Wenn KI zur Zielgruppe wird: Das Ende des wissenschaftlichen Papiers als Menschendokument

Eine Provokation mit System: Wenn Maschinen die eigentliche Leserschaft werden

Im Mai 2025 veröffentlichten 37 Forscher von rund zwei Dutzend Spitzenuniversitäten und Technologieunternehmen ein Papier auf ArXiv mit einem programmatischen Titel: „The Last Human-Written Paper". Die Kernthese ist so einfach wie weitreichend: Das wissenschaftliche Paper in seiner heutigen Form – ein Textdokument, das vor 350 Jahren erfunden wurde – ist nicht für KI-Agenten geeignet. Und da KI-Agenten zunehmend die primären Konsumenten wissenschaftlicher Erkenntnisse werden, sollte das Format grundlegend neu gedacht werden.

Die Autoren schlagen dafür ein Konzept namens „Agent-Native Research Artifact" (ARA) vor. Der Begriff ist bewusst gewählt: Nicht ein für Menschen geschriebener Text, der anschließend maschinenlesbar gemacht wird – sondern ein Format, das von Anfang an für autonome KI-Agenten konzipiert ist. Menschen können daraus bei Bedarf klassische PDFs erzeugen, aber die primäre Zielgruppe ist die Maschine.

Die zwei Steuern des Wissensverlusts

Was klingt wie akademische Nabelschau, benennt zwei strukturelle Probleme, die weit über die Wissenschaft hinaus relevant sind – und die in der Unternehmenswelt täglich Millionen von Euro an verschwendetem Wissen kosten.

Die Forschenden bezeichnen das erste Problem als „Storytelling Tax": Wenn ein Forscher sein Projekt in einem Paper dokumentiert, gehen schätzungsweise 80 Prozent der tatsächlichen Arbeit verloren. Fehlgeschlagene Experimente, verworfene Parameterkonfigurationen, unerwartete Seiteneffekte – all das verschwindet im Laufe der narrativen Verdichtung. Was bleibt, ist eine saubere Erfolgsgeschichte, die eine Wiederholung des Experiments oft faktisch unmöglich macht.

Das zweite Problem nennen sie „Engineering Tax": Selbst das, was im Paper landet, ist eine verlustbehaftete Kompression der Realität. Implementierungsdetails fehlen, Formulierungen sind zu vage, entscheidende Codezeilen bleiben unerwähnt. Ein KI-Agent – oder auch ein menschlicher Kollege – kann das Ergebnis oft schlicht nicht reproduzieren.

„AI agents are becoming first-class participants in research workflows, not tools that assist humans but autonomous contributors that read, reproduce, and extend scientific work. That transition demands infrastructure built around agents from the start."

Diese Aussage stammt direkt aus dem Papier und markiert einen Paradigmenwechsel: KI ist nicht länger Werkzeug, sondern Akteur im Wissensprozess. Die Infrastruktur muss dieser Realität folgen.

Von der Wissenschaft in die Unternehmenspraxis: Die eigentliche Sprengkraft

Was zunächst wie ein akademisches Formatproblem wirkt, hat unmittelbare Implikationen für jede Organisation, die Wissen systematisch nutzen will. Dr. Maik Bunzel, Gründer und Geschäftsführer von mabucon.eu, bringt es auf den Punkt: In der Unternehmenswelt existiert dasselbe Problem in anderer Verkleidung. Prozesswissen liegt in Word-Dokumenten, E-Mail-Verläufen und in den Köpfen einzelner Mitarbeitender – nicht in Formaten, die ein KI-Agent eigenständig lesen, bewerten und operationalisieren kann. Die Frage, die das ARA-Papier für die Wissenschaft stellt, lautet für Unternehmen übersetzt: Ist Ihre Wissensdokumentation agent-ready?

Das ARA-Konzept sieht unter anderem einen sogenannten „Live Research Manager" vor – eine KI-Komponente, die den gesamten Forschungsprozess kontinuierlich beobachtet und automatisch dokumentiert, ohne dass der Mensch aktiv eingreifen muss. Aus diesem vollständigen Protokoll lässt sich dann bei Bedarf ein klassisches Paper erzeugen. Das Prinzip lässt sich direkt auf Unternehmensprozesse übertragen: Anstatt Projektdokumentation retrospektiv und unvollständig zu erstellen, wird Wissen in Echtzeit und strukturiert erfasst – als Grundlage für autonome KI-Agenten, die darauf aufbauen können.

Large Language Models an der Schwelle zum Expertenwissen

Leadautorin Jiachen Liu, die ihre Promotion in Informatik an der University of Michigan 2025 abschloss und anschließend das Agent Native Research Lab mitgründete, beschreibt die technologische Entwicklung mit bemerkenswerter Direktheit: Bereits 2026 sei Undergraduate-Wissen nahezu vollständig in großen Sprachmodellen kodiert. Der nächste Schritt – das vollständige Einschmelzen von PhD- und Professorenebene-Wissen – sei absehbar. Ab diesem Punkt, so ihre These, könne der Mensch dem Modell keine zusätzliche Wissensbasis mehr liefern. KI müsste sich dann selbst weiterentwickeln – und dafür brauche sie eine geeignete Infrastruktur.

Diese Prognose mag kühn klingen, doch die Richtung ist eindeutig: LLMs werden immer leistungsfähiger, und der entscheidende Engpass verlagert sich von der Modellintelligenz zur Qualität der verfügbaren Daten und Prozessstrukturen. Wer heute schlechte, inkonsistente oder fragmentierte Wissensdokumentation hat, wird morgen schlechte KI-Ergebnisse haben – unabhängig davon, wie gut das zugrundeliegende Modell ist.

Kritische Einordnung: Fortschritt oder Selbstoptimierung der KI-Bubble?

Das Papier ist nicht ohne Widerspruch geblieben – wobei die Autorin selbst einräumt, dass kritische Stimmen sich eher nicht direkt melden. Es gibt legitime Fragen: Wessen Interessen stehen im Mittelpunkt, wenn Forschungsinfrastruktur primär um KI-Agenten herum gebaut wird? Wissenschaft hat immer auch eine soziale, kommunikative Funktion gegenüber Menschen – nicht nur gegenüber Maschinen.

Zudem zeigen Studien, dass KI-unterstützte Forschung zwar individuelle Karrieren in bestimmten Feldern beschleunigen kann, aber möglicherweise die Diversität neuer Ideen und Forschungsthemen reduziert. Wenn KI-Agenten Literatur primär nach Reproduzierbarkeit und strukturierter Verwertbarkeit filtern, besteht das Risiko, dass unkonventionelle, schwer formalisierbare Ansätze systematisch untergewichtet werden.

Dennoch: Die Grunddiagnose – dass das 350 Jahre alte Format des wissenschaftlichen Papers für eine Welt mit autonomen KI-Agenten strukturell ungeeignet ist – ist schwer zu widerlegen. Die Frage ist nicht ob, sondern wie und mit welchen Leitplanken die Anpassung stattfindet.

Was Unternehmen jetzt konkret ableiten können

Für Organisationen, die KI-Agenten nicht nur als Assistenten, sondern als eigenständige Prozessausführer einsetzen wollen, ergeben sich aus dieser Debatte direkte Handlungsfelder:

• Wissensstruktur vor Modelleinsatz prüfen: Bevor ein KI-Agent in einen Workflow integriert wird, sollte die zugrundeliegende Wissensbasis auf Vollständigkeit, Konsistenz und Maschinenlesbarkeit geprüft werden.
• Prozessdokumentation als strategische Ressource begreifen: Interne Abläufe, Entscheidungslogiken und Ausnahmeregeln müssen so dokumentiert sein, dass ein Agent sie ohne menschliche Nachhilfe interpretieren kann.
• Kontinuierliche Dokumentation statt retrospektiver Berichte: Das Prinzip des „Live Research Manager" – automatische Echtzeit-Protokollierung – lässt sich auf Projektmanagement, Kundeninteraktionen und operative Prozesse übertragen.
• Format-Agilität einplanen: Systeme sollten so aufgebaut sein, dass Wissensinhalte in verschiedenen Formaten ausgegeben werden können – für Menschen als lesbarer Report, für Agenten als strukturiertes Datenprotokoll.

Dr. Maik Bunzel, Gründer und Geschäftsführer von mabucon.eu, beobachtet in der Praxis, dass viele Unternehmen bei der KI-Einführung den technologischen Layer priorisieren und den Infrastruktur-Layer vernachlässigen. Der Einsatz fortgeschrittener Agentensysteme setzt voraus, dass Wissen nicht nur vorhanden, sondern aktiv agent-ready ist – strukturiert, vollständig und für autonome Systeme interpretierbar.

Ausblick: Ein neues Paradigma für Wissensarbeit

Das ARA-Papier ist ein Frühindikator für eine breitere Verschiebung: Wissensarbeit wird zunehmend nicht mehr primär für menschliche Leser produziert, sondern für hybride Systeme aus Menschen und autonomen Agenten. Diese Verschiebung ist in der Wissenschaft besonders sichtbar, weil dort die Dokumentationspraktiken expliziter und formalisierter sind als in den meisten Unternehmen.

Für die Unternehmenswelt bedeutet das: Wer heute die Infrastruktur aufbaut, auf der KI-Agenten morgen operieren sollen, wird einen strukturellen Vorsprung haben. Nicht weil die Modelle besser werden – das tun sie ohnehin –, sondern weil die Qualität des zugänglichen Kontextwissens über die Qualität der Agentenentscheidungen entscheidet. Der Wettbewerb um KI-getriebene Effizienz ist letztlich ein Wettbewerb um die beste Wissensarchitektur.

Das wissenschaftliche Papier mag noch nicht ausgestorben sein. Aber die Frage, die 37 Forscher mit ihrem Artikel aufgeworfen haben, stellt sich für jede Organisation, die ernsthaft auf autonome KI-Systeme setzt: Für wen schreiben Sie eigentlich – und ist Ihr Wissen bereit für die Agenten, die damit arbeiten sollen?