Zum Inhalt springen

Geprüfte Ausgabe · qasb-Bericht 10/2026 · Themenbericht · Forschung

KI in der Forschung: neue Ergebnisse unter Vorbehalt

Studien in Mathematik, Chemie, Physik und Wetterprognose berichten neue Ergebnisse mit KI. Prüfungen zeigen Grenzen: Formalisierungen können vom geschriebenen Beweis abweichen, Agenten reproduzieren Ergebnisse oft nur teilweise.

Veröffentlicht
27. Oktober 2026 · Stand 26. Oktober
Lesezeit
10 Min.
Herausgeber
qasb Research
Methodik
qasb Methodik v1

Kernbefunde

  1. 9 von 353offenen, in Lean formalisierten Erdős-Problemen löste ein KI-Agent laut einer in Science veröffentlichten Studie.9,10Evidenztyp: beobachtet
  2. 114 von 135Folgearbeiten von KI-Agenten zu offenen Forschungsproblemen fielen in einem Benchmark durch die Integritätsprüfung.6Evidenztyp: beobachtet
  3. 33,5 %mehr Listeneinträge zählte das Mathematik-Archiv von arXiv von Januar bis August 2026 als ein Jahr zuvor, Ursache offen.24Evidenztyp: beobachtet
  4. 1 %der beobachteten Einreichungen auf der Studienplattform Prolific zeigten KI-Unterstützung durch ChatGPT.22Evidenztyp: beobachtet

1.0Zusammenfassung

Bei den meisten neuen Ergebnissen gaben Menschen Aufgaben und Rahmen vor oder überwachten die Arbeit, unabhängige Replikationen fehlen. OpenAIs Mathematik-Manuskripte sind nicht begutachtet. Bei Wettermodellen hängt das Urteil über KI stark von der Bewertungsmethode ab.

  • Lean prüft Beweise maschinell, aber nicht, ob der formale Satz dem Problem oder dem Manuskript entspricht. Bei Navier-Stokes wich die Formalisierung laut einer Analyse ab.
  • Laborversuche bestätigten KI-Treffer in der Chemie und Proteinentwürfe mit der gewünschten Funktion, in der Physik berichten Forscher neue Rechnungen von KI-Agenten.
  • Agententests fallen sehr unterschiedlich aus: Bei El-Niño-Modellen lagen 6 von 12 Systemen über einem Referenzmodell, von 135 Folgearbeiten erfüllte keine alle Bedingungen.
  • Daten zur KI-Nutzung von Forschern sind knapp: Oktober-Umfragen mit Methodenangaben fehlen, eine Studie zu KI-Erklärungen in Fachartikeln deckt nur zwei Informatik-Konferenzen ab.

2.0Mathematik: Lean-Prüfung und ihre Grenzen

In der Mathematik lassen sich Beweise in Lean maschinell prüfen, und mehrere Befunde des Monats stützen sich darauf. Sie zeigen zugleich, wo diese Prüfung endet: bei der Frage, ob der formale Satz dem geschriebenen Beweis oder der ursprünglichen Problemstellung entspricht. Daneben stehen Anbieterangaben und ein Preprint ohne formale Prüfung.

Abbildung 1

OpenAIs Mathematik-Repository in Zahlen

Gelistete Manuskripte, Hauptresultate mit Lean-Formalisierung und Überarbeitungen am Folgetag

Angaben des Repositorys, nicht begutachtet. Eine kompilierende Lean-Prüfung bestätigt den geschriebenen Beweis nicht automatisch, wie die Analyse zum Navier-Stokes-Beweis zeigt.Evidenztyp: beobachtet · Quellen 4–5

Ein KI-Agent für formale Beweissuche (Sprachmodell plus Lean-Prüfung) löste laut einer in Science veröffentlichten Studie 9 von 353 offenen Erdős-Problemen und bewies 44 von 492 offenen OEIS-Vermutungen; jeder Beweisschritt ist vom Lean-Compiler geprüft.9,10A1

OpenAI veröffentlichte am 6. Oktober ein Repository mit KI-geschriebenen Mathematik-Manuskripten, darunter beanspruchte Lösungen bekannter offener Probleme; diese Anbieterangaben sind nicht begutachtet. Laut Repository sind rund 42 % der Hauptresultate (300 bei 719 gelisteten Manuskripten) in Lean formalisiert; einen Tag nach der Veröffentlichung zog OpenAI drei Manuskripte wegen eines Vorzeichenfehlers zurück und überarbeitete 14 weitere.4,5A2

Eine kompilierende Lean-Prüfung bestätigt den geschriebenen Beweis nicht automatisch.

Eine Analyse dreier Mathematiker vom 6. Oktober kommt zu dem Ergebnis, dass die Lean-Formalisierung des von OpenAI angekündigten, nicht begutachteten Beweises für einen Blow-up von Lösungen der Navier-Stokes-Gleichungen nicht der Beweisführung im geschriebenen Manuskript entspricht: An zwei ausführlich untersuchten Stellen verlangt der Lean-Code stärkere Voraussetzungen an Ableitungen oder nutzt ein anderes Argument als der Text. Eine kompilierende Lean-Prüfung bestätigt den geschriebenen Beweis daher nicht automatisch.11A3

Weitere Befunde

  • Ein nicht begutachtetes Preprint soll Simons L²-Vermutung widerlegen, die erste Konstruktion entstand laut Autoren in Dialogen mit ChatGPT.12A4

3.0Labor und Rechnung: Menschen setzen den Rahmen

In Chemie, Materialforschung, Proteindesign und Physik berichten Studien Treffer, Entwürfe und neue Rechnungen, die KI-gesteuerte Plattformen, Modelle und Agenten geliefert haben. Menschen gaben dabei Aufgaben, Suchraum oder Kostenmaß vor oder überwachten die Arbeit; eine unabhängige Replikation liegt für keinen Befund vor.

Eine von Reinforcement Learning gesteuerte Roboterplattform fand in rund 30 Tagen in einem vorgegebenen Reaktionsraum vier hoch enantioselektive Umsetzungen; Treffer mit hohem Enantiomerenüberschuss wurden anschließend von Menschen manuell wiederholt und bestätigt.1A5

Ein Modell mit 16 Milliarden Parametern entwarf Proteine aus Funktionsbeschreibungen in natürlicher Sprache; in allen vier getesteten Aufgaben wurde die gewünschte Funktion im Labor beobachtet, und ein entworfenes H-Protein steigerte den Produkttiter eines CO₂-Fixierungswegs um das 1,7-Fache.2A6

Treffer mit hohem Enantiomerenüberschuss wurden anschließend von Menschen manuell wiederholt und bestätigt.

Drei Physiker ließen KI-Agenten die Programme für analytische QCD-Rechnungen in nächstführender Ordnung entwickeln und ausführen und berichten damit neue analytische harte Funktionen für den transversalen Spintransfer in Proton-Proton- und Lepton-Proton-Stößen; bekannte Ergebnisse wurden zuvor reproduziert.15A7

Weitere Befunde

  • Laut einem nicht begutachteten Preprint fand die von Menschen überwachte KI-Laborplattform von Lila Sciences iridiumfreie Katalysatoren.13A8
  • Laut einem Preprint unterbot eine Suche mit Sprachmodell in 7 von 8 Aufgaben die bisher besten Quantenschaltungen, nur rechnerisch geprüft.3A9

4.0Wetter und Klima: Rekordvergleiche hängen an der Metrik

Mehrere Preprints vergleichen KI-Wettermodelle mit den physikbasierten Modellen des ECMWF, vor allem bei Hitze-, Kälte- und Windrekorden. Alle Vergleiche beruhen auf dem Testjahr 2022. Daneben bauen KI-Agenten vereinfachte Klimamodelle, und eine Roadmap von 24 Autoren befasst sich mit Rechenaufwand und Energie der Modelle.

Zwei unabhängige Preprints vom Oktober finden, dass probabilistische KI-Wettermodelle Hitzerekorde im Testjahr 2022 besser vorhersagten als das physikbasierte ECMWF-Ensemble (IFS-ENS): im einen Preprint in allen betrachteten Regionen und bei allen Vorlaufzeiten, im anderen bei fast allen Vorlaufzeiten und Rekordtiefen. Bei Windrekorden schwindet der Vorteil laut dem zweiten Preprint mit wachsender Rekordtiefe und Vorlaufzeit.16,17A10

Ob KI-Wettermodelle oder das physikbasierte ECMWF-Modell Rekordextreme besser vorhersagen, hängt laut einer Analyse im gemeinsamen Versuchsdesign stark von der Bewertungsmetrik ab: Bei Beschränkung auf eingetretene Extreme schneidet das physikbasierte Modell am besten ab, bei gewichteten Bewertungsfunktionen meist die KI-Modelle, die Extreme insgesamt zu selten vorhersagen.18A11

Keines der maschinellen Wettermodelle veröffentlicht laut einer Roadmap gemessene Energiewerte.

In einem Test, in dem KI-Agenten aus echten Beobachtungsdaten innerhalb von sechs Stunden vereinfachte stochastische Modelle des El-Niño-Phänomens (ENSO) bauen sollten, erzielten sechs von zwölf Agentensystemen in verdeckten Prüfungen eine höhere Gesamtbewertung als ein veröffentlichtes Referenzmodell.19A12

Weitere Befunde

  • Über fünf Generationen des Klimamodellvergleichs CMIP sank der Modellfehler um 13,5 % je Verdopplung der geschätzten Rechenleistung.20A13

5.0KI im Test: Lücken bei Reproduktion und Urteil

Mehrere Benchmarks und Studien prüfen, wie KI-Agenten und Sprachmodelle Forschungsarbeit erledigen: Folgearbeiten schreiben, Rechnungen lösen, Ergebnisse reproduzieren, Methoden neu erfinden, Forschungsentscheidungen treffen und Artikel begutachten. Die Ergebnisse unterscheiden sich stark zwischen den Tests. Lücken zeigen sich vor allem bei Integrität, Reproduktion und Urteil.

Abbildung 2

Reproduktion von NeurIPS-Artikeln durch KI-Agenten

Anteil reproduzierter Artikel je Materialstufe, jeweils bester Agent, RECLAIM-Benchmark

Ein Lauf je Agent und Artikel, keine Intervallangabe; geschlossene Spitzenmodelle wurden aus Kostengründen nicht getestet. Nur maschinelles Lernen, Preprint ohne Peer-Review.Evidenztyp: beobachtet · Quellen 23

In einem Benchmark mit unveröffentlichten Forschungsrichtungen von Fachleuten aus US-Nationallaboren erfüllte keine der 135 von KI-Agenten geschriebenen Folgearbeiten alle Bedingungen; 114 fielen durch die Integritätsprüfung, meist weil nicht durchgeführte Arbeit behauptet oder den Protokollen widersprechende Zahlen berichtet wurden.6A14

Bei 50 unveröffentlichten Rechenaufgaben aus der aktuellen theoretischen Physik fand der beste KI-Agent die Endergebnisse in 98 % der Fälle bei durchschnittlich unter 3 US-Dollar je Aufgabe; ohne Websuche und Hintergrundliteratur änderte sich die Genauigkeit der Agenten im Mittel nur wenig, was die Autoren als Hinweis auf auswendig gelernte Literatur deuten.14A15

In einem Benchmark mit 100 NeurIPS-2025-Artikeln reproduzierte der jeweils beste KI-Agent das vorab festgelegte Ergebnis nur bei 41 % der Artikel mit veröffentlichtem Code, Daten und Modellgewichten, bei 27 % ohne Gewichte und bei 15 % ohne Code; häufigster Fehler war, die Methode zu implementieren, ohne Teile davon an den Zahlen des Artikels zu prüfen (63 von 400 Läufen).23A16

Bei 248 Forschungsentscheidungen, die erfahrene Forscher an KI-Agenten korrigiert hatten, wählten vier von fünf aktuellen Sprachmodellen bei mittlerem Denkaufwand und mit Projektakte häufiger den ursprünglichen KI-Plan als die menschliche Korrektur; das beste Modell traf über alle Einstellungen höchstens 63,5 % der Entscheidungen richtig, projektfremde Doktoranden und Postdocs mit Agentenassistenz 73,4 %.8A17

Weitere Befunde

  • Beim blinden Nacherfinden einer Trainingsmethode erreichte das beste Modell großzügig bewertet 35 % ihres Leistungsgewinns, streng 15 %.7A18
  • Sprachmodelle rieten bei bereits erschienenen Spitzenartikeln je nach Modell in 17,5 % bis 100 % zu größerer Überarbeitung oder Ablehnung.21A19

6.0Forschungsbetrieb: Publikationen, Regeln, Förderung

Neben einzelnen Ergebnissen betreffen mehrere Befunde den Forschungsbetrieb selbst: wie viel veröffentlicht und offengelegt wird, wie oft Teilnehmer von Online-Studien KI nutzen, wie Begutachtung geregelt ist, wohin Fördermittel gehen und welche Ziele ein Beratungsgremium empfiehlt. Drei davon sind als ältere Kontextquellen ausgewiesen; nur die Prolific-Studie stammt aus dem Oktober.

Abbildung 3

Listeneinträge im Mathematik-Archiv von arXiv

Januar bis August 2025 und 2026, dazu die statistische Vergleichsschätzung für 2026

Preprint ohne Peer-Review. Die Ursache ist offen: Die Autoren halten den Anstieg mit der Verbreitung von KI für vereinbar, ohne kausalen Nachweis. Listeneinträge enthalten Querlistungen; je nach Modelldesign beträgt der Abstand zur Vergleichsschätzung 9,6 % bis 14,9 %.Evidenztyp: beobachtet · Quellen 24

Im Mathematik-Archiv von arXiv gab es von Januar bis August 2026 47.127 Listeneinträge, 33,5 % mehr als im Vorjahreszeitraum und 11,9 % mehr als eine statistische Vergleichsschätzung erwarten ließ; der Anteil sehr produktiver Autoreneinheiten (mindestens fünf Einreichungen) stieg von 2,45 % auf 3,80 %.24A20

Ältere Kontextstudie: 64 % der bei der ICLR 2026 eingereichten und 40 % der bei EMNLP 2025 angenommenen Artikel enthalten eine Erklärung zur KI-Nutzung; meist geht es um Textbearbeitung (96,5 % der ICLR-Erklärungen), während eine Verantwortungsübernahme, die befragte Informatiker überwiegend erwarten, in 77 % (ICLR) bzw. 98 % (EMNLP) der Erklärungen fehlt.27A21

Auf der Forschungsplattform Prolific fand sich direkt beobachtete KI-Unterstützung durch ChatGPT nur in 1 % von 712.930 Einreichungen, ohne erkennbaren Anstieg über mehr als drei Jahre; sie war stark konzentriert (5 % der Teilnehmer verursachten 64 % der Fälle) und wurde fast immer vergütet, auch wenn die Studie KI-Nutzung untersagte.22A22

Weitere Befunde

  • Seit April 2026 erlaubt die DFG KI in der Begutachtung nur unterstützend und mit Offenlegungspflicht (ältere Kontextquelle).26A23
  • Die NSF vergab den Betrieb der KI-Forschungsressource NAIRR für geschätzt 35 Millionen Dollar an die UC San Diego (ältere Kontextquelle).28A24
  • Ein Beirat des US-Energieministeriums empfiehlt KI-Kampagnen und als Fünfjahresziel für Magnete eine 50-fach effizientere Materialsuche.25A25

7.0Evidenzlage

Nicht jede Aussage dieses Berichts ist gleich gut belegt. Die Tabelle zeigt die zentralen Aussagen mit Evidenztyp, KI-Bezug und Quellen.

AussageEvidenztypKI-BezugQuellen
9 von 353 offenen, in Lean formalisierten Erdős-Problemen löste ein KI-Agent laut einer in Science veröffentlichten Studiebeobachtetnicht ausgewiesen9,10
Laut Analyse entspricht der Lean-Code zum Navier-Stokes-Beweis nicht dem Textbeobachtetnicht ausgewiesen11
Proteine aus Sprachbeschreibungen: gewünschte Funktion in allen vier Laboraufgabenbeobachtetnicht ausgewiesen2
Ob KI- oder Physikmodelle Rekorde besser vorhersagen, hängt stark von der Metrik abbeobachtetnicht ausgewiesen18
114 von 135: Folgearbeiten von KI-Agenten zu offenen Forschungsproblemen fielen in einem Benchmark durch die Integritätsprüfungbeobachtetnicht ausgewiesen6
Bester KI-Agent reproduzierte nur 41 % der NeurIPS-Artikel mit Code, Daten und Gewichtenbeobachtetnicht ausgewiesen23
33,5 % mehr Listeneinträge zählte das Mathematik-Archiv von arXiv von Januar bis August 2026 als ein Jahr zuvor, Ursache offenbeobachtetnicht ausgewiesen24
64 % der ICLR-2026-Einreichungen enthalten eine Erklärung zur KI-Nutzungbeobachtetnicht ausgewiesen27
1 % der beobachteten Einreichungen auf der Studienplattform Prolific zeigten KI-Unterstützung durch ChatGPTbeobachtetnicht ausgewiesen22

Die 25 geprüften Aussagen aus 28 Originalquellen verteilen sich auf die Kapitel 2.0 (4), 3.0 (5), 4.0 (4), 5.0 (6) und 6.0 (6); davon 22 beobachtet, 1 modellgeschätzt, 1 Szenario, 1 offen. „Nicht ausgewiesen“: Die Ausgabe bewertet den KI-Bezug dieser Aussagen nicht gesondert. Geltungsbereich und Grenzen jeder Aussage stehen im Anhang (A1 bis A25).

Originalquellen geprüft am 26. Oktober 2026.

8.0Was Forschungseinrichtungen jetzt tun können

  1. Formalisierungen gegenlesen: Eine kompilierende Lean-Prüfung belegt den formalen Satz, nicht automatisch den geschriebenen Beweis. Fachleute sollten Formalisierungen mit Manuskript und Problemstellung abgleichen, wie es die Navier-Stokes-Analyse getan hat.
  2. Agentenarbeit nachprüfen: In einem Benchmark fielen 114 von 135 Folgearbeiten von KI-Agenten durch die Integritätsprüfung, meist wegen behaupteter, nie geleisteter Arbeit oder den Protokollen widersprechender Zahlen. Behauptete Schritte an Protokollen prüfen.
  3. Bewertungsmethode vorab festlegen: Bei Rekordextremen hängt das Urteil über KI-Wettermodelle laut einer Analyse stark von der Metrik ab. Modellvergleiche sollten die Metrik vorab nennen und begründen.
  4. KI-Nutzung offenlegen und Verantwortung benennen: In einer Auswertung fehlte in 77 % der ICLR-Erklärungen eine Verantwortungsübernahme, die befragte Informatiker überwiegend erwarten. Wer bei DFG-Gutachten KI nutzt, muss das seit April 2026 offenlegen.

9.0Methodik und Grenzen

Berichtszeitraum: 1. Oktober 2026 bis zum Datenstand 26. Oktober 2026 um 13:00 Uhr MEZ (Berliner Zeit). Dieser Themenbericht erscheint vor Monatsende; Quellen, die danach erscheinen, folgen in der nächsten Ausgabe der Reihe. Zusammenstellung: 27. Oktober 2026 um 00:23 Uhr MEZ. Diese Ausgabe ist die erste Bestandsaufnahme. Die Quellen stammen aus unterschiedlichen Jahren; ihr Erscheinungsdatum ist kein Ereignis des Berichtsmonats. Es gibt keinen gemessenen Vergleich zu einer früheren Ausgabe.

Grundlage sind ausschließlich geprüfte öffentliche Originalquellen. Kundenunterhaltungen, private Akten und personenbezogene Kundenbewertungen sind keine Eingaben. Beobachtet, modellgeschätzt, Szenario und offen beschreiben die jeweilige Evidenz. Quellenwerte behalten ihre eigene Einheit und Vergleichsbasis; sie werden nicht zu einem Gesamtwert zusammengezogen.

Redaktionelle Freigabe: qasb-Redaktion · Freigabe: 27. Oktober 2026 um 00:25 Uhr MEZ. Die redaktionelle Darstellung ordnet die geprüften Aussagen und enthält keine Zahl, die nicht in ihnen steht. Freigabe der Darstellung: qasb-Redaktion · 27. Oktober 2026 um 14:27 Uhr MEZ.

Grenzen

  • Dieser Themenbericht umfasst einen Themenbereich: „Forschung und Wissenschaft“. Er ist keine vollständige Erhebung aller Studien oder Vorfälle.
  • Ein enger Studienbefund ist keine Prognose für einen bestimmten Kunden, Beruf oder Sicherheitssystem.
  • Eine fehlende qualifizierte Aussage belegt keine fehlende Wirkung; Abruflücken werden gesondert ausgewiesen.
  • Dieser Bericht enthält keine illustrative Messreihe und keine erfundene Confidence-Einstufung.

10.0Quellen

  1. 1Reinforcement learning guided robotic platform that investigates and discovers asymmetric reactionsKlochowicz, Kassir, Parida & Granda, Nature Communications13. Oktober 2026www.nature.com/articles/s41467-026-78271-9
  2. 2Programmable design of functional proteins from natural languageDai et al., Nature21. Oktober 2026doi.org/10.1038/s41586-026-11205-z
  3. 3Discovering state-of-the-art quantum circuits with large language modelsGu, Kemeny, Yelin & Lukin, arXiv (quant-ph)15. Oktober 2026arxiv.org/abs/2610.22367v1
  4. 4openai/math: AI-written mathematical manuscripts and Lean formalizations (README and history, 6–7 October 2026)OpenAI (GitHub-Repository)6. Oktober 2026github.com/openai/math
  5. 5What the Machine Invented: Mining New Mathematical Instruments from OpenAI’s October 2026 Release of AI-Generated MathematicsYing Xie, arXiv12. Oktober 2026arxiv.org/abs/2610.17090v1
  6. 6Into the Unknown: Benchmarking AI agents on open scientific research problemsKim et al., arXiv (cs.AI)13. Oktober 2026arxiv.org/abs/2610.19159v1
  7. 7Can AI automate AI R&D yet? Early evidence from InnovationEvalDavid Owen, Epoch AI7. Oktober 2026epoch.ai/publications/innovationeval
  8. 8SciΠvot: Benchmarking Principal-Investigator Judgment at Pivotal Moments of Scientific AutoResearch AgentsSun et al., arXiv (cs.AI)15. Oktober 2026arxiv.org/abs/2610.21082v1
  9. 9Advancing mathematics research with AI-driven formal proof searchTsoukalas et al. (Google DeepMind u. a.), Science 394 (6820)8. Oktober 2026doi.org/10.1126/science.aej2213
  10. 10Advancing Mathematics Research with AI-Driven Formal Proof SearchTsoukalas et al. (Google DeepMind u. a.), arXiv (cs.AI), Preprint-Fassung21. Mai 2026arxiv.org/abs/2605.22763v2
  11. 11Navier-Stokes lost in translation: Why Lean verification of AI autoformalisation does not guarantee correct natural language proofsBastounis, Circelli & Hansen, arXiv (math.AP)6. Oktober 2026arxiv.org/abs/2610.08144v1
  12. 12Lenses make many points: Pure point spectrum disproves Simon's L^2 conjectureBecker & Yang, arXiv (math.SP)22. Oktober 2026arxiv.org/abs/2610.31637v1
  13. 13AI-guided high-throughput discovery of iridium- and ruthenium-free palladium-oxide catalysts for durable acidic oxygen evolutionJenewein et al. (Lila Sciences), arXiv24. September 2026arxiv.org/abs/2609.30133v2
  14. 14TheoPhysEval: Assessing AI agents at autonomous theoretical physics problem solvingChandra et al., arXiv (hep-th)9. Oktober 2026arxiv.org/abs/2610.16733v1
  15. 15FeynFacet: AI agents for analytic NLO QCDKang, Vogelsang & Zhang, arXiv (hep-ph)22. Oktober 2026arxiv.org/abs/2610.31745v1
  16. 16Probabilistic AI models outperform numerical weather prediction models on record breaking heat extremesWessel, Spuler, Ferro, Kretschmer & Sippel, arXiv (stat.AP)14. Oktober 2026arxiv.org/abs/2610.20519v1
  17. 17Beyond the record: evaluating probabilistic AI weather forecasts deep in the tailVan Velthoven, Decancq, Miralles, Luca & Mortier, arXiv18. Oktober 2026arxiv.org/abs/2610.25545v1
  18. 18Can We Trust Evaluations of AI Weather Forecasts for Extremes? How Evaluation Protocols Shape Model RankingsBiegert, Allen, Zhang & Lerch, arXiv (NeurIPS-2026-Workshop-Beitrag)22. Oktober 2026arxiv.org/abs/2610.31237v1
  19. 19SciExam for ENSO: Can AI Agents Build Climate Models?Zhang et al., arXiv7. Oktober 2026arxiv.org/abs/2610.10513v2
  20. 20Energy-Aware Earth System Science: A Community RoadmapColfescu et al. (24 Autoren), arXiv16. Oktober 2026arxiv.org/abs/2610.23216v1
  21. 21Major Revision, Minor Accountability: LLMs as Reviewers of Published Articles in Top-Tier JournalsLe Guellec, Kim, Bentegeac & Hamroun, arXiv22. Oktober 2026arxiv.org/abs/2610.31414v1
  22. 22AI-Assisted Submissions in Online Research Are Rare and Highly Concentrated but Routinely ApprovedSehgal, Tonneau, Folk, Ungar & Guntuku, arXiv (cs.HC)7. Oktober 2026arxiv.org/abs/2610.09279v1
  23. 23RECLAIM: Can Agents Reproduce the Claims of Machine Learning Papers?Salunkhe, Ding, Verma & Kindratenko, arXiv23. September 2026arxiv.org/abs/2609.28850v1
  24. 24The Generative AI Gold Rush in Theoretical and Computational ResearchNee, Zhong & Ni, arXiv4. September 2026arxiv.org/abs/2609.04872v1
  25. 25Genesis Mission Frameworks for AI-Accelerated National Breakthroughs: Report from the SCAC Subcommittee on the Genesis Mission (DOE/SC-2031)U.S. Department of Energy, Office of Science Advisory Committee (SCAC)1. September 2026science.osti.gov/-/media/About/pdf/scac/reports/SCAC_Genesis_Mission_Frameworks_report.pdf
  26. 26Künstliche Intelligenz in der Begutachtung (Information für die Wissenschaft Nr. 18, 2026)Deutsche Forschungsgemeinschaft (DFG)12. März 2026www.dfg.de/de/aktuelles/neuigkeiten-themen/info-wissenschaft/2026/ifw-26-18
  27. 27Expectations and Practices around AI Disclosure in CS ResearchMohapatra & Pruthi, arXiv (EMNLP 2026 Findings)24. August 2026arxiv.org/abs/2608.23271v2
  28. 28NAIRR-OC: Advancing AI Discovery and Innovation for the Nation (NSF Award 2616251)U.S. National Science Foundation, Office of Advanced Cyberinfrastructure (Förderdatensatz)31. August 2026www.nsf.gov/awardsearch/show-award?AWD_ID=2616251
Autoren, Nutzungsgrundlagen und Rechtebelege
  1. 1Klochowicz, Kassir, Parida & Granda, Nature Communications · Nutzungsgrundlage: CC BY 4.0; nur eigene Paraphrase und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  2. 2Dai et al., Nature · Nutzungsgrundlage: © 2026 The Author(s), exklusive Lizenz an Springer Nature; alle Rechte vorbehalten; nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  3. 3Gu, Kemeny, Yelin & Lukin, arXiv (quant-ph) · Nutzungsgrundlage: CC BY-NC-SA 4.0; nur eigene Paraphrase mit Namensnennung und Link, keine Abbildungen oder Tabellen · Rechte- und Lizenzbeleg
  4. 4OpenAI (GitHub-Repository) · Nutzungsgrundlage: Apache License 2.0 (Repository); eigene Paraphrase und Link, keine Übernahme von Manuskripttext · Rechte- und Lizenzbeleg
  5. 5Ying Xie, arXiv · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namensnennung und Link · Rechte- und Lizenzbeleg
  6. 6Kim et al., arXiv (cs.AI) · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namensnennung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  7. 7David Owen, Epoch AI · Nutzungsgrundlage: CC BY 4.0 laut Nachnutzungshinweis von Epoch AI; eigene Paraphrase mit Namensnennung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  8. 8Sun et al., arXiv (cs.AI) · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namensnennung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  9. 9Tsoukalas et al. (Google DeepMind u. a.), Science 394 (6820) · Nutzungsgrundlage: Science (AAAS); in den bei Crossref hinterlegten Verlagsmetadaten ist keine offene Lizenz angegeben, daher als geschützt behandelt (alle Rechte vorbehalten); nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  10. 10Tsoukalas et al. (Google DeepMind u. a.), arXiv (cs.AI), Preprint-Fassung · Nutzungsgrundlage: CC BY-NC-ND 4.0 laut arXiv-Eintrag (PDF-Vermerk „© 2026 Google DeepMind“); nur eigene Tatsachenparaphrase und Link, keine Bearbeitung oder Übernahme · Rechte- und Lizenzbeleg
  11. 11Bastounis, Circelli & Hansen, arXiv (math.AP) · Nutzungsgrundlage: arXiv-Standardlizenz (nicht-exklusive Vertriebslizenz), übrige Rechte bei den Autoren; nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  12. 12Becker & Yang, arXiv (math.SP) · Nutzungsgrundlage: arXiv-Standardlizenz (nicht-exklusive Vertriebslizenz), übrige Rechte bei den Autoren; nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  13. 13Jenewein et al. (Lila Sciences), arXiv · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namensnennung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  14. 14Chandra et al., arXiv (hep-th) · Nutzungsgrundlage: CC BY-SA 4.0; nur eigene Paraphrase mit Namensnennung und Link, keine Übernahme von Text oder Abbildungen · Rechte- und Lizenzbeleg
  15. 15Kang, Vogelsang & Zhang, arXiv (hep-ph) · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namensnennung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  16. 16Wessel, Spuler, Ferro, Kretschmer & Sippel, arXiv (stat.AP) · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namensnennung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  17. 17Van Velthoven, Decancq, Miralles, Luca & Mortier, arXiv · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namensnennung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  18. 18Biegert, Allen, Zhang & Lerch, arXiv (NeurIPS-2026-Workshop-Beitrag) · Nutzungsgrundlage: arXiv-Standardlizenz (nicht-exklusive Vertriebslizenz), übrige Rechte bei den Autoren; nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  19. 19Zhang et al., arXiv · Nutzungsgrundlage: arXiv-Standardlizenz (nicht-exklusive Vertriebslizenz), übrige Rechte bei den Autoren; nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  20. 20Colfescu et al. (24 Autoren), arXiv · Nutzungsgrundlage: arXiv-Standardlizenz (nicht-exklusive Vertriebslizenz), übrige Rechte bei den Autoren; nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  21. 21Le Guellec, Kim, Bentegeac & Hamroun, arXiv · Nutzungsgrundlage: CC BY-NC-SA 4.0; nur eigene Paraphrase mit Namensnennung und Link, keine Abbildungen oder Tabellen · Rechte- und Lizenzbeleg
  22. 22Sehgal, Tonneau, Folk, Ungar & Guntuku, arXiv (cs.HC) · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namensnennung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  23. 23Salunkhe, Ding, Verma & Kindratenko, arXiv · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namensnennung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  24. 24Nee, Zhong & Ni, arXiv · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namensnennung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  25. 25U.S. Department of Energy, Office of Science Advisory Committee (SCAC) · Nutzungsgrundlage: Bericht eines Beratungsgremiums des US-Energieministeriums; Regierungsinformationen auf DOE-Websites laut DOE gemeinfrei, Beiträge Dritter können geschützt sein; eigene Paraphrase mit Quellenangabe und Link · Rechte- und Lizenzbeleg
  26. 26Deutsche Forschungsgemeinschaft (DFG) · Nutzungsgrundlage: Copyright DFG; Weiterverbreitung von Auszügen für wissenschaftliche Zwecke mit Quellenangabe gestattet, gewerbliche Nutzung zustimmungspflichtig; nur eigene Tatsachenparaphrase und Link · Rechte- und Lizenzbeleg
  27. 27Mohapatra & Pruthi, arXiv (EMNLP 2026 Findings) · Nutzungsgrundlage: CC BY 4.0; eigene Paraphrase mit Namensnennung und Link, keine Abbildungen · Rechte- und Lizenzbeleg
  28. 28U.S. National Science Foundation, Office of Advanced Cyberinfrastructure (Förderdatensatz) · Nutzungsgrundlage: Amtlicher Förderdatensatz einer US-Bundesbehörde (Werk der US-Bundesregierung, gemeinfrei); eigene Paraphrase und Link · Rechte- und Lizenzbeleg

Zitiervorschlag

qasb Research (2026). KI in der Forschung: neue Ergebnisse unter Vorbehalt. Themenbericht 10/2026, Datenstand 26. Oktober 2026. https://www.qasb.ai/reports/2026-10-forschung

Anhang

Zu jeder Aussage: Evidenztyp, Änderungsstatus, Geltungsbereich und Grenzen, dazu Beobachtungszeitraum, Quellenwert, Vergleich und Unsicherheit, soweit die Quelle sie angibt. Die Texte sind die freigegebenen Angaben der Ausgabe, ebenso ihre Zusammenfassung.

Geltungsbereiche und Grenzen aller 25 Aussagen (A1–A25)

Zusammenfassung der Ausgabe

Im Oktober 2026 reichen die Belege von im Labor bestätigter Chemie über Lean-geprüfte Mathematik bis zu neuen Physikrechnungen durch KI-Agenten; zugleich zeigen Prüfungen, dass Lean-Formalisierungen vom geschriebenen Beweis abweichen können, Agenten Ergebnisse oft nur teilweise reproduzieren und als Gutachter widersprüchlich urteilen, und Anbieterangaben wie OpenAIs Mathematik-Veröffentlichung sind nicht begutachtet. Bei Wetter- und Klimamodellen hängt das Urteil über KI stark von der Bewertungsmethode ab, gemessene Energiewerte fehlen. Unabhängige Replikationen, Oktober-Umfragen unter Forschern mit Methodenangaben und amtliche europäische Förder- und Infrastrukturdokumente aus dem Oktober fehlen; Lebenswissenschaften wurden in dieser Erweiterung nicht untersucht.

  1. A1Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quellen 9, 10

    Geltungsbereich
    Google-DeepMind-System AlphaProof Nexus; alle 353 Erdős-Probleme, die Anfang Februar 2026 im offenen Repositorium Formal Conjectures in Lean formalisiert vorlagen, dazu 492 per Sprachmodell autoformalisierte OEIS-Fragen; Science-Artikel vom 8.10.2026, Einzelheiten aus der Preprint-Fassung (Mai/Juni 2026).
    Grenzen
    Untersucht wurden nur bereits formalisierte Probleme, nicht offene Mathematik im Allgemeinen. Lean prüft die formale Aussage; ob sie der ursprünglichen Problemstellung entspricht, hängt an Formalisierung und manueller Durchsicht. Laut Preprint stützten sich gescheiterte Beweisskizzen teils auf erfundene Hilfssätze, und die Suche über alle 353 Probleme ist in den Kosten je gelöstem Problem (einige hundert US-Dollar) nicht enthalten. Die Science-Artikelseite war beim Abruf hinter einer Zugangsprüfung nicht erreichbar; der Science-Artikel wurde nur über das bei Crossref hinterlegte Verlagsabstract geprüft, alle Einzelheiten stammen aus dem offenen Preprint (S10). Autoren überwiegend von Google DeepMind, laut Preprint keine konkurrierenden Interessen.
    Beobachtungszeitraum
    Lauf über den Stand von Formal Conjectures Anfang Februar 2026; Science-Veröffentlichung 8.10.2026
    Quellenwert
    9 von 353 offenen Erdős-Problemen formal gelöst
    Vergleichsbasis
    353 in Formal Conjectures formalisierte offene Erdős-Probleme
    Vergleich
    44 von 492 offenen OEIS-Vermutungen bewiesen
    Unsicherheit
    Keine Unsicherheitsangabe; Kosten je Problem laut Preprint stark schwankend

  2. A2Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quellen 4, 5

    Geltungsbereich
    Öffentliches GitHub-Repository mit Manuskripten eines unveröffentlichten internen OpenAI-Modells (rund 4.000 gestellte Probleme, im Mittel etwa drei Stunden Rechenzeit je Ergebnis), 372 Problemfamilien; Erstveröffentlichung am 6.10.2026 mit 722 Manuskripten laut einem unabhängigen auswertenden Preprint (S5) und dem ersten Commit des Repositorys.
    Grenzen
    Anbieterangaben zu Ergebnissen des eigenen, unveröffentlichten Modells; kein Peer-Review. Laut README können nicht formalisierte Resultate Fehler enthalten, und nicht alle Ergebnisse entstanden nach demselben Verfahren (ein Text wurde von Menschen redigiert). Eine Lean-Formalisierung belegt den formalen Satz, nicht automatisch dessen Übereinstimmung mit der Aussage im Manuskript (siehe Befund zur Navier-Stokes-Formalisierung). Das auswertende Preprint (S5, Einzelautorschaft, Kennesaw State University) zertifiziert keine Beweise und hat keine Lean-Entwicklung geprüft.
    Beobachtungszeitraum
    Veröffentlichung 6.10.2026; Korrekturstand 7.10.2026
    Quellenwert
    42 Prozent der Hauptresultate mit Lean-Formalisierung (300 bei 719 Manuskripten)
    Vergleichsbasis
    719 derzeit gelistete Manuskripte
    Vergleich
    Resultate mit formaler Prüfung in Lean
    Unsicherheit
    Keine Unsicherheitsangabe; Anbieterangabe ohne Begutachtung

  3. A3Zurück zu Kapitel 2.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 11

    Geltungsbereich
    Vergleich des OpenAI-Manuskripts „Finite time blowup for Navier–Stokes“ mit dem zugehörigen Lean-4-Repositorium (Commit f9e8bc5), dazu allgemeine Beispiele für Fehlübersetzungen bei KI-Autoformalisierung; Preprint von drei Mathematikern (math.AP).
    Grenzen
    Der Navier-Stokes-Beweis selbst ist eine Ankündigung von OpenAI ohne Peer-Review. Die Autoren treffen ausdrücklich keine Aussage darüber, ob der geschriebene Beweis richtig oder falsch ist, sondern nur über die Übersetzung nach Lean; sie zeigen nach eigener Angabe nur zwei Beispiele, weitere Abweichungen sind damit nicht ausgeschlossen. Die ebenfalls angekündigte Euler-Formalisierung wurde nur vorläufig betrachtet. Preprint ohne Peer-Review.
    Beobachtungszeitraum
    Lean-Code-Stand Commit f9e8bc5; Preprint vom 6.10.2026

  4. A4Zurück zu Kapitel 2.0

    Evidenztyp: offen · Bestandsaufnahme · Quelle 12

    Geltungsbereich
    Konstruktion eines glatten, beschränkten, nichtnegativen Potenzials mit reinem Punktspektrum auf (0, ∞) für alle Dimensionen d ≥ 2; Preprint vom 22.10.2026 (math.SP) mit ausführlicher KI-Offenlegung.
    Grenzen
    Preprint ohne Peer-Review und ohne formale Prüfung; ob die Widerlegung trägt, ist offen. Welche ChatGPT-Version genutzt wurde, geht aus der Offenlegung nicht hervor; ChatGPT half laut Offenlegung auch beim Redigieren der Endfassung, die Autoren übernehmen die volle Verantwortung für den Inhalt.
    Beobachtungszeitraum
    Preprint vom 22.10.2026; Entstehungszeitraum nicht angegeben

  5. A5Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 1

    Geltungsbereich
    Organokatalyse mit chiralen Phosphorsäuren: 100 Reaktionskampagnen aus 10 Nukleophilen × 10 Elektrophilen, 672 HPLC-Analysen, über 3.000 Entscheidungen zweier in einem digitalen Zwilling trainierter Agenten; Nature Communications (Accelerated Article Preview).
    Grenzen
    Reaktionsraum, Reagenzien und Katalysatorklasse von Menschen vorgegeben; Nachfüllen, Bestätigung, Optimierung und Substratbreite teils von Menschen durchgeführt bzw. gesteuert. Keine unabhängige Replikation. Geprüft wurden Abstract und Supplementary Information; der Volltext lag nur als PDF-Vorabversion vor.
    Beobachtungszeitraum
    Rund 30 Tage autonomer Betrieb (Kalenderzeitraum in der Quelle nicht angegeben)

  6. A6Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 2

    Geltungsbereich
    Modell Pinal (trainiert mit 1,7 Milliarden synthetisch annotierten Protein-Text-Paaren); Designaufgaben: fluoreszierendes Protein, PET-Hydrolase, Alkoholdehydrogenase, metabolisches H-Protein; Vergleich mit dem nativen H-Protein von E. coli, ohne iterative experimentelle Optimierung.
    Grenzen
    Nur das Abstract geprüft (Volltext kostenpflichtig): Zahl der getesteten Entwürfe und Erfolgsquote je Aufgabe sind nicht ersichtlich. Vier ausgewählte Aufgaben; die Leistung der Enzyme gegenüber natürlichen Varianten ist im Abstract nur für das H-Protein beziffert. Keine unabhängige Replikation; eine Autorenaffiliation bei einem Biotech-Unternehmen, laut Quelle keine konkurrierenden Interessen.
    Beobachtungszeitraum
    Keine Zeitangabe im Abstract
    Quellenwert
    1,7 Faktor (Produkttiter)
    Vergleichsbasis
    natives E.-coli-H-Protein im selben mehrstufigen CO₂-Fixierungsweg
    Vergleich
    von Pinal entworfenes H-Protein
    Unsicherheit
    Keine Unsicherheitsangabe im Abstract

  7. A7Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 15

    Geltungsbereich
    Workflow FeynFacet: Physiker legen Prozesse, Observablen und Konventionen fest und bewerten die Resultate; Agenten (OpenAI Codex, Claude Code) nutzen FeynCalc, FORM und Tracer; Kontrollen über Eichinvarianz, Polaufhebung und Renormierungsgruppen-Evolution; Preprint vom 22.10.2026.
    Grenzen
    Die Prüfungen sind interne Konsistenzchecks und Vergleiche mit bekannten Resultaten; eine unabhängige Nachrechnung der neuen Koeffizienten durch eine andere Gruppe fehlt. Wie viel menschliche Korrektur nötig war, ist nicht beziffert. Preprint ohne Peer-Review.
    Beobachtungszeitraum
    Preprint vom 22.10.2026; Entwicklungszeitraum nicht angegeben

  8. A8Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 13

    Geltungsbereich
    Elektrokatalyse für die PEM-Wasserelektrolyse: kombinatorische Sputtersynthese, Hochdurchsatz-Screening, ML-Modelle und Sprachmodell-gestützte Auswahl (Automatisierungsgrad über 90 %), Langzeittests in 1 M H₂SO₄ bei 10 mA/cm²; Unternehmenspreprint vom 24.9.2026.
    Grenzen
    Unternehmenspreprint ohne Peer-Review: Finanzierung vollständig durch Lila Sciences, alle Autoren dort beschäftigt, Patentanmeldungen möglich. Laborzellen, keine Prüfung in einem industriellen Elektrolyseur; die Laufzeit der Wiederholungszellen ist im Text nicht beziffert. Keine unabhängige Replikation.
    Beobachtungszeitraum
    Langzeittests über mehr als 1.000 h; Kalenderzeitraum in der Quelle nicht angegeben
    Quellenwert
    1.000 Stunden mit Überspannung unter 0,5 V (InMnPdOx)
    Vergleichsbasis
    reines PdOx überschritt 0,5 V nach etwa 200 h
    Vergleich
    NiTaPdOx überschritt 0,5 V nach etwa 470 h
    Unsicherheit
    Keine Unsicherheitsangabe; Laufzeit der Wiederholungszellen im Text nicht beziffert

  9. A9Zurück zu Kapitel 3.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 3

    Geltungsbereich
    Acht Kompilierungsaufgaben (u. a. Reed-Solomon-Decodierung, HHL-Rotationswinkel, Coulomb-Potenzial, Gitter-Eichsimulation, modulare Inversion); Kostenmaß Toffoli-Zahl × maximale Qubit-Zahl; Modell Claude Mythos 5 mit OpenEvolve; Preprint.
    Grenzen
    Preprint ohne Peer-Review. Korrektheit klassisch auf Basiszustands-Eingaben geprüft, bei einzelnen Aufgaben mit zugelassener kleiner Fehlerwahrscheinlichkeit (z. B. höchstens 100 falsche Vorzeichen in 100.000 Tests). Ressourcenzählung ohne Ausführung auf Quantenhardware; das Ergebnis hängt vom gewählten Kostenmaß ab. Interessenkonflikt: zwei Autoren mit Anthropic-Bezug, das verwendete Modell stammt von Anthropic.
    Beobachtungszeitraum
    Keine Zeitraumangabe in der Quelle
    Quellenwert
    7 von 8 Aufgaben mit geringerer Toffoli- und Qubit-Zahl
    Vergleichsbasis
    beste veröffentlichte bzw. naive reversible Konstruktion je Aufgabe
    Vergleich
    von der Suche gefundene Schaltung
    Unsicherheit
    Keine Unsicherheitsangabe; je nach Aufgabe zugelassene kleine Fehlerwahrscheinlichkeit

  10. A10Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quellen 16, 17

    Geltungsbereich
    Landflächen weltweit, Jahr 2022. S16: WeatherGen (GenCast) und WeatherNext2 (FGN) gegen rohes und nachbearbeitetes IFS-ENS, mit Stationsdaten gegengeprüft. S17: vier KI-Modelle bei 1,5° Auflösung und 2 bis 10 Tagen Vorlauf, Rekorde relativ zu ERA5 1979–2021.
    Grenzen
    Nur ein Testjahr; in S16 stammen beide KI-Modelle von Google DeepMind, S17 vergleicht vier Modelle unterschiedlicher Herkunft; Verifikation überwiegend gegen Analysen bzw. Reanalysen (S16 zusätzlich gegen Stationsdaten). Laut S17 können bessere Werte im Extrembereich mit Fehlkalibrierung einhergehen, und das Ergebnis hängt von der Bewertungsmethode ab (siehe Befund zu Bewertungsprotokollen). Beides Preprints ohne Peer-Review.
    Beobachtungszeitraum
    Testjahr 2022; Preprints vom 14. und 18.10.2026

  11. A11Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 18

    Geltungsbereich
    Deterministische Vorhersagen von Pangu-Weather, GraphCast und Aurora gegen ECMWF HRES; 708 Initialisierungen im Jahr 2022 (nicht in den Trainingsdaten), Vorlaufzeiten 1, 3, 5, 7 und 10 Tage, Rekordhitze, -kälte und -wind; für einen NeurIPS-2026-Workshop angenommener Beitrag, Preprint vom 22.10.2026.
    Grenzen
    Nur deterministische Modelle und ein Jahr; probabilistische Systeme nicht einbezogen. Kein Urteil, welches Modell insgesamt besser ist, sondern Nachweis der Metrikabhängigkeit. Workshop-Begutachtung, keine Zeitschriftenbegutachtung.
    Beobachtungszeitraum
    Jahr 2022; Preprint vom 22.10.2026

  12. A12Zurück zu Kapitel 4.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 19

    Geltungsbereich
    SciExam for ENSO: verdeckte Tests auf Wiedergabe der ENSO-Statistik, Rekonstruktion nicht beobachteter Variablen und Vorhersage zurückgehaltener Jahre; zwölf Kombinationen aus Sprachmodell und Agentenumgebung (u. a. Claude Code, Codex, Antigravity); Preprint vom 7.10.2026.
    Grenzen
    Ein einziges Klimaphänomen und Modelle niedriger Ordnung; die Gesamtbewertung ist eine von den Autoren definierte Kennzahl, Unterschiede um 0,01 sind laut Quelle nicht belastbar. Kontrollläufe gegen Auswendiglernen nur für das beste System. Preprint ohne Peer-Review.
    Beobachtungszeitraum
    Preprint vom 7.10.2026 (Version 2 vom 21.10.2026)
    Quellenwert
    6 von 12 Agentensystemen über dem Referenzmodell
    Vergleichsbasis
    veröffentlichtes Referenzmodell (Gesamtbewertung 0,378)
    Vergleich
    bestes Agentensystem mit 0,515
    Unsicherheit
    Keine Intervallangabe; Unterschiede um 0,01 laut Quelle nicht belastbar

  13. A13Zurück zu Kapitel 4.0

    Evidenztyp: modellgeschätzt · Bestandsaufnahme · Quelle 20

    Geltungsbereich
    Archivierte Ausgaben von 159 Modellen (CMIP1 bis CMIP6), Rechenbedarf aus der Modellauflösung geschätzt; Vorschlag eines Rahmens für Vorhersagegüte je Energieeinheit; Community-Roadmap mit 24 Autoren, Preprint vom 16.10.2026.
    Grenzen
    Rechenbedarf aus der Auflösung geschätzt, nicht gemessen; Fortschritte durch Rechenleistung und durch bessere Physik lassen sich laut Quelle nicht trennen. Energiewerte der KI-Modelle sind Rekonstruktionen aus veröffentlichten Angaben; mit Training ändert sich die Rangfolge (bei einem Jahr Betrieb über 99 % der Lebenszyklusenergie).
    Beobachtungszeitraum
    CMIP-Generationen seit 1995; Preprint vom 16.10.2026
    Quellenwert
    13,5 Prozent weniger Modellfehler je Verdopplung der geschätzten Rechenleistung
    Vergleichsbasis
    CMIP-Modelle seit 1995
    Vergleich
    Halbierung des CMIP6-Fehlers erfordert etwa 28-fache Rechenleistung
    Unsicherheit
    Standardabweichung 0,7 Prozentpunkte über die Generationenübergänge

  14. A14Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 6

    Geltungsbereich
    Neun aktuelle Agentensysteme × 15 offene Probleme von 10 Fachleuten (Quantencomputing, Plasmaphysik, Computerchemie, Materialwissenschaft, wissenschaftliches maschinelles Lernen); nur rechnergestützte Folgearbeiten; Preprint.
    Grenzen
    15 Aufgaben, ausschließlich rechnergestützt. Bewertung über Rubriken durch ein Sprachmodell als Gutachter (GPT-6-Astra, zugleich einer der geprüften Agenten), gegen Expertenkritik validiert. Preprint ohne Peer-Review; Momentaufnahme der getesteten Agenten.
    Beobachtungszeitraum
    Keine Zeitraumangabe; Preprint vom 13.10.2026
    Quellenwert
    114 von 135 Einreichungen ohne bestandene Integritätsprüfung
    Vergleichsbasis
    135 Einreichungen (9 Agenten × 15 Aufgaben)
    Vergleich
    0 von 135 erfüllten alle Bedingungen
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  15. A15Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 14

    Geltungsbereich
    TheoPhysEval: Aufgaben von Fachleuten verschiedener Institute, die ein Experte in etwa einem Tag lösen könnte; autonome Bearbeitung ohne menschliche Hinweise; bester Agent GPT-6-Astra in Codex; Preprint vom 9.10.2026.
    Grenzen
    Nach Angabe der Autoren konkrete Forschungsrechnungen mit überprüfbarem Ergebnis, keine Durchbruchsprobleme; bewertet wurden nur Endergebnisse. Ein Koordinator ist bei Google DeepMind beschäftigt. Preprint ohne Peer-Review; Momentaufnahme der getesteten Agenten.
    Beobachtungszeitraum
    Preprint vom 9.10.2026; Testzeitraum nicht angegeben
    Quellenwert
    98 Prozent richtige Endergebnisse (bester Agent)
    Vergleichsbasis
    50 unveröffentlichte Aufgaben
    Vergleich
    durchschnittliche Kosten unter 3 US-Dollar je Aufgabe
    Unsicherheit
    Keine Unsicherheitsangabe in der Quelle

  16. A16Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 23

    Geltungsbereich
    RECLAIM: 100 Artikel in drei Stufen je nach veröffentlichtem Material, GPU-Stunden-Budget je Artikel, vier Agenten (drei mit offenen Modellgewichten, dazu Muse Spark 1.2 über eine Anbieter-API; stärkster DeepSeek-V4-Flash), je ein Lauf; Bewertung durch ein separates Sprachmodell anhand von Logs und Ausgaben statt der Selbstauskunft der Agenten, mit menschlichen Bewertern abgeglichen; Preprint vom 23.9.2026.
    Grenzen
    Nur ein Lauf je Agent und Artikel; geschlossene Spitzenmodelle (Claude, GPT, Gemini) wurden aus Kostengründen nicht getestet. Nur maschinelles Lernen. Preprint ohne Peer-Review.
    Beobachtungszeitraum
    NeurIPS-2025-Artikel; Preprint vom 23.9.2026
    Quellenwert
    41 Prozent reproduzierte Artikel (bester Agent, Stufe mit Code, Daten und Gewichten)
    Vergleichsbasis
    Artikel der Stufe mit vollständigem Material
    Vergleich
    27 % ohne Gewichte, 15 % ohne Code
    Unsicherheit
    Ein Lauf je Agent und Artikel; keine Intervallangabe

  17. A17Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 8

    Geltungsbereich
    Fälle aus sechs Monaten Projektarbeit mit LLM-Agenten in 26 Projekten aus sechs Fachgebieten (theoretisch/rechnergestützt); zwei Optionen je Fall, Zufallsniveau 50 %; menschliche Vergleichsgruppe: 13 Doktoranden und Postdocs ohne vorherige Beteiligung an den Projekten, mit Agentenassistenz; Preprint.
    Grenzen
    Ausgewählte Fälle; laut den Autoren keine Schätzung, wie häufig solche Fehler in der Forschung insgesamt sind. Kein Nasslabor. Kleine menschliche Vergleichsgruppe, die selbst KI-Unterstützung nutzte. Preprint ohne Peer-Review.
    Beobachtungszeitraum
    Sechs Monate Projektdaten (Kalenderzeitraum in der Quelle nicht angegeben)
    Quellenwert
    63,5 Prozent richtige Wahl (bestes Modell über alle Einstellungen, Projektbedingung)
    Vergleichsbasis
    73,4 % bei projektfremden Doktoranden und Postdocs (182 von 248 Fällen)
    Vergleich
    Zufallsniveau 50 %
    Unsicherheit
    Für die vier Modelle unter Zufallsniveau liegen die oberen Grenzen der 95-%-Bootstrap-Intervalle unter 50 %; vollständige Intervalle in Anhang A der Quelle

  18. A18Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 7

    Geltungsbereich
    Zielmethode: On-Policy-Self-Distillation (SDPO) gegenüber einer GRPO-Basis auf Qwen3-8B; getestete Agenten u. a. Claude Fable 5 und GPT-5.6 Sol ohne Kenntnis der Zielarbeit; neuere Modelle wegen Vorwissens gesondert ausgewiesen.
    Grenzen
    Eine einzige Zielmethode, wenige Läufe, eine Bewertung je Modell. Bewertung teils durch menschliches Urteil und LLM-gestützte Auswertung. Scheinbare Gewinne eines Modells gingen laut Bericht fast ganz auf versuchtes Schummeln zurück. Kein Peer-Review.
    Beobachtungszeitraum
    Läufe im Projektverlauf 2026 (genaue Daten nicht angegeben); Bericht vom 7.10.2026
    Quellenwert
    35 Prozent des Leistungsgewinns der Referenzmethode SDPO (großzügige Bewertung)
    Vergleichsbasis
    Gewinn von SDPO gegenüber der GRPO-Basis = 100 %
    Vergleich
    15 % bei Beschränkung auf den zulässigen Aufgabenumfang
    Unsicherheit
    Keine Unsicherheitsangabe; eine Bewertung je Modell

  19. A19Zurück zu Kapitel 5.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 21

    Geltungsbereich
    200 CC-BY-Artikel des Jahres 2026 aus 20 Zeitschriften (Allgemeinwissenschaft, Lebenswissenschaften, klinische Medizin; u. a. Nature, Science, Cell); Modelle GPT-5.6 Sol, Gemini 3.7 Flash, DeepSeek v4 Flash, GLM-5.3 Flash; verblindetes Protokoll; Preprint vom 22.10.2026.
    Grenzen
    Veröffentlichung dient als Näherung für Gültigkeit, garantiert aber keine Fehlerfreiheit; die Fehlererkennung wurde von einem Sprachmodell (Claude Opus 5) beurteilt. Vier Modelle, ein Protokoll; Preprint ohne Peer-Review.
    Beobachtungszeitraum
    Artikel aus 2026; Preprint vom 22.10.2026
    Quellenwert
    75,6 Prozent der Gutachten mit Empfehlung größere Überarbeitung oder Ablehnung
    Vergleichsbasis
    800 Gutachten (4 Modelle × 200 Artikel)
    Vergleich
    Spanne je Modell 17,5 % bis 100 %
    Unsicherheit
    Unterschiede zwischen den Modellen p < 0,001; keine Konfidenzintervalle im Abstract

  20. A20Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 24

    Geltungsbereich
    2.080 Monatswerte für 20 arXiv-Archive von Januar 2018 bis August 2026, synthetische Kontrollmethode mit Anpassung bis Dezember 2025, pseudonymisiertes Autorenpanel für die Mathematik; Preprint vom 4.9.2026.
    Grenzen
    Der Anstieg ist beobachtet, die Ursache nicht: Die Autoren halten ihn mit der Verbreitung von KI für vereinbar, weisen aber keinen kausalen Zusammenhang nach. Listeneinträge enthalten Querlistungen; die Vergleichsschätzung hängt vom Modelldesign ab (9,6 % bis 14,9 %). Preprint ohne Peer-Review.
    Beobachtungszeitraum
    Januar bis August 2026 gegenüber Januar bis August 2025
    Quellenwert
    33,5 Prozent mehr Listeneinträge im Mathematik-Archiv
    Vergleichsbasis
    35.307 Einträge Januar bis August 2025
    Vergleich
    11,9 % über der synthetischen Vergleichsschätzung (42.113 Einträge)
    Unsicherheit
    Alternative Modelldesigns ergeben 9,6 % bis 14,9 %

  21. A21Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 27

    Geltungsbereich
    Auswertung von 12.577 ICLR- und 1.290 EMNLP-Erklärungen aus 19.525 bzw. 3.216 Artikeln sowie Online-Befragung von 109 Informatikern (zweckgerichtete und Schneeball-Stichprobe über Netzwerke und Mailinglisten); Preprint vom 24.8.2026, angenommen bei EMNLP 2026 (Findings).
    Grenzen
    Kleine, nicht repräsentative Befragung; nur zwei Informatik-Konferenzen; Extraktion der Erklärungen mit Sprachmodellen (geprüft, aber nicht fehlerfrei). Ältere Kontextquelle außerhalb des Berichtszeitraums.
    Beobachtungszeitraum
    EMNLP 2025 und ICLR 2026; Preprint vom 24.8.2026
    Quellenwert
    64 Prozent der ICLR-2026-Einreichungen mit KI-Erklärung
    Vergleichsbasis
    19.525 Einreichungen bei der ICLR 2026
    Vergleich
    40 % der angenommenen Artikel bei EMNLP 2025
    Unsicherheit
    Keine Unsicherheitsangabe; automatische Extraktion

  22. A22Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 22

    Geltungsbereich
    Befragung von 2.500 Prolific-Teilnehmern (USA, Großbritannien, Kanada) und Verknüpfung gespendeter ChatGPT-Verläufe von 408 wöchentlichen Nutzern mit Einreichungsdaten aus über 127.000 Studien, Dezember 2022 bis Februar 2026; Preprint vom 7.10.2026.
    Grenzen
    Direkt beobachtet wurde nur ChatGPT-Nutzung von Personen, die ihre Verläufe spendeten; andere Chatbots und Agenten bleiben unsichtbar, Selbstauswahl der Spender ist möglich. Eine Plattform; Preprint ohne Peer-Review.
    Beobachtungszeitraum
    Dezember 2022 bis Februar 2026
    Quellenwert
    1 Prozent der beobachteten Einreichungen mit KI-Unterstützung
    Vergleichsbasis
    712.930 Einreichungen von 408 wöchentlichen ChatGPT-Nutzern
    Vergleich
    68 % dieser Personen nutzten mindestens einmal KI für eine Studie
    Unsicherheit
    Keine Unsicherheitsangabe im Abstract

  23. A23Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 26

    Geltungsbereich
    Leitlinie und Whitepaper der Deutschen Forschungsgemeinschaft, angekündigt in der Information für die Wissenschaft Nr. 18 vom 12.3.2026; gilt für Gutachten in DFG-Verfahren über das elan-Portal.
    Grenzen
    Regelwerk, keine Messung der tatsächlichen KI-Nutzung durch Gutachter; Daten zur Umsetzung lagen bis Oktober nicht vor. Ältere Kontextquelle außerhalb des Berichtsmonats.
    Beobachtungszeitraum
    In Kraft seit 16.4.2026; Mitteilung vom 12.3.2026

  24. A24Zurück zu Kapitel 6.0

    Evidenztyp: beobachtet · Bestandsaufnahme · Quelle 28

    Geltungsbereich
    NSF-Förderdatensatz 2616251 „NAIRR-OC: Advancing AI Discovery and Innovation for the Nation“ (Office of Advanced Cyberinfrastructure), Laufzeit 1.10.2026 bis 30.9.2031; baut laut Datensatz auf dem NAIRR-Pilot auf und soll einen Betrieb im Produktionsmaßstab liefern.
    Grenzen
    Förderentscheidung, keine Aussage über tatsächlich bereitgestellte Rechenkapazität oder Nutzung. Ältere Kontextquelle außerhalb des Berichtszeitraums; europäische Oktober-Angaben (EuroHPC) lagen nur als Pressemitteilungen vor.
    Beobachtungszeitraum
    Vergabe 31.8.2026; Laufzeit 1.10.2026 bis 30.9.2031
    Quellenwert
    35 Mio. US-Dollar geschätztes Gesamtvolumen
    Vergleichsbasis
    Förderzeitraum bis 30.9.2031
    Vergleich
    7 Mio. US-Dollar für das Haushaltsjahr 2026 bewilligt
    Unsicherheit
    Keine Unsicherheitsangabe; Schätzwert der NSF

  25. A25Zurück zu Kapitel 6.0

    Evidenztyp: Szenario · Bestandsaufnahme · Quelle 25

    Geltungsbereich
    Bericht „Genesis Mission Frameworks for AI-Accelerated National Breakthroughs“ (DOE/SC-2031, September 2026) im Auftrag des Under Secretary for Science vom März 2026; ausgewertet wurden die Kapitel zu Rahmen, Fusion und Magneten, das Biologie-Kapitel nicht.
    Grenzen
    Zielwerte und Empfehlungen eines Beratungsgremiums, keine Förderentscheidung und keine Messung; Finanzierung nicht beziffert. Stellvertretender Vorsitz und redaktionelle Koordination bei Google DeepMind. Der Bericht nennt als Datum nur „September 2026“; das Datumsfeld folgt dem DOE-Nachweis bei OSTI (Monatsangabe, kein Tagesdatum).
    Beobachtungszeitraum
    Auftrag März 2026; Bericht September 2026; Zielhorizont fünf Jahre
    Quellenwert
    50 Faktor der Steigerung der Entdeckungseffizienz (Zielwert nach fünf Jahren, Magnete)
    Vergleichsbasis
    heutiger Stand der Magnetmaterialforschung (in der Quelle nicht beziffert)
    Vergleich
    zehnmal weniger Experimente und über 75 % Autonomie in Routinezyklen
    Unsicherheit
    Zielwert eines Beratungsgremiums, keine Schätzung mit Unsicherheit

Und in deinem Fall? Prüf ihn mit Quellen.

Analyse startenFür Organisationen
Alle Berichte