Die meisten KI-Lesetools fassen Studien zusammen; Faraday versucht, sie neu durchzuführen. Inherents neuer Agent ist auf Replikation optimiert: Er identifiziert zentrale experimentelle Schritte, entwirft ausführbare Abläufe und berichtet, ob die Ergebnisse bestätigt werden können. Das Unternehmen gibt an, dass Faraday, der auf einem vergleichsweise kleinen Qwen 27B-Modell mit externen Werkzeugen läuft, bei internen Replikationsaufgaben deutlich besser abschnitt als deutlich größere Systeme von OpenAI und Anthropic. Auch wenn die Schlagzeilen vorläufig sind, ist die Zielverschiebung bemerkenswert. Replikation operationalisiert wissenschaftliche Strenge und ist direkt mit Laborleistung und Glaubwürdigkeit verbunden – sie ist ein besserer Indikator für echten Nutzen als Zitationsanalysen oder die Qualität von Literaturübersichten.

Der behauptete Vorteil scheint eher aus dem Agentendesign als aus der reinen Modellgröße zu stammen: Verstärkendes Lernen zur Förderung eines „Forschungsgeschmacks“, gezielte Experimentplanung und pragmatischer Einsatz bestehender Code-Assistenten für die Umsetzung. Diese Architektur spiegelt wider, wie menschliche Teams tatsächlich arbeiten – der Hauptforscher formuliert die Hypothese, der Postdoc gestaltet den Plan, Werkzeuge erzeugen Code und Diagramme. Wenn Reproduzierbarkeit das Ziel ist, ist die Orchestrierung genauso wichtig wie das Denken. Die offene Frage ist die externe Validität: Halten diese Vorteile auch bei öffentlichen, anonymisierten, multidisziplinären Testumgebungen mit starken Baselines und transparenten Metriken wie success@k, Datenzugriffsparität und Replikationszeit an?

Sollten sich Replikationsagenten weiterentwickeln, könnte ihr Einfluss für Biotechnologie, Materialwissenschaften und ML-Forschungsorganisationen unmittelbar sein. Sie können aufwändige Studien vor der Zuweisung von Laborzeit vorsortieren, Labor-Standardarbeitsanweisungen auf Belastbarkeit prüfen und negative Ergebnisse dokumentieren – oft unschätzbar, aber unterberichtet. Für Unternehmen wandelt sich KI so von einem Leseassistenten zu einer Verifizierungsebene in F&E, Compliance und IP-Prüfung. Governance ist dabei entscheidend: Leitplanken für Datenherkunft, Codeausführung, lizenzierte Datensätze und Eskalation von Behauptungen müssen festgelegt werden. Ohne transparente Protokolle und Prüfpfade besteht die Gefahr, dass Replikation in großem Maßstab fehlerhafte Methoden schneller verbreitet, statt die wissenschaftliche Zuverlässigkeit zu verbessern.