KI für Forschungsarbeiten: was jedes Tool tatsächlich tut, und die Studie, die ihre Genauigkeitsbehauptungen überprüft

Die vier Aufgaben, die diese Tools tatsächlich erledigen

„KI für Forschungsarbeiten" wird als eine Kategorie behandelt, aber die acht Tools, die man kennen sollte, teilen sich sauber in vier verschiedene Aufgaben auf. Sie zu verwechseln ist der Grund, warum Leute am Ende enttäuscht sind. Scholarcy zu bitten, Papers zu finden, oder ResearchRabbit zu bitten, eines zusammenzufassen, bringt nichts, weil keines der beiden Tools das tut.

• Discovery/Suche – Papers finden, die man noch nicht hat. ResearchRabbit (Zitat-Netzwerk-Graphen), Consensus (antwortorientierte Suche mit einem „Agreement Meter"), Perplexitys Academic-Focus-Modus.
• Strukturierte Extraktion – bestimmte Datenpunkte aus vielen Papers in eine Tabelle ziehen. Elicit ist speziell dafür gebaut; nichts sonst auf dieser Liste macht das als primäre Aufgabe.
• Zitat-Kontext-Verifikation. Für eine Behauptung oder ein Paper zeigen, ob die zitierenden Papers sie tatsächlich stützen, ihr widersprechen oder sie nur beiläufig erwähnen. Scites gesamtes Produkt ist genau diese eine Aufgabe.
• Zusammenfassung von Papers, die man bereits hat. Keine Suche, keine Datenbank, nur ein hochgeladenes PDF in etwas Lesbareres verwandeln. Scholarcy und Gemini Notebook sind hier beide zu Hause.

Elicit: strukturierte Extraktion, und die Genauigkeitslücke, die man kennen sollte

Elicits Unterscheidungsmerkmal ist tabellenbasierte Extraktion: Man richtet es auf eine Forschungsfrage, und es sichtet Hunderte oder Tausende Papers, dann baut es eine Vergleichstabelle, die aus jedem einzelnen bestimmte Felder (Stichprobengröße, Methodik, Ergebnismaß) zieht. Nichts sonst auf dieser Liste macht das in diesem Maßstab.

Kostenlose Stufe: unbegrenzte Suche über rund 138 Millionen Papers (dedupliziert aus Semantic Scholar, OpenAlex und PubMed), unbegrenzte Zusammenfassungen und Volltext-Chat, aber nur 2 automatisierte Reports pro Monat und eine 2-Spalten-Grenze bei Extraktionstabellen. Pro kostet 49 $/Monat und sichtet bis zu 5.000 Papers mit 20-Spalten-Tabellen; Scale kostet 169 $/Monat für 30-Spalten-Tabellen und Abbildungsextraktion.

Das ist der Befund, um den man eine Entscheidung bauen sollte: Eine peer-reviewte Studie (Hilkenmeier et al., *Social Science Computer Review*, Dez. 2025, getestet an 43 Studien und 602 Datenpunkten) bewertete Elicit als halbautomatisierten zweiten Prüfer für Datenextraktion in systematischen Übersichtsarbeiten. Gesamtgenauigkeit: 81,4 %, gegenüber 86,7 % bei menschlichen Prüferinnen und Prüfern, kein statistisch signifikanter Unterschied. Aber diese Gesamtzahl verdeckt eine scharfe Aufspaltung: Bei einfachen faktischen Feldern kam Elicit dicht an Menschen heran; bei interpretativen Extraktionsaufgaben wie der Identifikation von „Constructs of Interest" fiel die Genauigkeit auf 51,2 %, bei manchen Kategorien kaum besser als Zufall, und die Studie dokumentierte, dass Elicit Ergebnisse halluzinierte, die im Ausgangspaper gar nicht vorkamen.

Elicits eigener Blog nennt in der Selbstbewertung 94 % Genauigkeit, und eine Kunden-Fallstudie behauptet 99,4 % bei einer bestimmten Übersichtsarbeit. Beides sind echte Zahlen aus echten Evaluationen, aber sie sind vom Anbieter ausgewählt und beschreiben einen Best Case, keinen typischen Fall. Die ehrliche Zusammenfassung: Elicit ist ein wirklich nützlicher zweiter Prüfer für einfache Extraktion und etwas, das man bei allem Interpretativen von Hand gegenprüfen sollte. So sollte man es nutzen, statt einer einzelnen, ungelesen generierten Tabelle zu vertrauen.

ResearchRabbit: Zitat-Netzwerk-Discovery, kostenlos

Man gibt ein paar Papers ein, von denen man schon weiß, dass sie relevant sind, und es baut einen visuellen Graphen aus früherer Arbeit, späterer Arbeit und ähnlicher Arbeit anhand von Zitationsbeziehungen. Wirklich nützlich für die „Was übersehe ich?"-Phase einer Literaturrecherche, die Keyword-Suche nicht gut zutage fördert.

Kostenlose Stufe: unbegrenzte Suchen und Sammlungen, bis zu 50 Startartikel. RR+ für 10 $/Monat hebt die Startartikel-Grenze auf 300 an und fügt mehrere Projekte sowie erweiterte Filter hinzu. Die Daten stammen aus OpenAlex, Semantic Scholar (nicht-medizinische Fächer) und PubMed (medizinische Fächer), Hunderte Millionen Artikel, wobei Elicits präzisere Zahl von 138 Mio. (nach Deduplizierung) ein besseres Bild der realistischen Abdeckung gibt als ResearchRabbits vagere Behauptung von „Hunderten Millionen". Keine unabhängige Studie hat seinen Recall oder seine Präzision gegen eine manuelle Literaturrecherche gemessen. Das ist eine echte Evidenzlücke speziell für dieses Tool, kein Makel gegen es.

Scite: stützt das zitierende Paper die Behauptung tatsächlich?

Scites Smart Citations klassifizieren jede Zitation eines Papers als stützend, widersprechend oder nur erwähnend – eine wirklich eigenständige Fähigkeit gegenüber den Such-/Zusammenfassungs-Tools, und das Nächste auf dieser Liste an einem Zitat-Faktencheck statt einem Zitat-Fund. Aufgebaut auf über 1,2 Milliarden klassifizierten Zitat-Aussagen über mehr als 180 Millionen Papers, mit 185 Millionen indexierten Volltextartikeln, soweit Verlagszugriff das erlaubt.

Preise: Es gibt keine dauerhafte kostenlose Stufe. Ein 7-Tage-Test des 20-$/Monat-Personal-Plans (oder 12 $/Monat bei jährlicher Abrechnung) ist der Einstieg. Die Abdeckung neigt zu MINT-Fächern; Zitate aus Geisteswissenschaften und Jura sind weniger zuverlässig indexiert. Ein Vergleichstest der HKUST-Bibliothek (ein Testprompt über Scite, Elicit, Consensus und Scopus AI, manuell geprüft) fand, dass Scite speziell wegen seines Volltextzugriffs relativ gut abschnitt, merkte aber an, dass alle vier Tools gelegentlich Schlüsse aus allgemeinen einleitenden Aussagen in einem Abstract zogen statt aus den tatsächlichen Ergebnissen eines Papers – eine Warnung, die für die ganze Kategorie gilt, nicht nur für Scite.

Scholarcy: fasst zusammen, was man schon hat, sucht nicht

Das ist das am häufigsten falsch einsortierte Tool. Scholarcy durchsucht keine Datenbank. Man lädt ein Paper hoch, fügt es ein oder verlinkt es, und es extrahiert und strukturiert den vorhandenen Text zu einer Zusammenfassung im Karteikarten-Stil (Einleitung, Methoden, Ergebnisse) um, mittels extraktiver statt generativer Zusammenfassung. Diese Unterscheidung zählt fürs Vertrauen: Es zieht aus dem, was tatsächlich im Paper steht, statt neue Prosa zu erzeugen, die davon abdriften könnte, auch wenn Fehler beim Struktur-Parsing bei schlecht gescannten PDFs weiterhin echte Fehler erzeugen.

Kostenlose Stufe: 10 Zusammenfassungen pro Monat. Die Bezahlpreise werden je nach Quelle uneinheitlich angegeben (4,99 $ vs. 9,99 $/Monat), also scholarcy.com direkt prüfen, statt sich auf eine der beiden Zahlen zu verlassen. Ein dokumentierter Fehlerfall aus einem Nutzerbericht: Scholarcy schrieb eine große Metaanalyse fälschlich „einer relativ kleinen Universität" zu – eine Erinnerung daran, dass selbst extraktive Tools Struktur falsch parsen können und ihre Ausgabe vor dem Zitieren weiterhin einen menschlichen Abgleich mit der Quelle braucht.

ScholarAI, Consensus und Perplexity: Suche verpackt in Chat

ScholarAI lebt als Plugin innerhalb von ChatGPT statt als eigenständiges Produkt. Die kostenlose Stufe gibt 5 einmalige Credits, Basic kostet 9,99 $/Monat für 50 Credits. Die auffällige Lücke: ScholarAI veröffentlicht seine Datenquellen nirgendwo auf der eigenen Seite, anders als jedes andere Tool hier – das sollte man anmerken, statt eine gleichwertige Abdeckung zu Elicit oder Consensus anzunehmen.

Consensus beantwortet Ja/Nein-Forschungsfragen direkt mit einem „Consensus Meter", der wissenschaftliche Übereinstimmung anzeigt, aufgebaut auf demselben Semantic-Scholar-Korpus wie Elicit und Scite. Die Limits der kostenlosen Stufe sind wirklich unklar: verschiedene Quellen nennen 20 Suchen/Tag, 20/Monat und zwei weitere widersprüchliche Zahlen. Pro wird durchgängig mit 10 $/Monat für unbegrenzte Suche plus 15 Deep Reviews angegeben. Speziell bei der Zahl zur kostenlosen Stufe consensus.app/pricing direkt prüfen, statt einer einzelnen Sekundärquelle zu vertrauen, auch dieser hier.

Perplexitys Academic-Focus-Modus (Pro-Stufe, 20 $/Monat, oder Education Pro zu 10 $/Monat für verifizierte Studierende) beschränkt den Abruf auf peer-reviewte Quellen: Semantic Scholar, PubMed, Preprints von arXiv/bioRxiv/medRxiv. Perplexitys eigener Hinweis ist es wert, wiederholt zu werden: die Primärquellen zitieren, die es zutage fördert, nicht Perplexity selbst, in der eigenen Arbeit.

Wo Gemini Notebook tatsächlich hinpasst

Das lohnt sich präzise zu formulieren, weil es leicht falsch verstanden wird. Gemini Notebook hat keine eingebaute Suche in akademischen Datenbanken. Es antwortet nur aus Quellen, die man explizit hinzufügt. Die Funktion „Quellen entdecken" durchsucht das allgemeine Web oder das eigene Google Drive, nicht PubMed oder Semantic Scholar, und liefert KI-zusammengefasste Webseiten, die man weiterhin manuell hinzufügen muss, keine Rangliste peer-reviewter Papers mit Zitationszahlen.

Damit ist sein funktional nächster Verwandter auf dieser Liste Scholarcy, nicht Elicit oder Consensus: Beide arbeiten nur mit Dokumenten, die man bereits hat. Wo Gemini Notebook vorn liegt, ist Volumen und Synthese über viele Quellen gleichzeitig – bis zu 300 Quellen in der Pro-Stufe –, mit Audioübersichten, Deep Research innerhalb des eigenen Quellenbestands und Zitaten, die auf die genaue verwendete Textstelle verweisen. Der praktische Workflow, der sich aus dem Vergleich aller acht Tools ergibt: Elicit, ResearchRabbit oder Consensus nutzen, um Papers zu finden und zu sichten, dann das Gesammelte in Gemini Notebook bringen, um alles auf einmal zu synthetisieren. Fast keine der einzelnen Tool-Seiten sagt das explizit, aber genau darauf läuft der tatsächliche Workflow jeder ernsthaften Forscherin und jedes ernsthaften Forschers hinaus.

Vergleichstabelle

Tool          Job                    Free tier                    Paid entry point
---------------------------------------------------------------------------------------
Elicit        Extraction              Unlimited search, 2 reports/mo   $49/mo (Pro)
ResearchRabbit Discovery (network)     50 seed articles                $10/mo (RR+)
Scite         Citation verification    None (7-day trial only)         $20/mo, $12/mo annual
Scholarcy     Summarization            10 summaries/mo                 ~$5-10/mo (verify)
ScholarAI     Search + chat (GPT)      5 one-time credits              $9.99/mo (Basic)
Consensus     Discovery (answer-first)  Limited (unclear, verify)       $10/mo (Pro)
Perplexity    Discovery (web+academic)  Limited Pro Search               $20/mo, $10/mo students
Gemini Notebook  Summarization/synthesis  50 sources, 50 chats/day     $4.99/mo (Plus)

Wann man keinem davon vertrauen sollte

• Für die Kernaussagen der eigenen Literaturrecherche. Jede in dieser Recherche gefundene Genauigkeitsstudie, Elicits SAGE-Evaluation und der HKUST-Vier-Tool-Vergleich, empfiehlt, diese Tools als zweiten Prüfer oder Ausgangspunkt zu behandeln, nicht als Quelle, die man zitiert, ohne das Originalpaper selbst zu prüfen.
• Bei aufkommenden oder wenig dokumentierten Themen. Alle vier Tools im HKUST-Test zeigten außerhalb etablierter Forschungsbereiche verringerte Zuverlässigkeit, wo es schlicht weniger indexierten Text gibt, aus dem sich genaue Zusammenfassungen ziehen lassen.
• Wenn das zusammengefasste Paper zurückgezogen oder umstritten ist. Keines dieser Tools markiert den Rückzugsstatus zuverlässig. Alles Tragende direkt gegen die Fachzeitschrift oder Retraction Watch gegenprüfen.
• Wenn eine angebliche Evaluation dieser Tools selbst zurückgezogen wurde. Ein Paper, das vorgab, Elicit, SciSpace und Consensus für Literaturrecherche-Arbeit zu bewerten, wurde aus einer kanadischen LIS-Fachzeitschrift zurückgezogen, ohne öffentlich genannten Grund – eine nützliche Erinnerung, dass selbst die Meta-Evidenz in diesem Bereich geprüft werden muss, nicht nur die Tools selbst.

Welches KI-Tool für Forschungsarbeiten ist am genauesten?

Kein Tool hat eine durchgängig saubere, unabhängig verifizierte Genauigkeitsbilanz. Die eine rigorose Studie, die existiert (zu Elicit), fand insgesamt 81,4 % Genauigkeit, statistisch nicht verschieden von menschlichen Prüferinnen und Prüfern, aber mit echten Schwächen bei interpretativen Extraktionsaufgaben. Jedes Tool hier sollte als zweiter Prüfer behandelt werden, nicht als endgültige Quelle.

Kann Gemini Notebook akademische Datenbanken wie PubMed durchsuchen?

Nein. Gemini Notebook arbeitet nur mit Quellen, die man selbst hinzufügt. Die Discover-Funktion durchsucht das allgemeine Web oder Google Drive, nicht PubMed, Semantic Scholar oder arXiv. Für die Datenbanksuche stattdessen Elicit, ResearchRabbit oder Consensus nutzen und das Gefundene dann zur Synthese in Gemini Notebook bringen.

Gibt es einen kostenlosen Weg zu prüfen, ob die Zitate eines Papers seine Behauptungen tatsächlich stützen?

Scite ist speziell dafür gebaut (Klassifikation stützend/widersprechend/erwähnend), hat aber über einen 7-Tage-Test hinaus keine dauerhafte kostenlose Stufe. Es gibt keine vollständig kostenlose Alternative, die diese spezielle Aufgabe ebenso gründlich erledigt.

Was ist der Unterschied zwischen Elicit und Consensus?

Elicit ist für strukturierte Datenextraktion über viele Papers hinweg in eine Vergleichstabelle gebaut. Consensus ist für schnelle Ja/Nein-Antworten auf eine Forschungsfrage mit einem Übereinstimmungs-Meter gebaut. Beide greifen auf den Semantic-Scholar-Korpus zu, lösen aber unterschiedliche Probleme: Extraktion gegenüber schneller Synthese.