Die im Tool-Umfeld verbreitetste Vergleichsweise besteht darin, zwei Dinge nebeneinanderzustellen und zu fragen: „Welches ist stärker?“ Auf MuchSci und ChatGPT angewandt, ist diese Frage von Anfang an falsch gestellt – sie liegen nicht auf derselben Ebene und bedienen auch nicht dieselbe Art von Bedarf. MuchSci ist ein Forschungsarbeitsplatz: Recherche, Übersetzung, eingehende Lektüre, Manuskripterstellung und Bebilderung – diese in der Forschung immer wiederkehrenden Arbeitsschritte hat es für Sie vorausgedacht und zu festen Komponenten gemacht; Sie folgen einfach dem Ablauf. ChatGPT ist ein von OpenAI entwickeltes allgemeines dialogorientiertes großes Sprachmodell. Es kann allgemeine Fragen beantworten, schreiben und programmieren, verfügt aber über keine integrierte akademische Literaturdatenbank – es führt aus, was Sie ihm vorgeben; Abläufe und Standards müssen Sie jeweils vor Ort festlegen.
Ein Vergleich: Das eine gleicht dem Messinstrument im Labor, das auf einen bestimmten Kennwert spezialisiert ist – der Ablauf ist vom Instrument vorgegeben, Sie geben die Probe hinein und lesen den Wert ab. Das andere gleicht einem Universalassistenten, der über alles plaudern und alles Mögliche schreiben kann, aber nicht für Sie weiß, welchen Kennwert Sie messen sollten und nach welcher Norm geschrieben werden muss. Das Instrument punktet mit Spezialisierung, Geschwindigkeit und Standardisierung; der Assistent mit Breite und Flexibilität – um den Preis, dass Sie selbst klar denken müssen, was zu tun ist, und die Standards deutlich machen müssen.
In diesem Artikel geht es nicht um Benchmarks, sondern um Mechanismen und darum, wann man welches Werkzeug einsetzen sollte.
01 Beide liegen nicht auf derselben Ebene
Betrachtet man die Dinge nach Ebenen, wird die Positionierung sofort klar.
▲ Abb. 1 | Je weiter oben, desto näher an konkreten Forschungsarbeitsschritten; je weiter unten, desto allgemeiner
Die untere Ebene ist die Modellfähigkeit – Langkontextverständnis, multimodale Erkennung, Code und Reasoning, mehrsprachige Ausdrucksfähigkeit. Diese Ebene ist das Fundament; beide darüberliegenden Systeme greifen darauf zurück, und auch die Qualitätsunterschiede werden maßgeblich von ihr bestimmt. ChatGPT und MuchSci bauen beide auf solchen Fundamenten auf; die Stärke des zugrunde liegenden Modells beeinflusst gleichzeitig die Obergrenzen beider.
Die mittlere Ebene ist die allgemeine Dialogfähigkeit – hier steht ChatGPT. Ihr Merkmal ist, dass sie keine Abläufe voraussetzt: Sie geben ihr eine Frage, und sie antwortet sofort, hilft beim Entwerfen, schreibt Code, diskutiert mit Ihnen. Abläufe und Standards geben Sie vor – das ist sowohl die Quelle ihrer Flexibilität als auch ihrer Kosten, denn Sie müssen wissen, was Sie wollen und nach welcher Norm vorgegangen werden soll; sonst kann sie nur im Rahmen der von Ihnen vorgegebenen Auslegung frei improvisieren.
Die obere Ebene sind Forschungsanwendungen; MuchSci befindet sich auf dieser Ebene. Es verfestigt wiederkehrende Handlungen aus der Forschung zu Komponenten: Recherche mit Anbindung an akademische Datenbanken, Übersetzung unter Beibehaltung der Absatzstruktur, eingehende Lektüre mit Extraktion der Kernpunkte, Manuskripterstellung nach akademischem Format, Bebilderung nach Zeitschriftenvorgaben. Die Abläufe sind von ihm für Sie vordefiniert, daher ist der Einstieg schnell; der Preis dafür ist, dass es nur die definierten Aufgaben erledigt und bei Anforderungen außerhalb der Forschungsarbeitsschritte nicht weiterhelfen kann.
Die Ebenen stehen in einem Tragverhältnis zueinander, nicht in Konkurrenz. Je stärker das Fundament, desto mehr profitieren beide Ebenen; je breiter die allgemeine Dialogfähigkeit, desto mehr Aufgaben kann die obere Ebene übernehmen. Beide nebeneinanderzustellen und zu vergleichen, wer stärker ist, käme dem gleich, ein Messinstrument und einen Assistenten auf derselben Bahn zu stoppen – die Bahn selbst ist bereits falsch gewählt.
02 Beim selben „Papier schreiben“ setzt man an unterschiedlichen Stellen an
Zerlegt man „ein Papier schreiben“ in konkrete Handlungen, treten die jeweiligen Stärken beider hervor.
▲ Abb. 2 | Der eine hat fertige Forschungsarbeitsschritte zur Hand, der andere allgemeine Frage-Antwort- und Schreibfähigkeiten
Bei der Literaturrecherche verfügt MuchSci über eine integrierte akademische Datenbank mit einheitlichen Kriterien; die Ergebnisse einer Recherche können direkt in den Materialien archiviert werden. ChatGPT kann zwar mit Hilfe des Internets oder von Ihnen eingefügter Literatur diskutieren, verfügt aber über keine integrierte akademische Literaturdatenbank; Suchumfang und Quellenkriterien müssen Sie selbst festlegen, die Ergebnisse haben nicht unbedingt einheitliche Quellenangaben, und die Archivierung müssen Sie manuell vornehmen.
Bei Übersetzung und eingehender Lektüre behält MuchSci die Absatzstruktur bei; die Kernpunkte nach der Lektüre können in der Materialbibliothek archiviert werden, was spätere Zitate erleichtert. ChatGPT kann übersetzen und lange Texte erklären, aber die gelesenen Materialien verstreuen sich in den Dialogen; Sie müssen sie selbst in Ihr eigenes System einordnen, und über mehrere Gesprächsrunden hinweg geht besonders leicht der Kontext verloren.
Bei Manuskripterstellung und Formatierung erstellt MuchSci das Manuskript nach akademischem Format, und die Lieferung ist sofort einsatzbereit. ChatGPT kann lange Texte schreiben, Manuskripte überarbeiten und fortsetzen, aber die Formatvorgaben müssen Sie Punkt für Punkt vorgeben; ob das Ergebnis streng den akademischen Konventionen entspricht, liegt in Ihrer Kontrolle, und vor der Abgabe muss oft noch einmal gegengelesen werden.
Bei Zitaten und Quellenangaben sind MuchScis Materialien und Zitate von Natur aus an die Literaturdatenbank gebunden; die Quellen sind nachvollziehbar. ChatGPT verfügt über keine integrierte Literaturdatenbank; ob ein Zitat korrekt ist und sich auf den Originaltext zurückführen lässt, müssen Sie Punkt für Punkt prüfen; es kann nicht direkt als Quellenangabe verwendet werden.
Bei der Nachvollziehbarkeit des Prozesses lassen sich bei MuchSci innerhalb des Arbeitsablaufs Literatur und Zitate zurückverfolgen. ChatGPT-Dialoge können gespeichert werden, aber die Kette „Welcher Satz stammt aus welcher Literatur“ müssen Sie selbst pflegen; bei der Nachbereitung ist das weniger praktisch als beim ersteren.
03 Beide verbinden und in einer Prozesskette einsetzen
Da die Arbeitsteilung klar ist, ist es naheliegend, sie miteinander zu verbinden.
▲ Abb. 3 | Keine Entweder-oder-Entscheidung, sondern jedes Werkzeug an seinem passendsten Platz
Eine übliche Kombination sieht so aus: Themenfestlegung und Richtungssuche liegen bei Ihnen, beide können als Diskussionspartner dienen, die Entscheidungsgewalt liegt in Ihrer Hand; Literaturrecherche und Aufnahme in die Bibliothek laufen über MuchSci – der Prozess ist ausgereift, die Kriterien sind einheitlich, Rechercheergebnisse werden direkt archiviert, und beim späteren Schreiben haben Zitate eine Quelle; eingehende Lektüre und Materialaufbereitung laufen ebenfalls über MuchSci – die Kernpunkte bleiben in der Bibliothek und verstreuen sich nicht über Dutzende Dialogboxen; der Abschnitt für allgemeine Diskussion und Code geht an ChatGPT – hier ergänzt es allgemeine Frage-Antwort-Funktionen, schreibt Code, hilft Ihnen, Argumente zu ordnen, und sucht nach einer externen Quelle, die es nicht integriert hat; Manuskripterstellung und Formatvorgaben gehen zurück an MuchSci – Manuskript nach akademischem Format, die Lieferung ist sofort einsatzbereit; Prüfung und Archivierung übernehmen Sie.
Schritt 4 ist der Abschnitt, in dem sich beide am leichtesten ergänzen. Die Teile der Forschungsarbeitsschritte, die bereits zu Komponenten gemacht wurden, laufen mit MuchSci standardisiert; wenn Sie jedoch spontan eine Idee diskutieren, ein Verarbeitungsskript schreiben oder eine nicht integrierte Quelle nachschlagen müssen, ergänzt ChatGPTs allgemeine Dialogfähigkeit genau das. Beide konkurrieren nicht um Aufgaben, sondern stehen jeweils an ihrem Platz; die gesamte Prozesskette ist dadurch sogar weniger aufwendig als die Nutzung nur eines der beiden.
04 Ein praktisches Entscheidungskriterium
Letztlich müssen Sie für die Auswahl nicht Stärken vergleichen, sondern sich nur eine Frage stellen: Gibt es für diesen Arbeitsschritt bereits ein fertiges Vorgehen?
▲ Abb. 4 | Das Kriterium ist nicht „Welches ist besser?“, sondern „Gibt es bereits ein fertiges Vorgehen?“
Bereits definierte Arbeitsschritte – Manuskript schreiben, Übersetzen, Recherchieren, Formatieren nach Zeitschriftenvorgaben – gehen an MuchSci. Sein Wert liegt darin, dass „die Standardabläufe bereits einmal für Sie durchlaufen wurden“; Sie folgen den Komponenten und sind schnell. Besonders wenn Ergebnisse zitierfähig nachvollziehbar sein müssen oder direkt weitergegeben werden sollen, spart eine Ausgabe mit integrierten Quellen viel mehr Aufwand als das nachträgliche Ergänzen von Quellen.
Noch nicht zu Komponenten gemachte Arbeitsschritte oder wenn Sie nur eine bestimmte allgemeine Fähigkeit benötigen – einen Gedanken spontan diskutieren, ein Stück Code schreiben, eine externe Quelle nachschlagen, eine alltägliche E-Mail entwerfen – gehen an ChatGPT. Sein Wert liegt darin, dass es „ausführt, sobald Sie Anweisungen geben“; Voraussetzung ist, dass Sie die Anforderung zuerst klar formulieren und die Standards eindeutig vorgeben, sonst schwankt die Qualität der Ergebnisse je nach Ihrer Vorgabe.
Die beiden schließen sich nicht aus. In derselben Arbeit ist es eine recht verbreitete und energiesparende Arbeitsteilung, die Literaturrecherche an MuchSci und allgemeine Diskussionen sowie Code an ChatGPT zu geben – das eine ist dafür zuständig, ausgereifte Arbeitsschritte standardgerecht auszuführen, das andere dafür, spontane Anforderungen unmittelbar zu beantworten.
05 Grenzen
① Dieser Beitrag ist eine Analyse von Mechanismen und Arbeitsteilung, kein Produkttest. Im Text wurde kein systematischer Vergleichstest der beiden durchgeführt; die Beschreibung der Fähigkeiten orientiert sich an öffentlich verfügbaren Funktionen und Beobachtungen aus der praktischen Nutzung. Beide werden schnell weiterentwickelt; für das konkrete Verhalten ist die jeweils neueste Version maßgeblich.
② Die Arbeitsteilung ändert nichts an der Verantwortungszuordnung. Unabhängig davon, welches Werkzeug verwendet wird, liegt die Verantwortung dafür, ob Daten wahrheitsgemäß, Zitate angemessen und Schlussfolgerungen belastbar sind, letztlich bei der Person, die namentlich genannt wird. Ausgaben von Werkzeugen sind stets als „zu prüfender Entwurf“ zu behandeln.
③ Der zulässige Umfang der Beteiligung von KI am Verfassen von Arbeiten richtet sich nach den aktuell geltenden Regelungen der jeweiligen Hochschule. In Kontexten, die akademische Integrität und Datenkonformität betreffen, wird empfohlen, die einschlägigen Vorschriften vorab zu klären und nicht allein aufgrund von Werkzeugausgaben direkt einzureichen.