereitung auf. Spezialisierte Modelle konzentrieren sich stärker auf fachgebundene Vorhersagen, Datengenerierung, Klassifikation und Simulation. Die Studie deutet beide Modelltypen deshalb als Ergänzungen, nicht als austauschbare Werkzeuge.

Der Hypothesenstau macht den neuen Engpass sichtbar

Die Beschleunigung betrifft vor allem frühe, digitale Arbeitsschritte. Literatur kann schneller erschlossen, Code entworfen und der Raum möglicher Erklärungen erweitert werden. Eine zusätzliche Hypothese wird dadurch jedoch noch nicht zum Befund: Je nach Fachgebiet benötigt sie neue Daten, einen physischen Versuch, eine Replikation oder klinische Prüfung.

Eine Einordnung von Scientific American beziffert den Anteil der Befragten, deren wichtigster Engpass in den vergangenen zwei Jahren zu späteren Forschungsschritten gewandert ist, auf 43,5 Prozent. 40,5 Prozent meldeten einen gewachsenen Bestand ungetesteter Hypothesen. Das Magazin weist zugleich darauf hin, dass die Panelrekrutierung intensive KI-Nutzer überrepräsentiert haben könnte.

Auch die Prüfung der KI-Ergebnisse beansprucht einen Teil des gewonnenen Spielraums. Unter den Befragten mit Zeitersparnis verwenden 89 Prozent mehr als ein Zehntel dieser Zeit auf die Kontrolle der Ausgaben; 46 Prozent investieren dafür mehr als ein Viertel. Wie schwer eine solche Prüfung ist, hängt vom Fach ab: Ein formaler Beweis lässt sich anhand fester Regeln kontrollieren, eine vorhergesagte Proteinfunktion muss unter Umständen erst hergestellt und in einem biologischen System getestet werden.

Der Engpass „wandert“ daher nicht bei allen Forschenden automatisch und auch nicht ausschließlich ins Labor. Die Befragung umfasst ebenso Sozial-, Computer- und Ingenieurwissenschaften. Das erkennbare Muster lautet enger: Wenn KI die Erzeugung und Vorprüfung möglicher Antworten stärker beschleunigt als die nachgelagerten Verfahren, wächst die Warteschlange vor dem langsameren Schritt.

Zeitgewinn ist noch kein Nachweis für mehr Erkenntnis

Die Studie dokumentiert veränderte Nutzung, wahrgenommene Zeitgewinne und verschobene Beschränkungen. Sie weist nicht nach, dass KI bereits mehr zuverlässige Entdeckungen, schnellere Arzneimittelzulassungen oder besser reproduzierbare Forschung hervorbringt. Dafür fehlen beobachtete Ergebnismaße über vollständige Forschungszyklen und längere Zeiträume.

Hinzu kommt eine methodische Grenze des zentralen Vergleichs: Befragung, Gemini-Protokolle und Modellinventar stammen aus unterschiedlichen Erhebungen und messen unterschiedliche Einheiten. Die Kombination liefert ein breiteres Bild der KI-Nutzung, erlaubt aber nicht, einzelne Gemini-Interaktionen mit den angegebenen 6,9 Stunden oder späteren Forschungsergebnissen zu verknüpfen.

Offen bleibt deshalb, ob zusätzliche experimentelle Kapazität, Automatisierung und bessere Prüfverfahren den Rückstau abbauen können. Bis entsprechende Verlaufsdaten vorliegen, trägt der Titel nur mit dieser Einschränkung: KI spart den Befragten nach eigener Einschätzung fast sieben Stunden, während ein erheblicher Teil von ihnen den begrenzenden Arbeitsschritt inzwischen weiter hinten im Forschungsprozess sieht.

Lesen Sie auch:

• Microsoft und HUMAIN schicken Ingenieure zum Kunden – das Modell ist der Engpass
• Claude kostenlos nutzen: Das Fünf-Stunden-Limit ist nicht die einzige Grenze
• Substack oder Patreon: Die gleiche Provision, aber ein anderer Engpass