KI-Tools für die wissenschaftliche Literaturrecherche: Potenziale, Problematiken, Didaktik und Zukunftsperspektiven

1 Warum ChatGPT und Co. (noch?) nicht für die Literaturrecherche geeignet sind

Seit der Veröffentlichung von ChatGPT im November 2022 ist (generative) KI in aller Munde.^[2] Die Fähigkeiten von KI-Chatbots wie ChatGPT (OpenAI), Copilot (Microsoft), Gemini (Google), Claude (Anthropic) oder Le Chat (Mistral) – um nur einige zu nennen – reichen vom Schreiben und Debugging von Code^[3] bis zur Content Moderation^[4], von der Zusammenfassung von Besprechungen^[5] bis zur Auswertung komplexer Diagramme.^[6] Für die wissenschaftliche Literaturrecherche sind KI-Chatbots bisher allerdings noch ungeeignet. Dies hat im Wesentlichen zwei Gründe: (1) die Funktionsweise von Large Language Models, die oft zu halluzinierten Ergebnissen führt und (2) – sofern der Chatbot zusätzlich live auf das Web zugreift – die unzureichende Anbindung an wissenschaftliche Datenbanken sowie das Problem, tatsächlich relevante wissenschaftliche Publikationen zu identifizieren. Beide Gründe werden im Folgenden näher erläutert:

1. KI-Chatbots basieren auf (Large) Language Models – „systems which are trained on string prediction tasks: that is, predicting the likelihood of a token (character, word or string) given either its preceding context or […] its surrounding context.“^[7] Durch ihre enormen Trainingsdaten sind sie in der Lage, kontextbasiert vorherzusagen, welche Zeichen- bzw. Wortabfolgen am wahrscheinlichsten in einem Text auftauchen.^[8] Im Kontext von „Der Himmel war“ würde z. B. mit großer Wahrscheinlichkeit „blau“ oder „bewölkt“ vorhergesagt, aber nicht „klebrig“ oder „angeklagt“. Für die Literaturrecherche bedeutet das: KI-Chatbots (ohne Live-Zugriff auf eine externe Datenbasis) finden keine bibliografischen Angaben in Katalogen und Datenbanken, sondern sie generieren Angaben, die den (im Training erlernten) formalen Merkmalen von Literaturverweisen entsprechen und die inhaltlich zum im Prompt eingegebenen Thema passen. Dies resultiert oft in einem Mix aus Fakt und Fiktion bzw. Halluzination.^[9] Stichprobenartige Tests von KI-Chatbots für die Literaturrecherche förderten u. a. die folgenden Probleme zutage:

• Sie listen nicht-existente Publikationen auf und schreiben diese tatsächlich existierenden Personen, Zeitschriften oder Verlagen zu.^[10]

• Den nicht-existenten Publikationen werden durch den Chatbot auch Identifier (z. B. DOI, PubMedID, persistenter JSTOR-Link) zugeordnet, die aber entweder auf eine völlig andere Publikation oder auf eine 404-Seite verweisen.^[11]

• Sie geben inkorrekte bibliografische Daten für tatsächlich existierende Publikationen an (z. B. falsches Jahr, falsche ISBN, Kapitel in Sammelband wird als Zeitschriftenartikel deklariert).^[12]

Dieser Mix aus Fakt und Fiktion rührt üblicherweise daher, dass die bibliografischen Angaben zu den existierenden Publikationen sowie die Namen der angeblich an den erfundenen Publikationen beteiligten Personen und Zeitschriften Teil des Trainingskorpus waren und deshalb – mal mehr, mal weniger fehlerfrei – vom Chatbot wiedergegeben werden können.^[13] Besonders irreführend ist, dass gerade die erfundenen Literaturangaben perfekt auf das gesuchte Thema zugeschnitten sind und in Kombination mit existierenden Personen und Zeitschriftentiteln täuschend echt erscheinen:

ChatGPT made very appealing suggestions. It blended authors with a good research track to an interesting title in addition to a relevant journal like if the chatbot wanted to put the best of everything in a single reference. Some titles seemed to be the perfect article for our question.^[14]

2. Mittlerweile haben viele KI-Chatbots Live-Zugriff auf das Web.^[15] Ihr Output basiert folglich nicht mehr nur auf Trainingsdaten, sondern auch auf aktuellen, frei im Internet verfügbaren Informationen.^[16] Bei einer stichprobenartigen Literaturrecherche in ChatGPT (Plus-Version; Modell: 4o; November 2024) mit aktivierter Live-Suchfunktion ergab sich für uns folgendes Bild: Von 20 angezeigten Treffern waren 12 relevant und wurden korrekt angegeben; sechs weitere waren wenig relevant, wurden von ChatGPT aber fälschlicherweise so zusammengefasst, als wären sie thematisch einschlägig; ein relevanter Titel wurde mit fehlerhaften bibliografischen Angaben geliefert und einer war halluziniert. Interessanterweise wurden bei dieser Suche hauptsächlich eigenständige Werke, d. h. Monografien und Sammelbände, gefunden. Bei den speziell für die Literaturrecherche konzipierten KI-Tools, die unten vorgestellt werden, ist das Gegenteil der Fall: Mit ihnen sind (momentan) überwiegend Zeitschriftenartikel auffindbar. Die Links, die ChatGPT angab, führten üblicherweise direkt auf Verlagswebseiten, JSTOR, Researchgate o. ä., hatten also einen klaren Wissenschaftsbezug.

Durch den Live-Zugriff auf das Internet hat sich die Qualität der von ChatGPT ausgegebenen Literaturlisten folglich um einiges verbessert. Einen Mehrwert gegenüber „traditionellen“ Katalogen, Datenbanken oder auch z. B. Google Scholar gibt es allerdings noch nicht – ganz im Gegenteil. Die Gefahr inkorrekter oder gar halluzinierter Angaben besteht weiterhin – ebenso wie die Tatsache, dass der Chatbot irrelevante Titel findet und in seiner Zusammenfassung fälschlicherweise als thematisch relevant darstellt. Üblicherweise werden vom Tool auch nur sehr wenige Titel (ca. 20) genannt und keine umfangreiche Literaturliste ausgegeben. An einen schnellen und umfassenden Überblick über die relevante Forschungsliteratur oder gar eine Zeitersparnis gegenüber der Suche mit traditionellen Tools ist momentan noch nicht zu denken.

Es ist absehbar, dass sich die großen KI-Chatbots im Bereich der Literaturrecherche immer weiter verbessern werden – z. B. durch engere Kooperationen zwischen KI-Anbietern und Verlagen oder indem man künftig ggf. mit dem Chatbot auch auf eigene lizensierte Datenbanken wie z. B. das Web of Science zugreifen kann (s. Abschnitt 4).^[17] Bis es so weit ist, bleibt allen, die KI für die Literaturrecherche nutzen möchten, aber nichts übrig, als spezialisierte Tools zu verwenden. Zwanzig dieser KI-Recherchetools werden im Laufe des Artikels vorgestellt – mit Informationen zu ihren Besonderheiten sowie tabellarischen Übersichten zu (1) den Datenbanken, die ihnen zugrunde liegen, (2) ihren Kostenmodellen und (3) ihrem Umgang mit Datenschutz. Anschließend werden didaktische Herausforderungen bei Schulungen zur Literaturrecherche mit KI diskutiert. Am Ende folgt ein Ausblick darauf, welche Entwicklungen im Bereich der Literaturrecherche mit KI möglich sind und vor welche Herausforderungen diese Bibliotheken stellen könnten. Im Anhang findet sich zudem eine thematisch gegliederte Linksammlung.

2 KI-Recherchetools: Ein Überblick

3 Didaktische Überlegungen

Dass Bibliotheken Schulungen zur Literaturrecherche mit KI anbieten sollten, steht außer Frage. Tun wir es nicht, weichen unsere Zielgruppen auf andere Angebote wie YouTube-Kanäle^[50] aus und nehmen uns nicht mehr als Spezialisten für aktuelle Entwicklungen in der Forschungswelt war. Oder sie verlassen sich auf gut meinende aber schlecht informierte Kommilitonen („Also ich suche Literatur jetzt nur noch mit ChatGPT – ist viel einfacher als mit Google Scholar.“ – so kürzlich ein Tipp im Tübinger Jodel-Kanal).^[51] Andere werden vielleicht versuchen, sich selbst einen Weg durch den auch für uns kaum durchdringbaren Dschungel an KI-Recherchetools zu bahnen – um dann ggf. eines zu wählen, das für ihren Fachbereich ungeeignet oder das datenschutzrechtlich bedenklich ist. Schulungen, Beratungen und Informationsseiten zu KI-Recherchetools sind für Bibliotheken eine Chance, sich bei verschiedenen Gruppen als topaktuellen und fachkundigen Ansprechpartner zu präsentieren: bei Studierenden, die erfahrungsgemäß wenig motiviert sind, fakultative Rechercheschulungen zu besuchen, aber durch den Aufhänger „KI“ zu unseren Angeboten gelockt und dabei ggf. auch für mögliche eigene Defizite im Hinblick auf „traditionelle“ Recherchefähigkeiten sensibilisiert werden können; bei Personen aus Forschung und Lehre, die sich in den „traditionellen“ fachspezifischen Recherchetools oft besser auskennen als wir, aber keine Zeit haben, sich zu KI-Tools auf dem Laufenden zu halten und Angst haben, wichtige Entwicklungen zu verpassen. Und auch bei Entscheidungsträgern in Hochschulleitungen und Fakultäten, die über die Funktionen dieser Tools informiert sein müssen, um fundierte Entscheidungen über deren Einsatz in Prüfungen oder über mögliche Campus-Lizenzen treffen zu können. Aber was sollten IK-Angebote zur Literaturrecherche mit KI leisten? Und welche Herausforderungen gibt es dabei?^[52]

Bei den Inhalten der Schulungen besteht zunächst die Gefahr der Überfrachtung. Detaillierte Erklärungen zur Funktionsweise von LLMs? Informationen zu KI-Schreibtools? Prompting-Tipps?^[53] Es lohnt sich, diese Themen in weitere Schulungen (und ggf. an Personal mit spezialisierter Expertise) auszulagern. Das eigentliche Thema ist umfangreich genug. Eine weitere Herausforderung sind heterogene Zielgruppen – sowohl im Hinblick auf deren Vorwissen zu KI im Allgemeinen und zur KI-Recherche im Besonderen als auch auf deren unterschiedlichen Fachkulturen und deren Erfahrungsstand bei der Literaturrecherche. Wie oben beschrieben, liefern KI-Recherchetools halbwegs gute Ergebnisse für die Lebens- und Naturwissenschaften – Angehörige anderer Fächer werden von den Resultaten oft eher enttäuscht sein. Auch müssen wir mit Fragen rechnen wie „Ich habe gehört, dass Fachdatenbank X jetzt auch KI-Features hat – können Sie dazu etwas sagen?“, die wir ohne einen spezialisierten fachlichen Hintergrund nicht beantworten können. In unseren Schulungen hat es sich bewährt, (1) bei „offenen“ (d. h. nicht fachspezifischen) Angeboten am Anfang auf die fachbezogenen Qualitätsunterschiede der KI-Rechercheergebnisse hinzuweisen und die Gründe dafür kurz zu erläutern und (2) in Kooperation mit Fachreferaten eigens zugeschnittene Schulungen für verschiedene Fachbereiche zu geben – wir liefern die KI-Expertise, unsere Kollegen die Fachexpertise. Es ist auch empfehlenswert, die eigene Rolle klarzumachen (wir sind hier, weil wir Recherche-Experten sind – nicht, weil wir Fach- oder IT-Experten sind) und mit eigenen Wissenslücken oder noch nicht geklärten Punkten offen umzugehen – besonders bei IT-Fragen sowie Datenschutz, Urheberrecht oder Prüfungsordnungen. Aus anderen Häusern haben wir von positiven Erfahrungen mit offenen Beratungsangeboten gehört – ein weiterer Weg, um den Bedürfnissen unterschiedlicher Zielgruppen gerecht zu werden.

Bei den Informationen zu den Tools gehen wir in unseren Schulungen^[54] in mehreren Schritten vor:

1. Knappe Erklärung, warum sich Chatbots wie ChatGPT noch nicht für die Literaturrecherche eignen, und wie sich die spezialisierten KI-Recherchetools von ihnen unterscheiden.

2. Knappe Erklärung, wofür diese spezialisierten Tools KI nutzen.

3. Hinweis auf die unterschiedlich guten Ergebnisse für unterschiedliche Fachgebiete, Sprachen und Publikationsarten sowie knappe Erklärung, wie diese zustande kommen.

4. Detaillierte Informationen und Live-Demo zu vier Tools: Einem Finder- und einem Connector-Tool, die viele KI-Funktionen bieten (s. o.), aber im Hinblick auf Datenschutz eher bedenklich und auch teilweise kostenpflichtig sind, sowie zu einem Finder- und einem Connector-Tool, deren Funktionen noch etwas eingeschränkt sind, aber die datenschutzrechtlich unbedenklich und völlig kostenlos sind sowie keine Anmeldung erfordern.^[55] (Die Tools, die wir vorstellen, sind Consensus, Research Rabbit, ORKGAsk und Local Citation Network).

5. Nur auf den Folien und nicht Teil des Vortrags: Vorstellung von 16 weiteren Recherchetools mit Steckbrief (Beschreibung, Datenbank, geeignet für, Einschränkungen, Filter, Kosten, andere Merkmale, Kommentare).

6. Tabellarische Vergleiche der insgesamt 20 Tools hinsichtlich Datenbanken, Kosten und Datenschutz wie in den Abschnitten 2.1.2 und 2.2.2 oben.

7. Eine Praxisphase von ca. 20 Minuten, während der die Teilnehmer eines der vier im Detail vorgestellten Tools mit einer eigenen Fragestellung testen und in einem geteilten Cloud-Dokument notieren, (1) wie sie die Qualität und Relevanz der Rechercheergebnisse beurteilen, (2) ob sie dieses Tool künftig für ihre Forschung nutzen würden und (3) ob sie Fragen oder Anmerkungen zum Tool haben. Die Rückmeldungen und Fragen werden im Anschluss mit der Gruppe diskutiert.

8. Eine Checkliste mit Kriterien für die Auswahl eines geeigneten Tools.^[56]

9. Einige Warnungen (s. u.).

Bei unseren früheren Schulungen (bis Ende 2024) hatten wir alle 20 Tools mit Steckbrief im Vortrag vorgestellt und auf eine Phase des praktischen Ausprobierens durch die Teilnehmer verzichtet, weil die Anmeldezahlen (und damit der erwartete Betreuungsaufwand bei der Praxisphase) jeweils sehr hoch waren (150+) und sich zu diesem Zeitpunkt aus der Zielgruppe „Master oder höher“ rekrutierten, wonach wir Rechercheerfahrung sowie Erfahrung im kritischen Umgang mit Quellen voraussetzen konnten. Nach Austausch mit anderen Bibliotheken entschieden wir aber, die Steckbriefe zu überspringen und eine längere Praxisphase zu integrieren. Die Erfahrung aus mittlerweile acht Schulungen mit teilweise sehr heterogenen Gruppen (vom ersten Semester bis Promotion), bei denen die Praxisphase integriert war, zeigt, dass das die richtige Entscheidung war: Der Betreuungsaufwand hält sich in Grenzen (technische Probleme kamen nur sehr vereinzelt vor und waren immer Anschlusspunkt für inhaltliche Erklärungen wie „Bei diesem Seed-Paper wird Ihnen im Tool nichts angezeigt, weil der DOI vermutlich in keiner der Datenbanken, auf die das Tool zugreift, hinterlegt ist“). Die Teilnahme war rege und die Rückmeldungen im Cloud-Dokument zeigten, dass die Teilnehmer sehr reflektiert und kritisch mit den Tools umgingen. Für uns haben diese Rückmeldungen auch den Vorteil, dass wir überprüfen können, ob unsere Einschätzungen zu den fach-, publikationstyp- und sprachabhängigen Qualitätsunterschieden der Tools mit den Erfahrungen der Teilnehmer übereinstimmen, oder ob wir unsere Informationen dazu anpassen müssen. Bisher deckten sich ihre Bewertungen immer mit unseren. Eine Möglichkeit, die Praxisphase noch auszuweiten (für die uns in unseren Schulungen aber leider die Zeit fehlt), wäre, die Teilnehmer vor dem Test eines der KI-Tools das gleiche Thema auch in einem „traditionellen“ Tool (OPAC, Fachdatenbank, Google Scholar) suchen zu lassen und später die Ergebnisse hinsichtlich Relevanz, Anzahl, angezeigten Publikationstypen und -sprachen etc. mit denen des KI-Tools zu vergleichen.^[57]

Es gibt einige problematische Aspekte bei den Tools, die in Schulungen angesprochen werden sollten:

1. Der oftmals mangelnde Datenschutz (hier weisen wir auch auf datensparende Tools als Alternativen hin).

2. Der hohe Energieverbrauch, der besonders bei der Analyse und Zusammenfassung von Volltexten entsteht.^[58]

3. Die Tatsache, dass die KI-Features bei vielen dieser Tools momentan eher eine „Spielerei“ sind und noch keinen großen Mehrwert gegenüber traditionellen Tools bieten (und man deshalb lieber zweimal nachdenken sollte, bevor man sich auf eigene Kosten ein Abo dieser Tools leistet).^[59] Wir vergleichen die KI-Features der Recherchetools in unseren Schulungen üblicherweise mit Bilderstellungstools wie Midjourney oder Videoerstellungstools wie Sora. Die beiden letzteren sind absolut revolutionär und stellen ganze Geschäftszweige auf den Kopf – das ist bei den Recherchetools noch nicht der Fall, auch wenn z. B. automatisierte Text-Zusammenfassungen schon eine gewisse Zeitersparnis bieten.

4. Der noch geringe Mehrwert hängt eng mit der deutlich kleineren Datenbasis der KI-Tools im Vergleich zu „traditionellen“ Tools zusammen: z. B. werden in ResearchRabbit nur 127 Zitationen für den Artikel „Artificial Hallucinations in ChatGPT: Implications in Scientific Writing“^[60] gefunden, während in Google Scholar 1165 angezeigt werden (Stand Dezember 2024).

5. Ebenfalls wichtig ist die Warnung, dass man sich nicht auf die Zusammenfassungen der Tools verlassen und alle Ergebnisse kritisch prüfen sollte: Ein Consensus Meter (s. o.), das angibt, ob die ca. 15 als am relevantesten eingestuften Tools die eingegebene Frage mit Ja, Nein oder Vielleicht beantworten, ersetzt keinen Systematic Review. Eine KI-generierte Zusammenfassung ersetzt auch nicht das eigene Lesen eines Textes. Es ist sogar möglich, dass die Zusammenfassungen schlicht falsch sind oder eine Veröffentlichung als Quelle für eine Aussage angegeben wird, obwohl sie diese Aussage gar nicht enthält.^[61]

6. Obwohl einige der Tools das Hochladen von PDFs erlauben (z. B. um diese zusammenzufassen zu lassen), kann dies urheberrechtlich bedenklich sein – besonders, wenn die Dokumente für das weitere Training des Tools verwendet werden.^[62]

7. Auch ist an vielen Einrichtungen noch nicht geklärt, inwieweit die Nutzung von KI-Recherchetools in Prüfungen zulässig ist und ob sie z. B. von einem Verbot generativer KI-Anwendungen betroffen wären: Obwohl diese Tools weitestgehend nicht-generativ sind (d. h. sie verweisen größtenteils auf bestehende Informationen, anstatt Inhalte selbst zu generieren), bieten sie generative Funktionen an (z. B. Textzusammenfassungen).

8. Im Vergleich zu KI-Schreibtools bieten KI-Recherchetools momentan noch eher wenig Gelegenheit zum Betrug bei Prüfungen (abgesehen von den Textzusammenfassungen). Im Gegenteil: Sie sind oft anspruchsvoller in der Bedienung als herkömmliche Tools und erfordern eine besonders kritische Überprüfung der Ergebnisse. Für diese ist ein gewisses Maß an Vertrautheit mit dem Thema und der Publikationskultur im Fach nötig – mehr noch als bei der Nutzung „traditioneller“ Tools. Studierenden in den frühen Semestern ist momentan also eher von der Nutzung dieser Tools abzuraten, wenngleich wir auf Anfrage auch für sie Kurse geben. (Wir bestehen in diesen Fällen aber darauf, dass davor entweder durch uns oder durch Dritte eine Schulung zur „traditionellen“ Recherche erfolgt.) Wichtig ist, den Tools weder mit leichtgläubiger Begeisterung noch mit instinktiver Ablehnung zu begegnen, sondern mit der gleichen Reflektiertheit, Offenheit und Lust am Hinterfragen, die man allen Forschungstools und -ergebnissen gegenüber zeigen sollte.

Fazit: KI-Recherchetools stellen momentan keine nennenswerte Arbeitserleichterung dar, aber sie sind eine sich stetig verbessernde Ergänzung zu bestehenden Tools. Der Werkzeugkasten für die Literaturrecherche ist durch sie noch größer, unübersichtlicher und anspruchsvoller zu handhaben geworden – Schulungen dazu sind unerlässlich.^[63] Dabei sollten unsere Zielgruppen die folgenden KI-Kompetenzen mit auf den Weg bekommen:

1. Ein Grundverständnis, wie generative KI und Retrieval-Augmented Generation funktionieren und welche Probleme sich daraus für die Literaturrecherche ergeben können.

2. Das Wissen, dass spezialisierte Recherchetools existieren,^[64] und die Fähigkeit, daraus ein geeignetes Tool auszuwählen – vor dem Hintergrund des eigenen Forschungsvorhabens und der Fach-/Publikationskultur sowie von ethischen, datenschutzrechtlichen, urheberrechtlichen und prüfungsrechtlichen Fragen.

3. Eine Kenntnis der (momentanen) Einschränkungen dieser Tools und die Fähigkeit, deren Ergebnisse im Hinblick auf Korrektheit, Relevanz und Vollständigkeit zu überprüfen.

4. Die Fähigkeit, die eigene Nutzung dieser Tools kritisch zu reflektieren und z. B. zu erkennen, wofür ein „traditionelles“ Tool besser geeignet ist und welche Skills (Lesen, Exzerpieren etc.) durch die Nutzung des KI-Tools verloren gehen könnten.^[65]

Auch uns, die diese Schulungen anbieten, stellen die neuen Tools vor große Herausforderungen, besonders durch die momentan extrem dynamische Entwicklung. Kaum eine Woche vergeht, in der nicht ein neues Tool veröffentlicht wird oder ein altes neue Fähigkeiten dazugewinnt. Es ist schier unmöglich, neben allen anderen Aufgaben auf dem Laufenden zu bleiben und die Schulungsmaterialien beständig anzupassen – besonders für kleinere Bibliotheken und Bibliotheken, die zusätzlich z. B. auch Schulungen zum Schreiben mit KI geben müssen.^[66] Regelmäßige Erfahrungsaustausche, die arbeitsteilige Evaluation und Beobachtung von Tools, die gemeinsame Erarbeitung von Schulungsmaterialien sowie ein Newsletter, der ganz auf das Thema „KI mit Relevanz für Bibliotheken“ fokussiert ist, wären daher äußerst wünschenswert.^[67] Alle uns bekannten Angebote, die schon einen ersten Schritt in diese Richtung gehen, haben wir in Abschnitt 5 verlinkt.

4 KI-Recherchetools: Ein Ausblick in 10 Thesen

These 1: Viele der momentan angebotenen KI-Recherchetools werden wieder ganz vom Markt verschwinden oder von den Platzhirschen aufgekauft werden – entweder von großen KI-Konzernen wie OpenAI oder von Akteuren aus dem Wissenschaftsbereich wie Clarivate.^[68] Scite wurde z. B. bereits von Research Solutions (dem Anbieter von u. a. Article Galaxy) gekauft.^[69] Unabhängig bleiben werden voraussichtlich nur einige wenige kommerzielle Tools, die es schaffen, sich am Markt durchzusetzen, sowie bereits gut etablierte und ausreichend finanzierte non-profit Tools wie z. B. Semantic Scholar, hinter dem das Allen Institute for Artificial Intelligence steht. Es ist auch möglich (s. These 2), dass die großen „allgemeinen“ KI-Tools wie ChatGPT durch Weiterentwicklungen, Aufkäufe und Verlagskooperationen irgendwann so gute Ergebnisse bei der wissenschaftlichen Literaturrecherche erzielen, dass spezialisierte KI-Recherchetools weitestgehend vom Markt verdrängt werden.^[70]

These 2: Die Anbieter hinter KI-Chatbots wie z. B. ChatGPT, Gemini oder Claude werden künftig noch mehr Verträge mit Verlagen und wissenschaftlichen Datenbanken abschließen, um sowohl Live-Zugriff auf deren (Meta-)Daten zu erlangen als auch um diese Daten für das Training ihrer LLMs zu nutzen.^[71] Das wird deren Ergebnisse bei der wissenschaftlichen Literaturrecherche deutlich verbessern, zeigt aber auch, dass Verlage einen weiteren Weg gefunden haben, Forschungsergebnisse zu monetarisieren, ohne deren Urheber dafür zu kompensieren. Eine laufend aktualisierte Übersicht, welche Verlage ihre Publikationen als Trainingsdaten für KI-Modelle nutzen lassen, findet sich hier: https://sr.ithaka.org/our-work/generative-ai-licensing-agreement-tracker/.

These 3: Neben dem Aufkauf bestehender KI-Recherchetools werden die großen kommerziellen Player in der Wissenschaftswelt auch eigene KI-Recherchefunktionen in ihre Suchmaschinen integrieren. Die Grundsteine dafür sind bereits gelegt: Elsevier hat Scopus AI und ScienceDirectAI,^[72] Ex Libris (Clarivate) den Primo Research Assistant,^[73] Web of Science (Clarivate) ebenfalls einen Research Assistant^[74] und EBSCO die Features „AI Insights“ und „Natural Language Search“.^[75] Die beiden Hauptfunktionen der Finder-Tools – natürlichsprachige Suchanfragen „verstehen“ sowie Publikationen zusammenfassen und daraus Antworten auf die Suchanfrage generieren – finden sich in diesen Tools wieder. Google Scholar bietet seit Kurzem „AI Outlines in Scholar PDF Reader“ an.^[76] Auch Citavi und Endnote haben mittlerweile KI-Funktionen, die z. B. Texte automatisiert zusammenfassen.^[77] Ex Libris plant auch den Einsatz von Recommender-Funktionen, bei denen in großem Stil Nutzungsdaten (anonymisiert) ausgewertet werden, um bei einer Suche Vorschläge für ggf. weitere relevante Publikationen zu machen.^[78] Das mag inhaltlich hilfreich sein (und ist auch ohne KI-Komponente schon Teil vieler Suchinstrumente), weckt aber dennoch Befürchtungen im Hinblick auf Datenschutz und auf die Frage, ob Suchtools, deren Anbieter auch (Zeitschriften-)Verlage im Portfolio haben, nicht doch den Algorithmus manipulieren, um „zufällig“ öfters die eigenen Publikationen vorzuschlagen.

These 4: Tools, die ausschließlich auf die Literaturrecherche spezialisiert sind, wird es künftig nur noch vereinzelt geben. Stattdessen werden wir vermehrt All-in-one-Forschungstools sehen, die das Identifizieren von Forschungslücken, die Recherche, das automatisierte Auswerten und Zusammenfassen von PDFs sowie das Schreiben (und ggf. auch das Veröffentlichen) unterstützen. SciSpace weist z. B. schon in diese Richtung.

These 5: Über kurz oder lang werden auch deutsche Universitäten Lizenzen für KI-Forschungstools abschließen – sei es ihm Rahmen der Lizenzierung spezialisierter Tools oder aber „allgemeiner“ Tools wie ChatGPT, die irgendwann ein Zusatzpaket „Academic Research“ anbieten könnten; oder im Rahmen der Lizenzierung großer Recherchedatenbanken, bei denen die KI-Komponenten teilweise kostenpflichtig dazugebucht werden können.^[79] Eine solche Lizenzierung würde allen Universitätsangehörigen unabhängig von deren eigenen finanziellen Mitteln einen gleichberechtigten Zugang zu KI-Forschungstools verschaffen und könnte im Rahmen der Lizenzverträge auch ein gewisses Maß an Datenschutz sicherstellen.^[80] Voraussetzung für eine Lizenzierung ist allerdings, dass diese Tools bzw. Funktionen einen klaren Mehrwert gegenüber „traditionellen“ (bzw. kostenlosen KI-basierten) Tools bieten – das ist unserer Einschätzung nach bisher noch bei keinem der oben vorgestellten Tools der Fall. Bibliotheken sollten den Auswahl- und Lizenzierungsprozess eng begleiten und Beratung zu den Fähigkeiten der Tools sowie deren Einschränkungen, Eignung für verschiedene Fachbereiche und Problematiken anbieten. Besonders sollte der Fokus dieser Beratungen auch auf kostenlosen Open-Source-Alternativen wie ORKGAsk liegen.

These 6: KI-Forschungstools werden Einrichtungen künftig auch die Anbindung an eigene Kataloge oder lizenzierte Datenbanken und eBook-Pakete erlauben, was zu deutlich besseren Treffern bei Fachgebieten und Publikationsarten führen wird, die von den momentanen Tools noch nicht ausreichend abgedeckt werden.^[81] Diese Möglichkeit wird die Lizenzkosten für Datenbanken aber voraussichtlich weiter in die Höhe treiben.

These 7: KI-Forschungstools werden einen großen Einfluss auf die Zukunft von Open Access (und Open Science insgesamt) haben. Wie dieser Einfluss aussehen wird, ist aber noch völlig unklar: Werden ggf. künftig wieder deutlich restriktivere Lizenzen vergeben, die die Nutzung von Publikationen für das Training von KI-Modellen ohne vorherige Lizenzierung ausschließen?^[82] Aaron Tay merkt an, dass auch Abstracts durch KI-Recherchetools unheimlich wertvoll geworden sind (viele Tools werten nur Metadaten und Abstract aus, nicht den Volltext), was dazu führen könnte, dass Verlage bei der Unterstützung der Initiative for Open Abstracts zögern könnten.^[83] Springer Nature und Elsevier haben z. B. durchgesetzt, dass die Abstracts ihrer nicht-OA-Publikationen wieder aus OpenAlex entfernt werden müssen.^[84] Tools, die Volltexte „analysieren“ und zusammenfassen, sind ebenfalls auf OA-Publikationen angewiesen – sofern sie nicht die Mittel haben, Lizenzverträge mit Verlagen abzuschließen. Momentan lässt sich also sagen: Eine OA-Publikation hat oft eine höhere Chance, von KI-Recherchetools gefunden und ausgewertet zu werden, als eine Closed-Access-Publikation – dies könnte zur weiteren Popularisierung von Open Access beitragen.^[85] Diese Tatsache könnte aber auch dazu führen, dass APCs und BPCs noch teurer werden, weil sich die Verlage diese Alternativlosigkeit („Wer von KI-Tools gefunden werden will, sollte OA publizieren.“) zunutze machen werden.^[86] Besonders in KI-Schulungen für die Forschung sollte diese Problematik diskutiert werden.

These 8: KI-Forschungstools werden auch verändern, wie die Nutzung von Publikationen gemessen wird. Gilt es z. B. als Nutzung oder gar als Zitation, wenn eine Veröffentlichung in einer KI-generierten Antwort auf eine Forschungsfrage als Quelle angeführt wird? Bei COUNTER gibt es schon einige Ideen zu diesem Thema.^[87]

These 9: Auch Nutzungsgewohnheiten in Studium und Forschung werden sich durch KI-Forschungstools verändern. Haben sich unsere Zielgruppen erst einmal an natürlichsprachige Sucheingaben und automatisch generierte Textzusammenfassungen gewöhnt, werden OPACs irgendwann nachziehen müssen.^[88]

These 10: Daran anschließend: Obwohl sie in dieser Hinsicht weniger problematisch als KI-Schreibtools sind, wird auch die Nutzung (verbesserter) KI-Recherchetools zum Verlust „traditioneller“ Fähigkeiten führen. Es besteht die Gefahr, dass Publikationen nicht mehr in Gänze gelesen werden, sondern blind der KI-generierten Zusammenfassung in Kombination mit einer „Ask this PDF“-Funktion vertraut wird. Serendipity – das zufällige Auffinden von hilfreichen Informationen, nach denen man nicht gesucht hat – wird somit unmöglich. Auch bei der Literatursuche selbst werden sich viele mit der erstmöglichen schön aufbereiteten und zusätzlich in einigen Paragrafen zusammengefassten Trefferliste begnügen und keine weiteren Recherchen mit anderen Suchinstrumenten unternehmen. Der Such- und Lesevorgang findet nur noch an der Oberfläche statt. Besonders problematisch ist dabei eine Gruppe von Tools, die üblicherweise „Citation Recommenders“ genannt wird (und die wir in unseren Schulungen bewusst nicht vorstellen – Keenious und Scite haben allerdings einige verwandte Eigenschaften). Diese Tools liefern zu jeder Aussage eine Quellenangabe, die diese angeblich untermauert. Man liest also keine Forschungsliteratur, um auf dieser Basis Argumente zu entwickeln, sondern tippt Argumente ein, zu denen das Tool dann die vermeintlich passende Literatur findet.^[89] In der Wissenschaft werden derlei fragwürdige Praktiken durch enormen Zeitdruck und Publish or Perish befördert – hier könnten Hochschulleitungen (inkl. Berufungskommissionen) und Fördermittelgeber entgegenwirken.^[90] Im Studium könnte man Prüfungsleistungen z. B. so anpassen, dass weniger die fertige Hausarbeit bewertet wird, sondern eher eine Reflexion über den Weg dorthin: Wo und wie wurde gesucht, welche Passage in welcher Veröffentlichung war schwer zu verstehen oder besonders aufschlussreich, wobei war KI-Unterstützung hilfreich, wobei nicht?^[91] Es gilt also, die Balance zwischen der Vermittlung von KI-Kompetenzen und von traditionellen Kompetenzen zu halten.^[92]

Bibliotheken können all diese Entwicklungen aktiv mitgestalten – durch Beratung zur Anpassung von Prüfungsleistung und zur (Nicht-)Lizenzierung von Tools, durch die Entwicklung eigener KI-Recherchetools (Beispiel: ORKGAsk) und durch die Befähigung unserer Zielgruppen, diese Tools reflektiert und sinnvoll einzusetzen.

Die hier diskutierten KI-Recherchetools machen nur einen kleinen Anteil der für Bibliotheken relevanten KI-Anwendungen aus. Ein künftiges Themenheft von BIBLIOTHEK – Forschung und Praxis wird deshalb das Thema Künstliche Intelligenz aus verschiedenen Blickwinkeln beleuchten. Der Call for Papers wird 2025 erfolgen – die Veröffentlichung ist für Mitte 2026 geplant.

5 Kommentierte Linksammlung

Die kommentierte und thematisch gegliederte Linksammlung erhebt keinen Anspruch auf Vollständigkeit – über Hinweise zu uns noch nicht bekannten Angeboten sind wir sehr dankbar! In der Bibliothekswelt allgemein bekannte Formate wie die bibnez-Mailingliste oder Library Training werden hier nicht genannt.