ERA-System von Google DeepMind schreibt wissenschaftlichen Code automatisch um und verbessert die Datenanalyse
ERA nutzt LLM-basierte Baumsuche zur Optimierung von Software. Das System erstellte 14 COVID-19-Krankenhausaufenthaltsprognosemodelle, die das CDC CovidHub-Ensemble übertrafen und die Entwicklungszeit von Wochen auf Stunden reduzierten.
Das ERA (Evolving Research Agent)-System, das am 19. Mai 2026 zusammen mit Co-Scientist in Nature veröffentlicht wurde, befasst sich mit einem in der Wissenschaft selten diskutierten Problem: Die moderne Wissenschaft wird nicht durch einen Mangel an Ideen ausgebremst, sondern durch rechnerische Inkompetenz. Der meiste wissenschaftliche Code wird von Personen geschrieben, deren Hauptexpertise in Biologie oder Medizin liegt, nicht in Softwareentwicklung. Die Folge sind kritische Verzögerungen bei der Datenverarbeitung, Reproduzierbarkeitsfehler und jahrelanges Debuggen von Skripten. ERA ist ein autonomer KI-Entwickler, der Wissenschaftlern die letzte Routineaufgabe abnimmt: das Schreiben und Optimieren der Rechner-Pipeline. Und das verändert die Ökonomie der Forschung grundlegender als jeder Hypothesengenerator.
Der Kern: Automatisierung der letzten Meile der wissenschaftlichen Methode
ERA ist ein LLM-Agent, der eine in natürlicher Sprache formulierte wissenschaftliche Aufgabe entgegennimmt und den gesamten Zyklus von der Code-Architektur-Planung über die Ausführung, das Debuggen bis zur Optimierung durchläuft. Das System verwendet Baumsuche, erkundet Hunderte von Implementierungsvarianten und wählt die beste basierend auf vorgegebenen Metriken aus. Dies ist keine IDE-Autovervollständigung oder statische Skriptgenerierung. Es ist ein Agent, der Code iterativ verbessert, Fehlermeldungen liest, Bugs behebt und ganze Module ohne menschliches Eingreifen umschreibt.
Schlüsseldemonstration: ERA erstellte 14 COVID-19-Krankenhausaufenthaltsprognosemodelle für die Deaths and Hospitalizations Forecasting Challenge. Das Ergebnis: Es übertraf das CDC CovidHub-Ensemble, das zuvor der Prognose-Benchmark basierend auf Dutzenden von Expertenteams war. Die Entwicklungszeit wurde von Wochen auf Stunden reduziert.
Zeitlicher Ablauf und Kontext: Drei Wellen der Wissenschaftsautomatisierung
Die Wissenschaftsautomatisierung hat drei Stufen durchlaufen. Die erste Welle waren Roboterlabore wie Emerald Cloud Lab, die die Hände von Labortechnikern ersetzten. Die zweite Welle waren KI-Hypothesengeneratoren wie Co-Scientist und Robin, die einige Funktionen von Forschungsleitern ersetzten. ERA repräsentiert die dritte Welle – die Ersetzung von Computerbiologen und Datenwissenschaftlern. Die Lücke zwischen Hypothese und Ergebnis, die zuvor mit monatelanger manueller Codierung gefüllt war, schrumpft nun auf Stunden.
Dies ist kein zufälliger Start. DeepMind synchronisierte die Veröffentlichung von ERA mit Co-Scientist und schuf so eine integrierte Plattform: Ein Agent generiert eine Hypothese, der andere entwirft sofort ein Experiment, um sie zu testen, und schreibt Code für die Datenanalyse. Zusammen schließen sie den gesamten Zyklus wissenschaftlicher Entdeckungen ohne menschliches Eingreifen in Zwischenschritten.
Wer gewinnt und wer verliert
Gewinner sind alle Labore, deren Engpass die rechnerische Datenverarbeitung ist. Genomforschung, epidemiologische Modellierung, Strukturbiologie, klinische Studien mit großen Patientendatensätzen – überall dort, wo ein Postdoc für 2 Jahre zu 60.000–80.000 $ pro Jahr eingestellt wurde, kann jetzt ERA eingesetzt werden. Einsparungen bei einer einzigen Stelle: bis zu 200.000 $ über zwei Jahre, einschließlich Sozialleistungen und Universitätsgemeinkosten.
Gewinner sind Länder mit kleinen Wissenschaftsetats und einem Mangel an qualifizierten Programmierern. Wenn ERA rechnerische Methoden demokratisiert, könnte eine Gruppe von einer kleinen Universität in Afrika oder Südostasien mit dem MIT in der Datenanalysequalität konkurrieren – vorausgesetzt, sie haben Zugang zu Rechenressourcen.
Verlierer sind mittlere Bioinformatiker. Die Branche spaltet sich: Top-Spezialisten, die neue Algorithmen entwickeln, werden weiterhin gefragt sein; diejenigen, deren Arbeit zu 80 % aus dem Schreiben von Skripten für RNA-seq-Verarbeitung und dem Erstellen von Grafiken bestand, werden überflüssig. Verlierer sind Plattformen wie Galaxy Project und Nextflow – wenn ein Agent Code spontan schreibt, sinkt der Bedarf an visuellen Pipeline-Umgebungen drastisch.
Was die Medien auslassen
Der erste nicht offensichtliche Punkt ist das Problem der statistischen Ehrlichkeit. ERA verwendet Baumsuche mit Optimierung basierend auf vorgegebenen Metriken. Wenn das Ziel „Minimierung des Prognosefehlers“ ist, wird der Agent ehrlich nach dem Modell suchen, das die beste Punktzahl liefert. Aber in der realen Wissenschaft wählen Forscher unbewusst oder bewusst Metriken, die ihre Hypothese bestätigen. ERA hat diese Voreingenommenheit nicht, aber auch keine wissenschaftliche Intuition – es könnte ein Muster finden, das vergangene Daten perfekt vorhersagt, aber für die Zukunft völlig nutzlos ist. Overfitting in industriellem Maßstab, in die Belohnungsfunktion eingebaut, ist ein Risiko, das unerwähnt bleibt.
Der zweite Punkt betrifft Code als Artefakt. Wissenschaftlicher Code ist nicht nur ein Werkzeug zur Ergebnisgewinnung; er ist Teil der reproduzierbaren Methodik. Wenn ERA in Sekunden Tausende von Codezeilen generiert, wie soll das Peer-Review seine Korrektheit überprüfen? Das derzeitige Review-System ist nicht darauf ausgelegt, automatisch generierte Pipelines zu prüfen. Es besteht die Gefahr, dass in 2–3 Jahren die meisten rechnerischen Arbeiten Code enthalten, den niemand – auch die Autoren nicht – gelesen oder verstanden hat.
Die dritte Einsicht betrifft Googles Strategie. ERA und Co-Scientist sind nicht nur Forschungsprojekte; sie sind Leistungsdemonstrationen für Google Cloud-Unternehmenskunden. Jeder ERA-Durchlauf ist eine Rechnung für TPUs und Vertex AI. Der kostenlose Zugang über Google Labs ist der Köder. Sobald ein Labor von DeepMind-Agenten abhängig wird, werden die Kosten für einen Wechsel zu einer anderen Plattform prohibitiv. Google baut kein Werkzeug für die Wissenschaft, sondern einen Verkaufstrichter für Cloud-Dienste mit Jahresverträgen ab 100.000 $ pro Labor.
Prognose: Nächste 30 Tage und 90 Tage
In den nächsten 30 Tagen erwarte ich Dutzende von Preprints, in denen Autoren versuchen, ERAs Ergebnisse an unabhängigen Datensätzen zu reproduzieren oder anzufechten. Die Schlüsselfrage, die getestet wird: Hat ERA das CDC CovidHub-Ensemble aufgrund architektonischer Überlegenheit übertroffen, oder hat der Agent ein statistisches Artefakt in den Daten gefunden, das spezifische Schwächen des Benchmarks ausnutzt?
In der 90-Tage-Perspektive wird es eine Spaltung in den Richtlinien wissenschaftlicher Zeitschriften geben. Nature, das bereits reputationsmäßiges Kapital in KI-Wissenschaftler investiert hat, wird Arbeiten akzeptieren, bei denen der rechnerische Teil von ERA durchgeführt wurde, vorausgesetzt, die Nutzung des Agenten wird offengelegt. Konservativere Zeitschriften werden ein Moratorium für KI-generierten Code verhängen, bis Prüfstandards entwickelt sind.
Die Hauptprognose ist die Entstehung des ersten Startups, das vollständig um die DeepMind-API herum aufgebaut ist. Ein Team von drei Personen – ein Biologe, ein Kliniker und ein Produktmanager – wird in der Lage sein, Arbeit zu leisten, die zuvor ein Labor von 15–20 Personen erforderte. Der Zyklus „Co-Scientist-Hypothese → ERA-Code → Veröffentlichung“ wird von 12–18 Monaten auf 2–4 Wochen schrumpfen. Dies ist keine Utopie, sondern eine direkte Folge der Architektur, die Google am 19. Mai 2026 ausgerollt hat. Die Wissenschaft wird nie wieder dieselbe sein – und die einzige Frage ist, ob die Institutionen sich an das Tempo anpassen werden, das diese Systeme vorgeben, oder von der Flut KI-gestützter Entdeckungen hinweggespült werden.
— Editorial Team
