Gemini for Science: ein Werkzeugkasten für die Forschung
Google hat am 9. Juni 2026 Gemini for Science vorgestellt — eine Sammlung von Werkzeugen und Experimenten, die wissenschaftliche Arbeit in Umfang und Genauigkeit erweitern sollen. Der Ausgangspunkt: Das wissenschaftliche Wissen wächst so schnell, dass einzelne Forschende es kaum noch überblicken und neue Zusammenhänge schwer erkennen.
KI in der Wissenschaft soll hier ansetzen — nicht als Ersatz, sondern als Werkzeug, das Literatur erschließt, Hypothesen prüft und Rechenarbeit beschleunigt.
Drei zentrale Funktionen
Was Forschungsteams wissen müssen:
- Hypothesen-Generierung (mit Co-Scientist): Mehr-Agenten-„Ideenturniere“ erzeugen, diskutieren und bewerten Hypothesen mit belegten Quellenangaben
- Rechnergestützte Entdeckung (mit AlphaEvolve und ERA): erzeugt und bewertet parallel tausende Code-Varianten und prüft so Ansätze, die manuell Monate kosten würden
- Literatur-Auswertung (mit NotebookLM): strukturiert Fachliteratur in durchsuchbare Tabellen und erstellt Berichte, Präsentationen und Zusammenfassungen
Science Skills und erste Anwender
Ein spezialisiertes Bündel namens Science Skills verbindet mehr als 30 große Life-Science-Datenbanken und soll komplexe genomische und bioinformatische Analysen von Stunden auf Minuten verkürzen. In der Vorschauphase setzen bereits Unternehmen wie BASF, Klarna, Daiichi Sankyo und Bayer Crop Science die Werkzeuge ein. Begleitend erschienen Fachartikel zu ERA und Co-Scientist in Nature.
Enterprise-Einordnung
Für forschungsnahe Unternehmen — Pharma, Chemie, Biotechnologie — ist weniger das einzelne Modell relevant als die Bündelung: Hypothesenbildung, Code-Exploration und Literaturarbeit in einer Umgebung, angebunden an etablierte Fachdatenbanken. Das verkürzt Erkenntniszyklen, verlangt aber klare Regeln zur Prüfung der Ergebnisse. KI-generierte Hypothesen und Analysen bleiben Ausgangspunkt, nicht Endbefund — die fachliche Validierung verbleibt beim Forschungsteam.
Fazit
Gemini for Science zeigt, wie KI von der Texthilfe zum Forschungsinstrument wird. Für Entscheider in F&E lohnt der Blick auf die Vorschauprogramme: Wo wiederkehrende Literatur- und Analyseschritte viel Zeit binden, ist der Nutzen am größten. Wichtig ist, parallel einen Validierungsprozess für KI-Ergebnisse zu etablieren, bevor diese in Entscheidungen einfließen.