Inzwischen stellt sich jede Organisation – und selbst jeder einzelne Forschende mit einem Archiv – dieselbe Frage: Können wir nicht einfach ein Sprachmodell darauf ansetzen? In Bereichen, in denen eine falsche Antwort gravierende Folgen haben kann – beispielsweise bei einer Arzneimittelwechselwirkung, einer chemischen Gefahr oder einer Dosierung –, lautet die Antwort: Nein. Und es lohnt sich zu verstehen, warum.

KI-Systeme übernehmen die Struktur, die in ihren Quellen vorhanden ist. Wenn ein und derselbe Wirkstoff unter sechs verschiedenen Namen auftaucht, eine Krankheit keine eindeutige Kennung besitzt, ein Ergebnis nur in einer Abbildung und nicht in der Bildunterschrift steht oder die Herkunft der Informationen nicht mehr nachvollziehbar ist, versagt das System nicht auf offensichtliche Weise. Es liefert weiterhin flüssig formulierte Antworten – nur möglicherweise falsche.

Diese Session befasst sich mit dem Bereich zwischen einem Dokument und einer Antwort, auf die man sich verlassen kann.

Dafür betrachten wir zwei Beispiele aus den Life Sciences: zum einen biomedizinische Fachliteratur, die zunächst einheitlich benannt und kategorisiert wird, bevor man überhaupt die KI-Abfrage startet; zum anderen chemische Reaktionen, die aus wissenschaftlichen Publikationen und Patenten extrahiert und in Daten überführt werden, mit denen Forscherinnen und Forscher tatsächlich arbeiten können.

Every organisation or even every single researcher sitting on an archive has now asked the same question: can’t we just point a language model at it? In fields where a wrong answer is expensive — a drug interaction, a chemical hazard, a dose — the answer is no, and the reason is worth understanding. AI systems inherit whatever structure exists in their sources. Where one drug appears under six different names, where a disease carries no identifier, where the result sits in a figure and not in the caption, where provenance has been lost, the system does not fail loudly. It fails fluently.

This session looks at the layer between a document and an answer you can act on, using two life science examples: where biomedical literature is normalised against a controlled vocabulary before anything queries it, and where chemical reactions are extracted from papers and patents into data a chemist can actually work with.

The argument is not that AI will replace expert content. It is that the thing AI consumes is not the document — and most archives are not yet producing it.