Kurzfassung und Schlussfolgerungen

Die Digitalisierung von Arbeitswelten erreicht alle Bereiche offentlich oder privat finanzierter Forschung und Entwicklung. Insbesondere lassen neuartige Entwicklungen der kunstlichen Intelligenz grose Veranderungen im Alltag grundlagen- und anwendungsorientierter Forschung erwarten. Dennoch ist wissenschaftliche Forschung auch im Zeitalter von KI, Machine Learning und Big Data weiterhin auf den Menschen als Wissenschaftler/Wissenschaftlerin und Forscher/Forscherin angewiesen. Der Mensch bleibt daher als handelnder Akteur im Zentrum von Wissenschaft und Forschung. Ein etwaiger Ersatz des Menschen durch „starke KI“ ist dagegen nicht zu erwarten, da diese auf absehbare Zeit nicht erreichbar erscheint. KI-Systeme konnen daher zunachst eher als hilfreiche Werkzeuge in der Forschungspraxis verstanden werden: Auf den ersten Blick scheinen sie sich an technische Inventionen der Vergangenheit anzuschliesen, wie die des Mikroskops oder des Fernrohrs, welche die wissenschaftliche Forschung und Erkenntnis bereits fundamental verandert haben. Ahnliches konnte auch fur KI-getriebene Forschung erwartet werden. Allerdings fuhrt die Selbstorganisationsfahigkeit von KI-Systemen im Modus des maschinellen Lernens (ML) zu einer Intransparenz von Forschungsprozessen, die eine Kontrolle, Validierung und Anerkennung abgeleiteter Aussagen, Modelle und Theorien erschweren oder gar unmoglich machen. Insofern kann der Wandel in der KI-getriebenen Forschung in diesem Modus sogar als disruptiv betrachtet werden. Ein allzu einfaches Werkzeug- und Instrumentenverstandnis von KI fuhrt hier also in die Irre; vielmehr sind ML-basierte KI-Systeme aufgrund ihrer verborgenen Dynamik und ihrer geringen Kontrollierbarkeit gewissermasen als Instrumente zweiter Ordnung zu werten.