Band 77, Heft 2-3

Zusammenfassung Generative KI hat seit 2023 die Arbeitswelt durch die breite Verfügbarkeit von Anwendungen nachhaltig verändert. So gibt es auch für die Recherche und im spezifischen Bereich Competitive Intelligence (CI) und Markt- und Wettbewerbsanalyse neue KI-Tools, die neue und effizientere Möglichkeiten der Datenanalyse und Marktbeobachtung eröffnen, die jedoch weiterhin menschliche Qualitätskontrolle erfordern, weil Fehlinformationen und fehlendes Kontextverständnis eine Herausforderung bleiben. Eine erfolgreiche Nutzung von KI in der CI-Recherche setzt daher präzise Fragestellungen, den Vergleich verschiedener Tools sowie Kompetenzwissen einschließlich Datenkompetenz voraus. Insgesamt verändern KI-Tools die Recherche grundlegend, erfordern jedoch neue Qualifikationen und eine ausgewogene Kombination von Technologie- und Quellenwissen, um verlässliche und hochwertige Informationen für strategische Geschäftsentscheidungen zu gewährleisten.

Zusammenfassung Retrieval-Augmented Generation (RAG) gilt derzeit als pragmatischer Ansatz, um große Sprachmodelle mit verlässlichen Informationen zu verbinden. In der Praxis zeigt sich jedoch, dass RAG die bekannten Probleme generativer KI nicht automatisch löst, sondern häufig verschiebt: Statt frei zu halluzinieren, entstehen Fehler nun durch unvollständiges Retrieval, ungeeignete Chunking-Strategien und fehlende Kontextkohärenz. Die Ursache liegt weniger im Modell als in der Struktur der zugrunde liegenden Dokumente und der Art, wie Informationen aufbereitet werden. Der Autor argumentiert, dass die klassische Informationswissenschaft der entscheidende, bisher weitgehend übersehene Erfolgsfaktor für RAG-Systeme ist. Kompetenzen wie Dokumentanalyse, Relevanzbewertung, Kontextmodellierung und Quellenkritik bestimmen maßgeblich, ob ein System belastbare Antworten liefert oder bloß plausible Formulierungen erzeugt. Auf dieser Grundlage wird ein strukturorientiertes RAG-Modell vorgestellt, das Kapitel- und Abschnittsretrieval, dokumentlogisches Chunking, mehrstufiges Reranking und evidenznahe Antwortformate kombiniert. Die Analyse zeigt: Verlässliche RAG-Systeme entstehen nicht durch größere Modelle, sondern durch die Verbindung semantischer Technologie mit informationswissenschaftlicher Praxis.

Zusammenfassung Im August 2026 wird die Kennzeichnungspflicht der EU KI-Verordnung in Kraft treten: Ab dann müssen KI-generierte Inhalte eindeutig und maschinenlesbar gekennzeichnet sein. Die genauen Anforderungen der Kennzeichnungspflicht werden bis Juni 2026 von einer Arbeitsgruppe der Europäischen Kommission erarbeitet. Dieser Beitrag fasst die rechtlichen Anforderungen und regulatorischen Entwicklungen zusammen und analysiert verschiedene technische Ansätze zur Umsetzung der Kennzeichnungspflicht.

Zusammenfassung Die exponentielle Zunahme wissenschaftlicher Publikationen stellt Forschende zunehmend vor die Herausforderung, relevante Erkenntnisse aus einer ständig wachsenden Informationsflut zu extrahieren. Traditionelle Methoden der Literaturauswertung stoßen dabei an ihre Grenzen – sie sind zeitaufwendig, subjektiv und häufig schwer reproduzierbar. Mit Research Guru AI steht eine innovative, KI-gestützte Plattform zur Verfügung, die diesen Prozess grundlegend verändert. Durch den Einsatz moderner Natural-Language-Processing-Algorithmen (NLP) analysiert, vergleicht und bewertet das System wissenschaftliche Arbeiten automatisiert. Der Beitrag stellt die Funktionsweise, den methodischen Aufbau sowie die domänenübergreifenden Anwendungsmöglichkeiten von Research Guru AI vor. Darüber hinaus werden organisatorische und technologische Implementierungsstrategien diskutiert, die eine erfolgreiche Integration in Forschungseinrichtungen und Hochschulen ermöglichen. Ziel ist es, zu zeigen, wie KI-basierte Systeme wie Research Guru AI die Qualität, Effizienz und Transparenz wissenschaftlicher Arbeit nachhaltig verbessern und einen neuen Standard für evidenzbasierte Forschung etablieren.

Academic teaching is an essential part of science. Nevertheless, teaching achievements are not recognized and rewarded to the same extent in academic evaluations as other achievements, in particular research activities. Against the backdrop of the Responsible Research Assessment (RRA) movement, the OER Statistics Framework was developed to make teaching performance visible in scientific evaluations by treating OER as a scientometric measurement object. OER-based assessments are carried out at the individual level in the case of scientists and at the institutional level for larger units like research groups, institutes or universities. The assessments comprise classical productivity, cooperation, resonance, openness, and altmetric indicators, as well as innovative indicators representing knowledge transfer between teaching and research (transfer indicators). At the institutional level, newly introduced support indicators are used to record performance in terms of an OER-promoting ecosystem.

This article is based on a keynote speech given at the OASPA conference in Leuven on 22 September 2025 critically analyzing the power relations surrounding open knowledge. The central thesis is that what matters is not who owns knowledge, but who can use, produce and evaluate it – depending on social, cultural and financial capital. Without these resources, open knowledge remains available but not equally usable. The core problems lie in knowledge production and evaluation: peer review processes, database indexing and ranking systems determine the visibility and recognition of knowledge. However, the effectiveness of these procedures is the subject of intense debate, as is the inadequate implementation of standards, the indexing of dubious journals and systematic distortions in favor of the Global North, renowned institutions and established publishers. It is therefore less a question of ownership and more a question of power: who can produce knowledge, and who decides on its credibility and dissemination? Political developments are manifesting themselves in cuts to open access budgets, restrictions on access to research data and even the suppression of undesirable knowledge production. In response, ‘dark archives’ (e. g., for arXiv at the TIB; Tobschall et al. 2025) or data backups (e. g., of PubMed by ZB MED) are being created to preserve scientific autonomy. AI also jeopardises open access principles by failing to cite sources when processing open content, which undermines copyright laws. One possible, albeit unrealistic, solution would be for publishers to voluntarily commit to only granting access to AI systems that cite sources correctly. Technical access restrictions for AI would run counter to the very idea of open knowledge. This reveals a fundamental dilemma between regulation and openness. Community-supported frameworks are proposed as a solution, such as a ‘Trusted Open Knowledge’ label that guarantees source references, establishes transparent evaluation and addresses structural inequalities. The central question remains: Who does science serve, and who determines what counts as knowledge?