Die drei Modellaufgaben in einer Forschungspipeline
Forschung ist der klarste Fall für einen Multi-Modell-Workspace, denn die Pipeline hat drei wirklich unterschiedliche Anforderungen. Du brauchst ein Modell, das enorme Textmengen auf einmal aufnehmen kann, ein Modell, das sorgfältig genug schreibt, um ein Peer-Review zu überstehen, und ein Modell, das starres strukturiertes Output ohne Abdriften liefert. Kein einzelnes Produkt ist in allen drei Bereichen am besten, und die Wechselkosten zwischen drei Produkten werden durch erneutes Hochladen desselben Korpus bezahlt. Die Grenzkosten des Wechsels innerhalb eines Workspace sind klein und bekannt: Im Model Cost Index von Whizi (OpenRouter-Listenpreise, Stand 2026-08-20) kostet Gemini 3.7 Flash $0.001313 pro Standardantwort, Claude Sonnet 5 $0.007 und GPT-5.6 Terra $0.008, alles unter einem Cent pro Antwort.
| Phase | Modell | Was es macht |
|---|---|---|
| Ein Korpus von Papern lesen | Gemini | 1-Mio.-Token-Kontextfenster, sodass 15 bis 30 PDFs in einem Gespräch Platz finden |
| Eine Evidenztabelle erstellen | GPT | Strikte Schemas, konsistente Spaltenwerte, kein redaktionelles Abdriften |
| Prosa und Synthese entwerfen | Claude | Sorgfältiges, zurückhaltendes akademisches Register, quellentreu |
| Aktuelle Arbeiten finden und Referenzen prüfen | Ein websuchfähiges Modell | Abruf aus Live-Quellen statt aus dem Gedächtnis |
| Kritische Prüfung deines eigenen Arguments | Jedes Modell, das es nicht entworfen hat | Unabhängiger Leser, keine versunkenen Kosten |
Das Wichtigste, das du verstehen solltest, bevor du beginnst: Ein Sprachmodell, das aus dem Gedächtnis nach einem Paper gefragt wird, erfindet Details, und es tut dies fließend. Ein Modell, das ein von dir hochgeladenes PDF liest, arbeitet mit dem tatsächlichen Text. Das sind unterschiedliche Tätigkeiten mit unterschiedlicher Verlässlichkeit, und fast jede Horrorgeschichte über KI in der Forschung entsteht, weil das Erste mit dem Zweiten verwechselt wird. Lade die Quelle hoch. Immer.
20 Paper lesen, ohne den Faden zu verlieren
Der Fehler ist, nach einer Zusammenfassung zu fragen. Eine Zusammenfassung von 20 Papern ist ein Absatz, der auf beliebige 20 Paper im Feld zutreffen könnte. Was du wirklich willst, ist eine Evidenztabelle, denn eine Tabelle zwingt das Modell, sich pro Paper auf einen konkreten Wert festzulegen, und macht die Lücken sichtbar.
Prompt: die Evidenztabelle
Ich habe [n] Paper hochgeladen. Erstelle eine Tabelle mit einer Zeile pro Paper und diesen Spalten: Zitat (Autoren, Jahr), Forschungsfrage, Studiendesign, Stichprobengröße und Population, primärer gemessener Endpunkt, zentraler Befund mit Effektgröße oder Kennzahl, genannte Limitationen und Finanzierungsquelle, falls angegeben. Wenn ein Feld in einem Paper nicht berichtet wird, schreibe NICHT ANGEGEBEN. Leite keine Werte ab. Schließe kein Paper ein, das ich nicht hochgeladen habe.
Prompt: der Synthese-Durchgang
Beantworte allein anhand der gerade erstellten Tabelle: Wo stimmen diese Studien überein, wo widersprechen sie sich, und was erklärt den Widerspruch (Design, Population, Messung oder Zeitraum)? Identifiziere die Fragen in dieser Literatur, die keine hochgeladene Studie behandelt. Belege jede Aussage mit den konkreten Zeilen, auf denen sie beruht.
Prompt: methodische Kritik
Notiere für jede Studie in der Tabelle die schwerwiegendste Bedrohung für die Validität: Selektion, Messung, Confounding, statistische Power oder Generalisierbarkeit. Sei konkret bezogen auf das, was das Paper berichtet, nicht allgemein. Wenn eine Studie methodisch solide ist, sag das, statt eine Kritik zu erfinden.
Diese letzte Anweisung leistet echte Arbeit. Bittest du ein Modell, Probleme zu finden, findet es immer welche, auch in einer gut durchgeführten Studie, weil die Anfrage impliziert, dass sie existieren. Ihm ausdrücklich die Erlaubnis zu geben, ein Paper als solide zu bezeichnen, hält die Kritik ehrlich.
Für die Mechanik, lange Dokumente sauber in einen Chat zu bekommen, siehe wie man mit einem PDF chattet und den Leitfaden zum Zusammenfassen von PDFs mit KI.
Extraktion: strukturierte Daten aus unstrukturiertem Text gewinnen
Systematische Extraktion ist die Aufgabe, bei der KI die meiste verteidigbare Zeit spart, denn das Ergebnis ist überprüfbar. Du kannst eine Zahl auf Seite 7 nachprüfen. Ein Gefühl kannst du nicht nachprüfen.
Prompt: strikte Schema-Extraktion
Extrahiere jede berichtete Statistik aus diesem Paper als JSON. Schema: {"value": number, "unit": string, "measure": string, "population": string, "location_in_paper": string, "confidence_interval": string or null, "p_value": string or null}. Schließe nur Zahlen ein, die im Text, in Tabellen oder Abbildungslegenden erscheinen. Berechne keine abgeleiteten Werte. Runde nicht. Wenn eine Zahl sowohl in einer Tabelle als auch im Text mit unterschiedlichen Werten erscheint, gib beide Einträge zurück und markiere die Diskrepanz.
Das Feld location_in_paper ist der Teil, den die meisten weglassen, und es ist der Teil, der das Ergebnis nutzbar macht. Es macht aus einem erneuten Durchlesen des Papers eine gezielte Prüfung, was bedeutet, dass die Prüfung tatsächlich stattfindet.
Prompt: Vergleich über Paper hinweg
Finde in den hochgeladenen Papern jede berichtete Schätzung von [der Größe, die dich interessiert]. Gib eine Tabelle zurück mit: Paper, Schätzung, Einheit, Population, Schätzmethode und Jahr der Datenerhebung. Bilde keinen Durchschnitt. Vermerke ausdrücklich, wo die Schätzungen wegen unterschiedlicher Definitionen oder Populationen nicht vergleichbar sind.
Das Modell anzuweisen, nicht zu mitteln, ist keine Pedanterie. Das Mitteln nicht vergleichbarer Schätzungen ist die häufigste Art, wie eine KI-gestützte Literaturübersicht eine selbstsicher falsche Zahl produziert, und es ist die Art Fehler, die ein Gutachter sofort erkennt.
Die Übersicht entwerfen, ohne die Sätze anderer zu übernehmen
Claude ist hier der beste Entwerfer, aber der Prompt muss die zwei Regeln durchsetzen, die im wissenschaftlichen Schreiben zählen: Aussagen bleiben an Quellen gebunden, und Vorbehalte bleiben erhalten. Modelle, die darauf trainiert sind, hilfreich zu sein, neigen dazu, vorsichtige Formulierungen zu verstärken und aus „war assoziiert mit" ungefragt „verursachte" zu machen.
Prompt: Abschnittsentwurf
Entwirf den Abschnitt [Abschnittsname] einer Literaturübersicht nur anhand der obigen Evidenztabelle. Regeln: Jede Aussage muss einer bestimmten Zeile zuordenbar sein, bewahre den ursprünglichen Vorbehalt (werte keine Assoziation ungefragt zu einer kausalen Aussage auf), verwende das Format [Zitierstil] und markiere jeden Satz, bei dem du versucht warst, über die Evidenz hinaus zu verallgemeinern, mit [CHECK]. Zielgruppe: Forschende im Bereich [Feld]. Länge: etwa [n] Wörter.
Prompt: der Vorbehalts-Check
Prüfe diesen Entwurf gegen das Quellenmaterial. Liste jeden Satz auf, der mehr Sicherheit ausdrückt, als die zugrunde liegende Studie stützt, und jeden Satz, der einen Befund der falschen Quelle zuschreibt. Zitiere den Satz und den widersprüchlichen Quellentext nebeneinander. Schreibe nicht um.
Führe den Vorbehalts-Check auch bei deinem eigenen Text durch, nicht nur bei der Modellausgabe. Er erkennt dieselbe Abdrift auch in einem menschlichen Entwurf, der um 23 Uhr geschrieben wurde.
Zitatprüfung, die nicht optional ist
Das ist der Abschnitt, der am wichtigsten ist, deshalb ist er bewusst deutlich formuliert. Sprachmodelle erfinden Referenzen. Sie erzeugen Zitate mit echten Autorennamen, plausiblen Zeitschriftentiteln, korrekt aussehenden Band- und Seitenzahlen und DOIs, die ins Leere oder zu einem unpassenden Paper führen. Zurückgezogene Paper sind auf diesem Weg in die Literatur gelangt. Reputationen wurden dadurch beschädigt.
Die Regeln, die das verhindern:
- Bitte ein Modell nie, aus dem Gedächtnis „Quellen zu finden" für eine Aussage. Bitte ein websuchfähiges Modell, sie abzurufen, und öffne dann jeden Link selbst.
- Prüfe jede DOI, indem du sie auflöst. Eine DOI, die sich nicht auflösen lässt, ist eine Erfindung, kein Tippfehler.
- Prüfe, ob das zitierte Paper tatsächlich das sagt, was das Zitat behauptet. Ein echtes Paper, das an eine Aussage geheftet wird, die es nicht stützt, ist der schwerer zu erkennende Fehler, und er kommt häufiger vor als ein erfundenes Paper.
- Zitiere nie etwas, das du nicht geöffnet hast. Diese Regel gab es schon vor KI, und KI hat sie unverzichtbar gemacht.
- Behalte die hochgeladenen PDFs als Quelle der Wahrheit. Alles, was das Modell dir über ein Paper erzählt, das du nicht hochgeladen hast, ist konstruktionsbedingt ungeprüft.
Prompt: Referenzprüfung
Gib für jede Referenz in dieser Liste an: ob du sie anhand einer Quelle in diesem Gespräch bestätigen kannst, oder ob sie aus deinen Trainingsdaten stammt und daher ungeprüft ist. Rate nicht. Markiere jeden ungeprüften Eintrag deutlich. Ich prüfe sie manuell.
Dieser Prompt macht das Modell nicht verlässlich. Er macht deutlich, welche Aussagen an etwas verankert sind, das du bereitgestellt hast, und genau das ist die Unterscheidung, die du brauchst, um zu wissen, was zu prüfen ist.
Was das nicht ersetzt
Es ersetzt kein systematisches Review-Protokoll. Wenn deine Arbeit PRISMA erfordert, bleiben die Suchstrategie, das Screening und die Einschlussentscheidungen deine eigene Aufgabe, zu dokumentieren und zu verteidigen. KI kann dir helfen, das Protokoll zu entwerfen und die Extraktion aus eingeschlossenen Studien zu beschleunigen; sie kann nicht die Suche sein.
Es ersetzt nicht deinen Literaturverwaltungsdienst. Behalte Zotero, Mendeley oder EndNote als Aufzeichnung dessen, was du tatsächlich gelesen hast. Der Chat ist Arbeitsgedächtnis, kein Archiv.
Es ersetzt keine statistische Analyse. Ein Modell kann eine Methode erklären, den R- oder Python-Code dafür schreiben und deine Interpretation auf Plausibilität prüfen, aber deine Analyse in einem Chatfenster laufen zu lassen und der Arithmetik zu vertrauen, ist nicht verteidigbar. Erzeuge den Code, führe ihn in deiner eigenen Umgebung aus und prüfe das Ergebnis.
Und es ersetzt keine Offenlegung. Zeitschriften und Institutionen verlangen zunehmend eine Erklärung dazu, wie KI-Tools eingesetzt wurden. Schreibe bei jedem Schritt mit, was du verwendet hast, denn es im Nachhinein bei der Einreichung zu rekonstruieren, ist unangenehm.
- Lade die Paper hoch, statt das Modell zu fragen, woran es sich erinnert
- Erstelle eine Evidenztabelle mit einer Zeile pro Paper, bevor du um eine Synthese bittest
- Verlange ein Feld location_in_paper bei jeder extrahierten Zahl, damit die Prüfung gezielt erfolgt
- Weise das Modell an, Vorbehalte zu bewahren und Assoziation nie zu Kausalität aufzuwerten
- Löse jede DOI auf und öffne jede Quelle, bevor sie in dein Literaturverzeichnis aufgenommen wird
- Bitte das Modell, zu markieren, welche Aussagen an hochgeladenem Text verankert sind und welche aus dem Gedächtnis stammen
- Führe eine laufende Notiz darüber, wie KI in jedem Schritt genutzt wurde, für deine Offenlegungserklärung
Häufige Fragen
Kann Whizi sehr lange Paper verarbeiten?
Ja. Gemini bei Whizi führt ein 1-Mio.-Token-Kontextfenster, was in der Praxis bedeutet, dass eine lange Dissertation, eine vollständige behördliche Einreichung oder ein Satz von 15 bis 30 Papern in einem Gespräch Platz findet und als Ganzes abgefragt werden kann. Das unterscheidet sich vom stückweisen Zusammenfassen eines Dokuments, denn dokumentübergreifende Fragen wie „wo widersprechen sich diese" funktionieren nur, wenn alles gleichzeitig vorliegt.
Zitiert Whizi Quellen?
Wenn du ein websuchfähiges Modell nutzt, liefert es Links, und wenn du Dokumente hochlädst, kann es darauf hinweisen, woher in deiner Quelle eine Aussage stammt. Keines von beidem ersetzt die Überprüfung. Löse jede DOI auf, öffne jeden Link und bestätige, dass die zitierte Arbeit die daran geknüpfte Aussage stützt. Erfundene und falsch zugeordnete Referenzen sind der schwerwiegendste Fehlerfall KI-gestützter Forschung, und die einzige verlässliche Absicherung ist, die Quelle selbst zu öffnen.
Warum nicht einfach ein Modell für alles verwenden?
Weil die drei Phasen gegensätzliches Verhalten verlangen. Das Lesen eines großen Korpus braucht ein enormes Kontextfenster. Die Extraktion braucht starre, unspektakuläre Einhaltung eines Schemas. Das Entwerfen braucht sorgfältige Prosa, die akademische Vorbehalte bewahrt. Alle drei in einem Workspace laufen zu lassen bedeutet, dass der Korpus einmal hochgeladen wird und der Kontext über den Wechsel hinweg erhalten bleibt, statt drei getrennten Produkten erneut erklärt zu werden.
Ist es akzeptabel, KI in der akademischen Arbeit einzusetzen?
Die Richtlinien variieren je nach Zeitschrift, Fördereinrichtung und Institution und ändern sich schnell, prüfe also die konkreten Anforderungen, die für dich gelten. Das grobe Muster ist, dass der Einsatz von KI zur Extraktion, zum Entwerfen und zum Redigieren mit Offenlegung generell akzeptabel ist, während ein Modell als Autor aufzuführen es nicht ist, und du bleibst für jede Aussage und jedes Zitat in der fertigen Arbeit voll verantwortlich. Notiere fortlaufend, was du verwendet hast.
Kann ich unveröffentlichte oder vertrauliche Daten hochladen?
Whizi trainiert nicht mit deinen Gesprächen, und die Richtlinie jedes Anbieters kann geprüft werden, bevor du dieses Modell aktivierst, aber deine Ethikgenehmigung und jede Datenweitergabevereinbarung sind die bindenden Einschränkungen. Daten von menschlichen Studienteilnehmern müssen fast immer außen vor bleiben, sofern deine Genehmigung die Verarbeitung durch Dritte nicht ausdrücklich abdeckt. Anonymisierte Auszüge und deine eigenen Entwürfe sind die üblichen sicheren Fälle.