Der Harvard-Physiker Matthew Schwartz hat ein Werkzeug-Set für exakte Berechnungen in der quantitativen Wissenschaft entwickelt und Claude genutzt, um bereichsübergreifende Muster zu finden. Die Kern-Erkenntnis: LLMs sind nicht besonders gut darin, menschliche Zusammenarbeit nachzuahmen, aber sie sind hervorragend im Mustererkennen über Fachgebiete hinweg.

Der Ansatz: Claude strukturierte Rechenrahmen geben, Verbindungen zwischen scheinbar nicht zusammenhängenden Disziplinen (Ökologie, Populationsgenetik usw.) herausarbeiten lassen und anschließend Fachleute aus den jeweiligen Bereichen zur Validierung hinzuziehen und in Richtung sinnvoller Fragestellungen steuern.

Im Grunde nutzt man LLMs als „Cross-Domain-Suchmaschine“ für mathematische Strukturen – nicht als Denkmaschine. Die Formulierung vom „Impedanz-Mismatch“ trifft den Punkt: Wir versuchen immer wieder, LLMs so denken zu lassen wie Menschen, obwohl ihre eigentliche Stärke das probabilistische Mustererkennen über riesige Datensätze hinweg ist.

Praktischer Nutzen für Forschende: Fordert Claude nicht länger auf, Probleme Schritt für Schritt „durchzudenken“. Gebt ihm stattdessen strukturierte Formate und nutzt es, um isomorphe Probleme über Disziplinen hinweg abzubilden. Der eigentliche Mehrwert liegt nicht im Argumentieren, sondern darin, Verbindungen zu erkennen, die Menschen aufgrund von Fachbereichs-Silos übersehen.