Mit „das Ende der Theorie?“ provozierte Chris Anderson 2008 die Wissenschaftswelt. Riesige Datenmengen, so seine These, machten Theorien überflüssig. Korrelation genüge. Die Zahlen sprächen für sich. Der Satz wirkt bis heute. Denn er schmeichelt einer Zeit, die Rechenleistung mit Erkenntnis verwechselt.
Doch Wissenschaft war nie das bloße Sammeln von Mustern. Sie fragt nach Ursachen. Sie trennt Zufall von Ursachen. Und sie baut Erklärungen, die mehr leisten als Vorhersagen. Das Ende Theorie? Ein Irrtum im Datenrausch.
Muster sind keine Gründe
Korrelationen zeigen, dass zwei oder mehr Größen gemeinsam variieren. Mehr nicht. Wer daraus bereits Erklärung ableitet, verwechselt Beschreibung mit Verständnis.
Eine Theorie tut mehr. Sie ordnet Beobachtungen auf systematische Weise. Sie erklärt, warum etwas geschieht. Und sie erlaubt Prognosen unter neuen Bedingungen. Ohne Theorie bleibt die Welt ein Mosaik aus Datenpunkten: dicht, aber stumm. Daten schneiden die Welt in Segmente. Theorie fügt sie wieder zusammen.
Die Vorstellung, man könne mit „Trillionen von Daten“ und „Milliarden von Hypothesen“ das Denken ersetzen, klingt kraftvoll. Tatsächlich beschreibt sie eine Suchmaschine. Eine sehr schnelle und mächtige Suchmaschine. Doch auch sie braucht Kriterien. Sie braucht Fragestellungen. Sie braucht Modelle.
Die Verführung der Rechengewalt
Die neue Strategie ist klar: maximale Datenerfassung, maximale Variation und maximale Simulation. Allerdings kann das in klar begrenzten Feldern – etwa der Zellgenetik – enorme Fortschritte bringen. Algorithmen erkennen Muster, die kein Mensch sieht. Sie testen Hypothesen mit einer Geschwindigkeit, die früher unvorstellbar war.
Ein Beispiel liefert der KI-Forscher Hiroaki Kitano, der in seinem Vortrag „Let AI be a scientist“ (TED talk: Wien, September 2025) für eine weitgehende Automatisierung von Experimenten plädiert. Maschinen sollen Hypothesen generieren und in Serie prüfen.
Das ist beeindruckend. Aber auch hier gilt: Hypothesen sind Bausteine. Sie sind nicht das Gebäude. Millionen geprüfter Einzelannahmen ergeben noch kein Verständnis biologischer Organisation. Erst wenn sie in einen theoretischen Rahmen eingeordnet werden, entsteht Erkenntnis.
Je komplexer das Forschungsfeld, etwa in der Systembiologie oder Epigenetik, desto deutlicher wird diese Grenze. Disziplinübergreifende Zusammenhänge lassen sich nicht allein durch Musterakkumulation erfassen. Sie verlangen Integration. Sie verlangen den Menschen.
Der Hybridforscher: the Hybrid-Man
Die Alternative heißt nicht: Mensch oder Maschine. Sie heißt: Mensch und Maschine. Wobei beide vom Anfang des Forschungsprozesses an bis zum Ende (etwa der Verwertung) ineinander verwoben sind.
Algorithmen durchsuchen Möglichkeitsräume. Sie identifizieren statistische Regelmäßigkeiten. Sie schlagen Kandidaten vor. Doch der Entwurf des Forschungsdesigns, die Bewertung der Relevanz, die Entscheidung, welche Ergebnisse Bedeutung haben – das bleibt eine menschlich-geistige Leistung. Denn der Begriff "maximal" setzt Messlatten, die definitionsgemäß nicht zu erreichen sind. Denn alle nur möglichen Varianten von Genen etwa durchzurechnen, bräuchte unendliche Zeit und unendliche Ressourcen. Da scheitern auch die Maschinen.
Die KI rechnet. Der Mensch deutet und stiftet Zusammenhang. Die KI beschleunigt die Variation. Theorie verschwindet in diesem Modell nicht. Sie verändert ihre Rolle. Sie wird zur Integrationsplattform in einem Meer aus Daten. Gerade weil die Datenflut wächst, steigt der Bedarf an ordnenden Konzepten.
Nicht das Ende, sondern die Bewährungsprobe
Die These vom Ende der Theorie unterschätzt, was Theorie leistet. Sie ist kein Luxus vergangener Zeiten. Sie ist das Instrument, mit dem Wissenschaft aus Information Bedeutung gewinnt. Korrelation kann Hinweise liefern. Sie kann überraschen. Aber ohne Erklärung bleibt sie vorläufig.
Die Zukunft der Wissenschaft liegt daher nicht im Abschied von der Theorie. Sondern in ihrer Bewährungsprobe unter den wachsenden Bedingungen einer radikalen Digitalisierung. Wer verstehen will, braucht weiterhin mehr als Muster. Er braucht Gründe.
2. März 2026
(KI und Theorie 4)