KI schreibt den Code – aber können Sie die Analyse noch erklären?

KI-Unterstützung bei Statistik ist längst kein Randthema mehr. Die entscheidende Frage lautet aber nicht, ob KI Statistik kann. Die Frage ist, ob Sie nach KI-Unterstützung noch erklären können, wie Ihre Statistik entstanden ist.

KI sitzt jetzt direkt in der Analyse

Lange war KI-Unterstützung bei Datenanalysen ein Umweg: Fehlermeldung kopieren, in einen Chatbot einfügen, Antwort zurückkopieren. Das ändert sich gerade grundlegend.

Mit dem Posit Workbench Update vom April 2026 ist der sogenannte Posit Assistant als Preview direkt in RStudio und Positron integriert. Posit beschreibt ihn als data-science-focused AI agent, der den vollständigen Session-Kontext versteht und im laufenden Workflow beim Datenbereinigen, Erkunden von Mustern, Modelltrainieren oder App-Bauen unterstützen kann.

KI sitzt damit nicht mehr nebenan. Sie sitzt mitten im Prozess, genau dort, wo Analyseschritte entstehen, Daten transformiert werden und Modellentscheidungen fallen.

Das klingt zunächst wie eine Entlastung. Für Studierende, die ohnehin mit Fehlermeldungen kämpfen, Paketversionen verwechseln oder sich unsicher bei der Syntax fühlen, wirkt ein KI-Assistent direkt in der IDE wie eine verlässliche zweite Meinung. Genau darin liegt aber die Spannung, die dieser Beitrag aufzeigen will.

Lauffähig ist nicht gleich korrekt

Es gibt einen verbreiteten Denkfehler, der sich mit KI-Assistenz noch verstärkt: Wenn der Code läuft und keine Fehlermeldung erscheint, ist die Analyse richtig.

Eine aktuelle Studie von Forschenden des GESIS Leibniz-Instituts und der University of Koblenz zeigt, wie trügerisch dieser Gedanke ist. Die Studie untersuchte fünf vollständig reproduzierbare R-basierte sozialwissenschaftliche Studien und erzeugte daraus 130 synthetische Testfälle mit realistischen Fehlern. KI-basierte Workflows sollten diese Fehler beheben.

Was zählt als Erfolg?

Entscheidend war die Definition von Erfolg: Nicht, ob der Code ohne Fehlermeldung läuft. Sondern ob die erzeugten Ergebnisse mit den tatsächlich erwarteten Outputs übereinstimmen.

Bei promptbasierten Ansätzen lag die Erfolgsrate je nach Fehlerkomplexität zwischen 31 und 79 Prozent. Agentenbasierte Workflows, die Projektdateien inspizieren, gezielte Änderungen vornehmen und Analysen erneut ausführen, erreichten 69 bis 96 Prozent.

Das bedeutet auch im besten Fall: Selbst agentenbasierte KI-Workflows erzeugen in einem nennenswerten Anteil der Fälle Code, der läuft, aber nicht das richtige Ergebnis produziert. Ausführbarkeit und Korrektheit sind zwei verschiedene Dinge.

Wo Analysen unsichtbar werden

Für empirische Abschlussarbeiten entsteht dadurch ein konkretes Risiko. KI kann Bereinigungsschritte beschleunigen, Syntax ergänzen und Modellentscheidungen vorschlagen. All das passiert aber schnell und oft ohne sichtbare Spur.

Was bleibt, ist ein Skript, das am Ende läuft. Was fehlt, ist die Antwort auf die Fragen, die im Kolloquium gestellt werden.

Die typischen Lücken in der Praxis

Laut dem Posit-Open-Source-Beitrag zu reproduzierbaren Workflows in R entstehen Reproduzierbarkeitsprobleme vor allem durch diese Ursachen:

• Desorganisierter oder unkommentierter Code ohne klare Schrittfolge
• Versionskonflikte zwischen Paketen oder Betriebssystemen
• Fehlende Random Seeds bei Simulationen, Stichprobenziehungen oder Modellen
• Keine Trennung zwischen Rohdaten und bereinigten Daten
• Transformationen, die manuell statt per Syntax vorgenommen wurden
• Fragile Dateipfade, die auf einem anderen Rechner nicht funktionieren

Diese Probleme existieren unabhängig von KI. Aber KI-Assistenz macht sie unsichtbarer, weil Änderungen schneller entstehen und seltener bewusst notiert werden.

Reproduzierbarkeit als Schutzschild

Hier kommt der entscheidende Dreh: KI macht Statistik nicht automatisch weniger reproduzierbar. Sie macht schneller sichtbar, ob ein Projekt sauber strukturiert ist oder nicht.

In einer gut dokumentierten Analyseumgebung kann KI sinnvoll unterstützen. In einem chaotischen Projekt verstärkt KI die Intransparenz, weil Entscheidungen noch schneller verschwinden, als sie entstehen.

Was Reproduzierbarkeit konkret bedeutet

Der Posit-Beitrag beschreibt einen praxisnahen Workflow mit Git, renv, Quarto und GitHub, der vom Datenbereinigen bis zur Manuskripterstellung reicht. Der Kerngedanke: Reproduzierbarkeit beginnt nicht beim finalen Output, sondern bei der Projektstruktur.

In der Praxis zeigt sich allerdings, dass genau dieser Schritt oft unterschätzt wird. Viele Studierende denken an Reproduzierbarkeit erst dann, wenn sie gefragt werden. Eine saubere Analyseakte entsteht aber nur, wenn sie von Anfang an mitgedacht wird.

Ein Skript, das läuft, ist noch keine Analyse, die trägt. Wissenschaftlich belastbar wird ein Ergebnis erst, wenn der Weg dorthin dokumentiert, reproduzierbar und erklärbar bleibt.

Ihre Analyseakte in der Praxis

Was bedeutet das konkret für Ihre empirische Arbeit? Die folgende Checkliste zeigt, welche Punkte eine belastbare Analyseakte abdecken sollte, unabhängig davon, ob Sie KI-Unterstützung nutzen oder nicht.

KI als zusätzlicher Grund für Dokumentation

Die Empfehlung von QuantExpert ist klar: KI-Assistenz ist kein Tabu. Sie kann bei Syntax, Datenaufbereitung, Fehlerbehebung und Codestruktur sinnvoll unterstützen. Überschätzt wird aber die Idee, dass KI automatisch methodische Sicherheit schafft.

KI ist kein Ersatz für methodische Verantwortung. Sie ist ein zusätzlicher Grund, methodische Verantwortung besser zu dokumentieren.

Was das für Ihre Verteidigung bedeutet

Im Kolloquium werden Sie nicht gefragt, ob Ihr Skript läuft. Sie werden gefragt, welche Daten Sie verwendet haben, warum Sie sich für ein bestimmtes Modell entschieden haben, was der Bereinigungsschritt an Stelle 3 bewirkt hat und ob Ihr Ergebnis stabil bleibt.

Diese Fragen können Sie nur beantworten, wenn Sie die Analyse nicht nur ausgeführt, sondern nachvollziehbar geführt haben. Je smarter die Tools werden, desto wichtiger wird eine saubere Analyseakte.