KI in der Forschung: Praktische Anwendungstipps

Seit der bahnbrechenden Veröffentlichung von ChatGPT im Jahr 2022 ist Künstliche Intelligenz (kurz KI) nun vollends im (Arbeits-)Alltag von vielen angekommen. Auch in der Forschung hat sich KI vielerorts vom Untersuchungsobjekt zum Untersuchungsassistenten gewandelt (Chugunova et al., 2026). Verschiedenste KI-Modelle sind inzwischen beispielsweise in der Lage, Audiodateien nahezu perfekt zu transkribieren, blitzschnell Muster und Zusammenhänge aus Rohdaten zu erkennen oder Literatur innerhalb von Sekunden zu analysieren.

Während sich diese Technologie auch heute noch rasant weiterentwickelt, hinken Gesetzgebung und Institutionen häufig hinterher. Wenn gleich dieser Zustand den Einsatz von KI in der Forschung vor gewisse Herausforderungen und Unsicherheiten stellt, ist es trotz dessen längst keine Option mehr, aktuelle Entwicklungen zu ignorieren (Chugunova et al., 2026). Denn: KI schläft nicht. Und Forschung sollte es auch nicht.

Nicht zuletzt rufen daher diverse Fachjournals Forscher*innen vermehrt dazu auf, KI verantwortungsvoll in ihre Arbeit einzubinden (Andrews et al., 2026; Campbell, 2025; Purificato et al., 2025).

Doch was genau muss man tun, um „verantwortungsvoll“ zu forschen?

Wie viel KI-Anteil ist vertretbar?

Darauf gibt es keine genaue Antwort.

Moderne KI-Modelle machen es schon heute möglich eine gesamte Forschungsarbeit, ohne viel menschliches Zutun, zu erstellen und Forschung im Zuge dessen zu automatisieren (Lu et al., 2026). Vom Studiendesign über die Literaturanalyse bis hin zu generierten Forschungsdaten und -ergebnissen. Einige „Forscher*innen“ haben dies bereits ausgetestet, wie etwa Haider et al. (2024) zeigen. Auch wenn der Mangel menschlichen Mitwirkens bei näherer Betrachtung solcher Paper heutzutage schnell heraussticht, wird es mit immer besser werdenden KI-Technologien zukünftig immer schwieriger werden KI-Paper auch als solche zu erkennen.

Der Drang nach Wissen, der allen Menschen zu Grunde liegt, ist jedoch der Motor, der die Forschung vorantreibt. Er kann nicht einfach an Maschinen outgesourced werden, besonders auch aufgrund zahlreicher ethischer Bedenken, angefangen von Biases und Vorurteilen in den Modellen bis hin zu gezielter Manipulation durch erfundene Daten.
Trotzdem kann KI den Forschungsprozess unterstützen und effizienter machen – sofern dabei das Menschliche nicht verloren geht!

Wie viel KI dabei zum Einsatz kommen darf hängt nicht zuletzt davon ab, wo man seine Forschung veröffentlichen möchte. Viele Journals, Hochschulen und andere Institutionen haben inzwischen KI-Leitlinien entwickelt, welche zwingend beachtet werden müssen, wenn man dort einreicht.

Die Nutzung von KI in der Forschung ist somit kein „All or Nothing“-Extrem, sondern vielmehr eine Gradwanderung zwischen Forschungsethik und Effizienz.

KI-gestütztes Arbeiten

Gängige LLMs können einem sehr schnell eine erste, spannend-klingende Forschungsrichtung samt passend-erscheinender Literatur empfehlen. Es ist oft verlockend, KI-Output einfach so hinzunehmen, ohne selber zu reflektieren oder zu recherchieren. KI sollte jedoch als Kompass und nicht als feste Route angesehen werden. Welcher Weg am Ende wirklich eingeschlagen wird, muss stets eine menschliche Entscheidung bleiben.

(Anmerkung: LLM steht für Large Language Model. Das sind sehr große generative KI-Modelle, die beispielsweise in der Lage sind, menschliche Texte authentisch zu verarbeiten und wiederzugeben, sowie multimodale Outputs (z.B. Bilder, Videos, …) zu erstellen. Bekannte Beispiele für LLMs sind ChatGPT oder Claude.)

Auch für die Erstellung eines groben Untersuchungsdesigns, Übersetzungstätigkeiten, anfängliche Überblicke über gesammelte Daten oder für erste Visualisierungen kann KI gut herangezogen werden. Aber auch hier gilt: Der Output ist lediglich eine Empfehlung, die es eigenständig zu raffinieren gilt.

Um die Qualität solcher KI-gestützten Forschung zu garantieren und die Gütekriterien in der Forschung aufrecht zu erhalten, gilt es gewisse Aspekte zu beachten. Einerseits ist KI eine Black Box deren Output schwer bis gar nicht logisch herleitbar ist. Andererseits arbeitet sie rein mit komplexen mathematischen Wahrscheinlichkeiten anstatt mit menschlicher Logik. Daher kann es teilweise zu fehlerbehafteten oder halluzinierten Ergebnissen kommen (Purificato et al., 2025). Entsprechend sollten KI-Ausgaben stets einer kritischen (menschlichen) Bewertung unterzogen und Fakten hinterfragt werden (Campbell, 2025; van Berlo et al., 2024). Des Weiteren kann es hilfreich sein den verwendeten KI-Prompt iterativ anzupassen, wenn das Ergebnis unzureichend ist. Auch verschiedene KI-Modelle können in diesem Fall herangezogen und die Outputs miteinander verglichen werden.

Tipps für einen verantwortungsvollen Einsatz

Erste Überblicke und Forschungslücken mit KI erarbeiten
KI liefert schnell einen ersten Themenüberblick. Wichtig ist dennoch, dass man auch abseits des KI-Outputs recherchiert. Man muss selber zu einem*einer Experten*Expertin im eigenen Forschungsfeld werden, um kritisch mit dem KI-Output umgehen zu können. Allgemein sollte das eigene Denken niemals an diese Technologien ausgelagert werden!

Literaturempfehlungen von LLMs oder dafür ausgerichteten KI-Applikationen wie Consensus oder ResearchRabbit erhalten
Hier gilt jedoch, dass KI nur Empfehlungen abgibt. Diese zu lesen und kognitiv zu verarbeiten bleibt weiterhin ganz klar eine menschliche Aufgabe. Das ist von besonders hoher Bedeutung, da KI durchaus Quellen erfindet oder ihren Inhalt falsch wiedergeben kann.

Bibliotheks-Funktion nutzen
Viele KI-Systeme ermöglichen es Texte wie z.B. PDFs hochzuladen, was zu einem „Fine-tuning“ des Modells führt. Das heißt, die KI kann sich dadurch besser und einfacher auf das spezifische Themenfeld beziehen und die Chance für Halluzinationen sinkt. Wichtig ist dabei jedoch, keine Texte hochzuladen, die urheberrechtlich geschützt sind! Denn bei wissenschaftlichen Schriften gelten häufig Urheberrechts- und Lizenzbedingungen, die zwingend beachtet werden müssen. Bezieht man Quellen über eine Hochschullizenz gelten zusätzlich die Vorgaben der jeweiligen Hochschulbibliothek, sofern vorhanden.

Lösungswege brainstormen
Wenn man bei der Datenauswertung einmal nicht weiter weiß, kann es nützlich sein, KI zu Rat zu ziehen. Jedoch darf auch hier nicht auf den Datenschutz vergessen werden. Sensible Inhalte oder vertrauliche Unternehmensdaten sollten daher auf keinen Fall in KI-Modelle hochgeladen werden!

Lesefluss mit KI verbessern
KI kann helfen, Sätze schöner klingen zu lassen oder Absätze zu kürzen. Aber: KI sollte niemals ganze Texte selber schreiben, sondern nur bestehende, von Menschen geschriebene Passagen anpassen.

KI als Kritiker nicht als Ko-Autor einsetzen
Es kann hilfreich sein, Geschriebenes von KI kritisch überprüfen zu lassen, um so mögliche Logikbrüche zu identifizieren. Hier ist es besonders empfehlenswert im Prompt zu spezifizieren, welche Rolle die KI konkret einnehmen soll. Beispielsweise kann KI als Gutachter*in oder als Redakteur*in auftreten, wenn man das explizit angibt.

Schreiben und Denken nicht auslagern
Auch wenn es verlockend wirkt, man sollte sich keine Texte rein von KI erstellen lassen. Denn: Nur weil etwas „gut“ klingt, heißt das noch lange nicht, dass diese Information auch wirklich stimmt! Früher oder später werden diese Fehler jemanden ins Auge stechen, etwa Betreuer*innen oder Reviewer*innen. In solchen Fällen haftet man selber für falschen Aussagen, auch wenn sie letztlich einer KI entstammen.

KI-Nutzung offen deklarieren
Sollte KI im Forschungsprozess verwendet worden sein, gilt es dies auch offen und transparent darzulegen, um wissenschaftliche Gütekriterien aufrecht zu erhalten.

KI in der Forschung ist gekommen um zu bleiben, ob man will oder nicht. Sie ist ein nützliches Hilfsmittel, das die eigene Arbeit vielseitig optimieren kann. Wichtig ist jedoch, dass der menschliche Kern der Forschung niemals verloren geht!

Literatur

Andrews, D. S., Fainshmidt, S., & Gaur, A. (2026). Progress or perish: International business and the adoption of artificial intelligence. Journal of World Business, 61(1), 101689. https://doi.org/10.1016/j.jwb.2025.101689

Campbell, C. (2025). A Call to Embrace GenAI in Academic Research. Journal of Advertising Research, 65(3), 297–300. https://doi.org/https://doi.org/10.1080/00218499.2025.2548186

Chugunova, M., Harhoff, D., Hölzle, K., Kaschub, V., Malagimani, S., Morgalla, U., & Rose, R. (2026). Who uses AI in research, and for what? Large-scale survey evidence from Germany. Research Policy, 55(2), 105381. https://doi.org/10.1016/j.respol.2025.105381

Haider, J., Söderström, K. R., Ekström, B., & Rödl, M. (2024). GPT-fabricated scientific papers on Google Scholar: Key features, spread, and implications for preempting evidence manipulation. Harvard Kennedy School Misinformation Review. https://doi.org/10.37016/mr-2020-156

Lu, C., Lu, C., Lange, R. T., Yamada, Y., Hu, S., Foerster, J., Ha, D., & Clune, J. (2026). Towards end-to-end automation of AI research. Nature, 651(8107), 914–919. https://doi.org/10.1038/s41586-026-10265-5

Purificato, E., Bili, D., Jungnickel, R., Ruiz, S. V., Fabiani, J., Abendroth, D. K., Fernandez, L. D., & Gomez, E. (2025). The Role of Artificial Intelligence in Scientific Research. JRC Publications Repository. https://doi.org/10.2760/7217497 van Berlo, Z. M. C., Campbell, C., & Voorveld, H. A. M. (2024). The MADE Framework: Best Practices for Creating Effective Experimental Stimuli Using Generative AI. Journal of Advertising, 53(5), 732–753. https://doi.org/10.1080/00913367.2024.2397777