(Wien, 28-01-2026) Ein Forschungsteam der Medizinischen Universität Wien und des CeMM Forschungszentrums für Molekulare Medizin hat im Rahmen einer aktuell publizierten Studie untersucht, wie sogenannte AI-Agenten die Zukunft der biomedizinischen Forschung verändern könnten. Die Ergebnisse deuten auf enorme Beschleunigungspotenziale hin, die jedoch nur dann ausgeschöpft werden können, wenn sie mit Reformen in Austausch und Überprüfung wissenschaftlicher Erkenntnisse, mit Investitionen in gemeinsame Forschungsinfrastruktur und mit gezielter Unterstützung bei der Einführung neuer Werkzeuge einhergehen. Die Studie wurde in „Scientific Reports“ veröffentlicht.
AI-Systeme wie ChatGPT haben bemerkenswerte Fähigkeiten bei der Verarbeitung von Informationen, beim Schreiben und beim logischen Denken gezeigt. Darauf aufbauend werden derzeit neue Systeme, sogenannte AI-Agenten entwickelt, die Aufgaben autonom planen und ausführen, spezialisierte Tools verwenden und komplexe Probleme mit minimaler menschlicher Anleitung lösen können. In der biomedizinischen Forschung beginnen solche Agenten bereits, Prozesse wie die Analyse von Literatur, die Konzeption von Experimenten und die Interpretation von Daten zu automatisieren. Es ist jedoch bisher unklar, in welchem Ausmaß diese Tools die Forschung in Zukunft beschleunigen könnten und welche Hindernisse noch bestehen.
Effizienzsteigerung in vielen Forschungsbereichen möglich
Dieser Frage ging das Forschungsteam unter der Leitung von Matthias Samwald (Institut für Artificial Intelligence, MedUni Wien) nun nach. Auf der Grundlage einer Übersichtsstudie der aktuellen Literatur kommen die Studienautoren zu dem Schluss, dass die derzeitigen AI-Systeme in vielen Forschungsbereichen zu erheblichen Effizienzsteigerungen führen. Noch beeindruckender ist, dass jüngste Studien in optimierten Umgebungen Beschleunigungen um eine Größenordnung für bestimmte Aktivitäten gezeigt haben. Diese reichen von der automatisierten Datenanalyse und Wissenssynthese bis zur experimentellen Optimierung in Roboterlabors.
Die Studie stellt einen Rahmen für die zukünftige KI-gestützte Forschung vor und unterscheidet dabei zwischen „komprimierbarer“ und „nicht komprimierbarer“ Zeit. Komprimierbar sind Arbeitsschritte, die vor allem auf Informationsverarbeitung beruhen, etwa Literaturrecherche, Datenanalyse oder das Schreiben wissenschaftlicher Manuskripte. Nicht komprimierbar sind Zeiträume, die durch biologische oder physikalische Prozesse vorgegeben sind und sich auch mit fortschrittlicher Technologie nicht beliebig verkürzen lassen, wie beispielsweise Zellteilungsraten, Organismusentwicklung oder Krankheitsverläufe. Anhand eines Modells eines typischen mehrjährigen molekularbiologischen Projekts schätzen die Autoren, dass die sehr starke Beschleunigung aller komprimierbaren Aufgaben den Fortschritt um das Zehnfache beschleunigen könnte. Biologische Zeitkonstanten hätten jedoch letztendlich Vorrang.
Befragung von führenden Forschenden
Ergänzend zur Literaturanalyse führte das Team eine explorative Befragung von acht führenden biomedizinischen Forschenden durch, die hochkarätige Publikationen verfasst hatten. Die Expert:innen gaben eine durchschnittliche Projektdauer von rund sechs Jahren an. Während sie eine starke Beschleunigung bei strukturierten Aufgaben wie der Manuskriptvorbereitung und bei administrativen Prozessen für plausibel hielten, waren sie deutlich skeptischer gegenüber einer drastischen Beschleunigung bei der Hypothesenbildung und der experimentellen Arbeit. Aus allen Interviews ergab sich ein zentrales Thema: Die Fähigkeit der wissenschaftlichen Gemeinschaft, neue Werkzeuge zu übernehmen und in bestehende Abläufe zu integrieren, könnte selbst zu einem limitierenden Faktor werden. Dies deutet darauf hin, dass Investitionen in AI-Fähigkeiten allein nicht ausreichen werden und dass Schulungen, gemeinsame Infrastruktur und Änderungen in der Organisation und Bewertung von Forschung ebenso wichtig sein werden.
Die Autoren stellten außerdem fest, dass die AI-gesteuerte Beschleunigung der Forschung die bestehenden Ungleichheiten zwischen gut ausgestatteten und unterfinanzierten Einrichtungen verschärfen könnte. Der Zugang zu fortschrittlichen AI-Systemen und Automatisierungsinfrastrukturen wird zunehmend darüber entscheiden, welche Forschungsgruppen von diesen Fortschritten profitieren können. Gleichzeitig weisen die Autoren darauf hin, dass die Ausschöpfung des vollen Potenzials von AI-Agenten wahrscheinlich eine Überprüfung etablierter Praktiken erforderlich machen wird. So müssen beispielsweise traditionelle Veröffentlichungs- und Peer-Review-Prozesse, die den Zeitplan von Projekten um Monate oder sogar Jahre verlängern können, möglicherweise weiterentwickelt werden.
„AI-Agenten haben das echte Potenzial, die Art und Weise, wie Forschung betrieben wird, zu verändern. Die Realisierung der potenziellen Vorteile ist jedoch nicht nur eine technologische Herausforderung, sondern erfordert auch, dass wir unsere Zusammenarbeit, die Veröffentlichung und Begutachtung unserer Arbeiten sowie die Ausbildung der nächsten Generation von Forschenden überdenken. Die wissenschaftliche Praxis wird sich wahrscheinlich zusammen mit der Technologie weiterentwickeln müssen, um sowohl die Geschwindigkeit als auch die Genauigkeit der Forschung zu erhöhen“, resümiert Studienleiter Matthias Samwald.
Publikation: Scientific Reports
What are the limits to biomedical research acceleration through general-purpose AI?
Konstantin Hebenstreit, Constantin Convalexius, Stephan Reichl, Stefan Huber, Christoph Bock & Matthias Samwald.
https://www.nature.com/articles/s41598-025-32583-w