OpenAI hat die Bewerbungsphase für „ChatGPT for Academic Researchers“ eröffnet – ein Programm, das 100.000 qualifizierten Wissenschaftlern kostenlosen Zugang zur leistungsfähigsten Modellfamilie GPT-5.6, der Codierungsumgebung Codex und einer Reihe fachspezifischer Forschungstools ermöglicht. Die ersten 10.000 Forscher erhalten diesen Sommer Zugang, wobei der Rollout bis 2027 fortgesetzt wird. Zu den frühen Teilnehmern gehören bereits das Institute for Advanced Study in Princeton und die École normale supérieure in Frankreich [1][2].
Wer ist berechtigt und was ist im Paket enthalten
Die Auswahlkriterien sind bewusst eng gefasst. Bewerber müssen Lehrkräfte oder Postdoktoranden an anerkannten, abschlussberechtigten Institutionen mit hoher Forschungsaktivität sein. Die Zugehörigkeit wird über SheerID verifiziert; zudem muss ein in den letzten drei Jahren bei arXiv, bioRxiv oder ChemRxiv in einem der sieben unterstützten Fachbereiche veröffentlichtes Paper eingereicht werden: Biowissenschaften, Chemie und Materialwissenschaften, Informatik, Erdwissenschaften und Planetologie, Ingenieurwesen, Mathematik oder Physik [1].
Jeder zugelassene Forscher erhält das Äquivalent des 200-Dollar-pro-Monat ChatGPT Pro-Abonnements von OpenAI kostenlos, jedoch mit höheren Nutzungslimits, erweiterten Deep-Research-Funktionen und größeren Kontextfenstern. Das Paket umfasst die gesamte GPT-5.6-Familie – Sol für anspruchsvolle wissenschaftliche und mathematische Probleme, Terra für ausgewogene alltägliche Forschungsaufgaben und Luna für schnellere Antworten bei geringerer Arbeitslast – sowie ChatGPT Work für mehrstufige agentische Projekte und Codex zum Schreiben und Debuggen von Analysecodes [1][2].
Forscher können bis zu vier institutionelle Mitarbeiter pro Workspace einladen. Jeder Mitarbeiter muss seine Zugehörigkeit verifizieren, was auf das Limit von 100.000 Konten im Programm angerechnet wird. Daten, die über das Programm geteilt werden, werden standardmäßig nicht zum Training der Modelle von OpenAI verwendet. Die Workspaces bieten Datenschutz- und Sicherheitsstandards auf Business-Niveau, die denen von kommerziellen Unternehmenskunden entsprechen [1][2][3].
Neben den Kernmodellen umfasst das Programm mehr als 75 Life-Science-Skills – Plugin-ähnliche Konnektoren für Genetik, Genomik, Next-Generation Sequencing, Einzelzell-Analyse, Proteinfaltung und Wirkstoffforschung. Zusätzliche Konnektoren verbinden mit wissenschaftlichen Literaturdatenbanken, öffentlichen genomischen und klinischen Repositorien, Satellitenbild-Plattformen, Computational Notebooks und Literaturverwaltungsprogrammen [1]. OpenAI verspricht zudem Schulungen und direkten Support für Forscher mit unterschiedlichem KI-Erfahrungsstand [2].
Praktische Kompromisse in der Toolchain
Die integrierte Suite ist leistungsstark, aber eng miteinander verknüpft. Forscher, die ihre Workflows um mehr als 75 OpenAI-Konnektoren aufbauen, gewinnen zwar an Komfort, opfern jedoch die Portabilität. Wenn OpenAI eine API ändert oder einen Konnektor einstellt, brechen die abhängigen Pipelines ab. Labore, die bereits auf Open-Source-Tools wie Snakemake oder Nextflow setzen, könnten Codex für die Codegenerierung nutzen, während sie die Ausführung außerhalb des OpenAI-Ökosystems belassen.
Das Limit von vier Mitarbeitern pro Workspace erzwingt ebenfalls eine Entscheidung. Ein mittelgroßes Labor mit sechs Postdocs kann nicht alle in einen einzigen Workspace einladen; es muss sich auf zwei aufteilen oder akzeptieren, dass einige Mitglieder ohne Programmzugang arbeiten müssen. Dies begünstigt kleine, fokussierte Teams gegenüber großen Kollaborationsgruppen.
Was die Benchmarks tatsächlich aussagen – und was sie nicht tun
OpenAI hebt zwei Kennzahlen hervor: GPT-5.6 Sol erreicht 83 % bei FrontierMath Tier 4, was einer Steigerung von 10,5 Prozentpunkten gegenüber GPT-5.5 entspricht, und löst 31,5 % der Aufgaben bei GeneBench Pro – mehr als das Doppelte der Leistung des Vorgängers in einer einfacheren Version dieses Benchmarks [1].
Beide Benchmarks enthalten jedoch erhebliche Einschränkungen, die auf der Programmseite nicht prominent aufgeführt werden. FrontierMath wurde mit Geldern von OpenAI entwickelt, wobei das Unternehmen laut der Interessenkonflikt-Offenlegung von Epoch AI exklusiven Zugang zu einer Teilmenge der Benchmark-Probleme behält. GeneBench Pro ist der hauseigene Benchmark von OpenAI, der am 30. Juni 2026 eingeführt wurde. Keiner der beiden wurde unabhängig durch Dritte validiert [1].
Eine Erfolgsquote von 31,5 % bei GeneBench Pro bedeutet auch, dass GPT-5.6 Sol Pro bei etwa sieben von zehn komplexen biologischen Forschungsaufgaben scheitert. Diese Obergrenze deckt sich mit dem, was OpenAI selbst eingeräumt hat: Joy Jiao, die Forschungsleiterin für Life Sciences des Unternehmens, sagte bei der Einführung von GPT-Rosalind im April 2026, dass OpenAI nicht glaube, dass KI in der Lage sei, neue Medikamente eigenständig zu entwickeln [1].
Zusätzlich ergab eine Studie der Washington State University vom März 2026, dass ChatGPT bei Berücksichtigung von Ratespiel-Effekten wissenschaftliche Falschaussagen nur in 16,4 % der Fälle korrekt identifizierte – ein Ergebnis, das die Behauptungen über KI als Forschungsassistenten zur Hypothesenbewertung relativiert [1].
Kritische Betrachtung der Zahlen
Die Ergebnisse von FrontierMath und GeneBench Pro sollten eher als Richtungsweiser denn als Beweis für autonome wissenschaftliche Fähigkeiten betrachtet werden. Ein Modell, das Aufgaben bei Mathematik-Wettbewerben meistert, kann dennoch an der unordentlichen, kontextabhängigen Logik scheitern, die die reale Laborbiologie erfordert. Forscher sollten ihre eigenen Validierungen bei fachspezifischen Aufgaben durchführen, bevor sie den Ausgaben des Modells über das Brainstorming hinaus vertrauen.
Wie der Forschungs-Workflow konzipiert ist
OpenAI rahmt das Programm so ein, dass es den gesamten Bogen wissenschaftlicher Arbeit abdeckt, statt nur einzelne Aufgaben zu lösen. ChatGPT übernimmt die Ideenfindung, die Literaturrecherche, die Hypothesengenerierung und das Entwerfen von Manuskripten. Codex verwaltet die Ausführungsebene: das Schreiben und Debuggen von Analysecodes, das Verarbeiten von Datensätzen und das Erstellen reproduzierbarer Rechen-Workflows. ChatGPT Work – ein Modus für längerfristige, agentische Projekte, der über mehrere Sitzungen hinweg planen und ausführen kann – richtet sich an dauerhafte Projekte wie die Drittmittelakquise, Literaturübersichten und die Manuskriptvorbereitung [1][2].
Die von OpenAI angeführten Verhaltensdaten deuten auf ein echtes Interesse hin. Jede Woche nutzen etwa 1,3 Millionen Menschen ChatGPT für fortgeschrittene Wissenschaft und Mathematik und generieren dabei rund 8,4 Millionen Nachrichten – eine organische Aktivität, die bereits vor dem strukturierten Programm bestand. Forscher, die zu den obersten 20 % der KI-Nutzung in ihrem Fachgebiet gehören, weisen eine fast doppelt so hohe Wahrscheinlichkeit auf als ihre Kollegen, Aufgaben zuzuweisen, die schätzungsweise vier oder mehr Stunden menschlicher Arbeit erfordern: etwa 7 % ihrer Anfragen gegenüber 3,5 % bei weniger intensiven Nutzern in denselben Disziplinen [1][2].
Beispiel-Workflow: Eine Genomik-Pipeline
Eine typische Sitzung könnte damit beginnen, dass ein Forscher eine FASTA-Datei einfügt und ChatGPT bittet, Kandidatengene für einen Phänotyp vorzuschlagen. Das Modell schlägt eine Liste mit Annotationen vor. Der Forscher bittet dann Codex, ein Python-Skript unter Verwendung von BioPython zu erstellen, um diese Kandidaten mit einem Referenzgenom abzugleichen. Codex schreibt das Skript, weist auf eine fehlende Abhängigkeit hin und schlägt einen conda install-Befehl vor. Der Forscher führt das Skript lokal aus, verifiziert die Ausgabe und nutzt ChatGPT Work, um einen Methodenteil zu entwerfen, der die Pipeline beschreibt.
Jeder Schritt spart Zeit, erhöht aber die Abhängigkeit von den Modellen von OpenAI. Wenn sich die Rechenumgebung des Labors ändert oder sich das Verhalten des Modells nach einem Update verschiebt, muss der zuvor generierte Code möglicherweise erneut validiert werden.
Der strategische Kontext: Warum jetzt und worauf Forscher achten sollten
Das Programm fällt mit einer separaten Ankündigung von OpenAI zusammen, die detailliert beschreibt, wie das Unternehmen die Kosten für den Betrieb seiner Agenten drastisch gesenkt hat. Das Schlüsselelement ist das „Agent Harness“, eine Open-Source-Schicht unter Codex und ChatGPT Work, die das Modell, die Tools und den Kontext steuert. Anfang des Jahres liefen einige Entwickler auf monatliche Kosten von 20.000 US-Dollar, während die Agenten Rechenleistung verbrauchten. OpenAI hat das Harness optimiert: GPT-5.6 Sol schlägt nun Claude Fable 5 in einem führenden Coding-Benchmark, während es 54 % weniger Output-Token verbraucht, und ein leichteres Modell, GPT-5.5 Luna, kostet 80 % weniger als Sol. In einer rekursiven Wendung nutzte OpenAI Codex, um seine eigenen Produktionskerne umzuschreiben und zu optimieren, wodurch die Token-Effizienz um mehr als 15 % gesteigert wurde – das Modell half dabei, seine eigenen Kosten zu senken [4].
Günstigere Inferenz ist der Grund, warum OpenAI die Modelle am Anfang der Verkaufstrichter verschenken kann. Unternehmen haben die Abneigung gegen „Tokenmaxxing“ entwickelt – die Gewohnheit, jeder Aufgabe rohe Rechenleistung zuzuwenden; Databricks gibt an, dass die Senkung der KI-Kosten nun die wichtigste Frage ist, die Kunden stellen. Das Verschenken und die Kostensenkung sind Teil derselben Strategie [4].
Das Abhängigkeitsrisiko
Kostenlose High-End-Tools vertiefen die Abhängigkeit des Fachbereichs von dem Stack eines einzelnen Unternehmens – genau in dem Moment, in dem OpenAI lernt, diesen Stack kostengünstiger zu betreiben. Eine ganze Generation von Wissenschaftlern dazu zu bringen, „innerhalb von ChatGPT zu denken“, ist eine eigene Art von Burggraben (Moat). Anthrophics konkurrierendes Angebot „Claude Science“, das fünf Wochen früher startete, verzichtet auf die von OpenAI erforderliche Identitätsprüfung und bietet somit eine Alternative für Forscher, die einen schnelleren Zugang wünschen [1][4].
Forscher, die dem Programm beitreten, sollten dokumentieren, welche Teile ihres Workflows von OpenAI-spezifischen Tools abhängen, und Fallback-Lösungen bereithalten. Ein Labor, das Codex zur Codegenerierung nutzt, aber seine Ausführungsumgebung in Standard-Python belässt, kann das Modell mit moderatem Aufwand wechseln. Ein Labor, das tief auf den über 75 Konnektoren von OpenAI aufbaut, steht vor einer deutlich schwierigeren Migration.
Praktische nächste Schritte für interessierte Forscher
Wenn Sie die Zulassungskriterien erfüllen, ist die Bewerbung ab sofort über das Help Center von OpenAI möglich. Bereiten Sie Ihre SheerID-Verifizierung und ein qualifizierendes Preprint aus den letzten drei Jahren vor. Überlegen Sie, welche Mitarbeiter Sie einladen möchten – jeder zählt zum Programm-Limit und muss sich unabhängig verifizieren.
Wägen Sie ab, ob Ihr Workflow mehr von OpenAIs integrierter Toolchain oder von Anthrophics leichter gewichteter, aber sofort zugänglicher Claude Science profitiert. Und betrachten Sie die Benchmark-Behauptungen als Richtungsweiser, nicht als Garantien: Das Modell scheitert immer noch an den meisten komplexen biologischen Aufgaben und hat Schwierigkeiten, wissenschaftliche Falschaussagen zuverlässig zu kennzeichnen.
Quellen
- OpenAI Launches Free AI Access for Scientists: Apply Now, Model Weights…
- OpenAI launches free ChatGPT program for 100,000 academic researchers
- OpenAI Will Provide Free AI Models To Select Researchers
- OpenAI gives 100,000 scientists free AI, and shows how - TNW
- OpenAI Research | Release
- Prism | A free, LaTeX Editor and AI-native workspace for… - OpenAI
- OpenAI launches GPT-5 free to all ChatGPT users - Ars Technica
