KI-Workflow für eine PhD-Thesis: Vom Entwurf bis zur Einreichung

Ein KI-Workflow, den PhD-Kandidat*innen vertreten können, hängt davon ab, wo jedes Tool im Prozess verankert ist – nicht davon, wie viel KI insgesamt verwendet wird. Die PhD-Studierenden, die 2026 pünktlich fertig werden, sind nicht diejenigen, die die meiste KI nutzen; es sind diejenigen, die eine kleine Anzahl von KI-Tools in klaren Rollen innerhalb eines einjährigen Workflows einsetzen und in den Teilen der Thesis, die für die Verteidigung entscheidend sind, ihre eigene Stimme beibehalten. McGills Leitlinie für die Graduiertenstudien (Mai 2026) und Princetons Richtlinie zur wissenschaftlichen Integrität sagen dasselbe in unterschiedlichen Worten: KI-Nutzung ist an den meisten Einrichtungen grundsätzlich erlaubt, muss jedoch offengelegt werden – und die Offenlegung ist nur dann sinnvoll, wenn der Workflow strukturiert genug ist, um ihn beschreiben zu können.

Wir haben das redaktionelle Rückstau-Volumen von 38 Dissertationen über das akademische Jahr 2025–2026 abgearbeitet (Geisteswissenschaften, Sozialwissenschaften, Biomedizin, Informatik, Ingenieurwesen). Das Muster, das in jedem Fall die Verteidigung überstanden hat, war identisch: fünf Tools, fünf Phasen, ein Kalenderjahr von der Kapitel-Erstellung bis zur gedruckten Endfassung. Wer versuchte, den Workflow auf sechs Monate zu komprimieren, verließ sich in der Schreibphase zu stark auf KI und musste im Rahmen der Korrekturen zur Verteidigung große Teile neu formulieren. Wer ihn über zwölf Monate verteilte, nutzte KI in den frühen Monaten als wissenschaftlichen Verstärker für die Recherche und in den späten Monaten als Partner für das Lektorat – während die eigentliche, inhaltliche Ausarbeitung in der Mitte von Hand erfolgte.

Dieser Beitrag beschreibt genau jenen einjährigen KI-Workflow für eine PhD-Thesis. Die fünf Phasen, jeweils ein Tool pro Phase, die Monate, in denen Sie sie ausführen, die Offenlegungserklärung bei der Einreichung sowie die Dinge, die niemals an KI delegiert werden sollten. Die Rahmung geht von einer geisteswissenschaftlichen oder sozialwissenschaftlichen Thesis mit 60.000 bis 100.000 Wörtern aus; biomedizinische und ingenieurwissenschaftliche Arbeiten folgen demselben Grundmuster auf einem kürzeren Zeitplan.

Welchen KI-Workflow verwenden PhD-Autor*innen vom Entwurf bis zur Einreichung?

Dabei werden fünf KI-Tools in fünf Phasen über ein Kalenderjahr verteilt: NotebookLM für die Literatursichtung in den Monaten 1 bis 4, Claude Sonnet für das Kapitel-Drafting in den Monaten 4 bis 9, Zotero für das Referenzmanagement in den Monaten 9 bis 11, ProofreaderPro AI für das Sprachlektorat in den Monaten 10 bis 12 sowie Turnitin Clarity mit einer Offenlegungserklärung im Monat 12. Die inhaltliche Ausarbeitung bleibt bei der/dem Kandidat*in, und jede Phase wird bei der Einreichung offengelegt. Das ist es, was McGills Leitlinie für Mai 2026 und Princetons Richtlinie zur wissenschaftlichen Integrität erwarten: KI-Nutzung, die zulässig ist, offengelegt und strukturiert genug beschrieben wird.

Die fünf Phasen und jeweils ein Tool

Der folgende Workflow ist das, was wir unseren Doktorand*innen empfehlen. Die Tools sind nicht die einzigen Optionen in jeder Phase; aber sie haben in unserem redaktionellen Sample die überzeugendsten, am ehesten verteidigbaren Thesis-Entwürfe hervorgebracht.

Drei Muster aus der Tabelle. Erstens: Das Tool wechselt je Phase; ein universelles Tool, das „alles kann“, ist ein schlechterer Workflow als fünf zweckgebundene Tools, die sequenziell eingesetzt werden. Zweitens: Die Schreibmonate (4 bis 9) nutzen Claude als strukturellen Assistenten statt als Drafting-Maschine; die inhaltliche Prosa bleibt Ihre. Drittens: Der Einreichungsmonat (12) ist für den Turnitin-Selbstcheck und die Offenlegungserklärung nicht verhandelbar – unabhängig davon, wie viel KI zuvor eingesetzt wurde.

Wie führt man eine KI-Literaturrecherche für eine Thesis mit NotebookLM durch?

Die ersten vier Monate sind Aufbau des Korpus, Lesen und Synthese. NotebookLM ist hier das richtige Tool, weil es genau das eine tut, was die Schreibmodelle schlecht können: Es verankert jeden Zusammenfassungssatz an einer verifizierbaren Quellspanne in den hochgeladenen PDFs.

Richten Sie das Korpus ein. Erstellen Sie in Zotero die zentrale Leseliste. Exportieren Sie die PDFs in ein oder mehrere NotebookLM-Notebooks (50 Quellen pro Notebook im Free-Tier; 300 im Plus-Tier). Gruppieren Sie nach Thema statt chronologisch; ein Thesis-Lit-Review wird durch Argumente strukturiert, nicht durch Publikationsdaten.

Führen Sie die Synthese-Prompts aus. Stellen Sie NotebookLM für jedes thematische Notebook drei Fragen: Was sind die dominanten Befunde? Welche methodischen Uneinigkeiten nennt die Literatur? Welche Lücken werden anerkannt? NotebookLM liefert quellenverankerte Antworten, die Sie mit zwei Klicks verifizieren können. Die Synthese ist Ihr Input für das Lit-Review-Kapitel; das Schreiben ist weiterhin Ihres.

Extrahieren Sie strukturierte Befunde pro Paper. Für Papers mit hoher Relevanz führen Sie die vier Prompt-IMRaD-Extraktion aus (siehe unseren extrahieren Sie zentrale Befunde aus Forschungspapieren mit AI-Guide) und fügen die strukturierte Ausgabe in das Notes-Feld des Zotero-Eintrags ein. Das ist die Grundlage für jede Fußnote in Ihrem Lit-Review.

Was Sie niemals tun sollten. Fügen Sie die NotebookLM-Zusammenfassung nicht in Ihren Entwurf ein. Die Synthese ist ein Recherche-Hilfsmittel; das Schreiben bleibt Ihres. Der Vier-Prompts-Verifikationsschritt (numerisches Spot-Checking, Hedge Preservation, Vollständigkeit der Limitationen, Zitationskette) dauert 10 Minuten pro Paper und fängt die halluzinierten 10 Prozent ab, die die Cochrane-Studie 2025 als Problem markierte. Überspringen Sie die Verifikation einmal, und die Zitationskette bricht irgendwo auf dem Weg weiter bis in die Verteidigung.

Das Kapitel zur Literatursichtung ist das erste Kapitel, das Sie entwerfen, aber das letzte, das Sie finalisieren. Rechnen Sie damit, es dreimal zu überarbeiten: einmal nach dem Methodenkapitel, einmal nach den Ergebnissen und einmal im Rahmen der Korrekturen zur Verteidigung.

Wie sollten PhD-Studierende KI für das Schreiben von Thesis-Kapiteln mit Claude nutzen?

Die Drafting-Monate sind die längste Phase des Workflows und zugleich diejenige, in der KI-Nutzung am häufigsten kritisch hinterfragt wird. Das Muster, das eine Verteidigung übersteht, besteht darin, Claude als strukturellen Assistenten und Outline-Kollaborateur zu verwenden – nicht als Drafting-Maschine.

Erstellen Sie die Gliederung zuerst. Schreiben Sie vor jeder Prosa zunächst eine einseitige Gliederung des Kapitels von Hand: das Argument, die Unterargumente, die Evidenz für jedes Element, die Lücken, die Sie adressieren werden. Fügen Sie die Gliederung in Claude ein und bitten Sie um zwei Dinge: strukturelles Feedback dazu, ob der Argumentationsfluss funktioniert, sowie eine Liste von Referenzen aus Ihrer Zotero-Bibliothek, die Sie bisher noch nicht zitiert haben, aber wahrscheinlich sollten. Claude ist in beidem gut.

Entwerfen Sie Abschnitt für Abschnitt, nicht Kapitel für Kapitel. Schreiben Sie die Prosa jedes Abschnitts selbst, und fügen Sie sie dann in Claude mit dem Prompt „tighten the academic register without changing meaning“ ein. Für kurze Passagen (500 bis 1.000 Wörter) ist das für Claude verlässlich; bei vollständigen Kapitel-Remakes dagegen unzuverlässig. Fachspezifisches Vokabular bleibt Ihres; die Bereinigung auf Satzebene ist der Bereich, in dem Claude hilft.

Nutzen Sie den Hedge-Preservation-Prompt. Wenn Sie Claude bitten, eine Passage zu bearbeiten, hängen Sie „preserve every hedging word from the source ('may,' 'suggests,' 'consistent with,' 'preliminary').“ an. Das ist die wichtigste Prompt-Gewohnheit für wissenschaftliche Prosa; ohne sie entfernen KI-Editoren Hedges und blähen Sicherheit auf eine Weise auf, die einer Peer-Review voraussichtlich nicht standhält.

Lassen Sie Claude niemals Zitationen generieren. Claude erzeugt plausible Referenzen, die nicht existieren. Jede Zitation in der Thesis stammt aus Zotero, jede Referenz wird in der Originalquelle verifiziert, und jeder von Claude generierte Text, der ein Paper erwähnt, aber keine zotero-gestützte Zitation enthält, wird gelöscht, bevor er den Entwurf verlässt. Unser halluzinierte-Zitations-Audit deckt die typischen Versagensmodi ab.

Dokumentieren Sie die KI-Nutzung fortlaufend. Führen Sie ein laufendes Log in einer Sidecar-Datei: Welche Abschnitte wurden mit Claude editiert, welche Prompts haben Sie verwendet, und welche Abschnitte sind vollständig Ihre eigenen. Das Log ist das, was die Offenlegungserklärung im Monat 12 speist. Rekonstruieren Sie es am Ende aus dem Gedächtnis, und Sie werden die Offenlegung falsch machen.

Die Drafting-Monate erzeugen den chaotischsten Entwurf des Jahres. Das ist richtig. Das Feinschliff findet in den Monaten 10 bis 12 statt.

Monate 9 bis 11: Referenzmanagement und Zitationsformatierung

Die Zitationsarbeit läuft kontinuierlich, erreicht aber ihren Höhepunkt in der Phase der Kapitel-Konsolidierung. Zotero ist hier das kanonische Tool und zugleich die einzige Stelle im Workflow, an der ein Toolwechsel inmitten der Thesis tatsächlich schmerzhaft ist.

Eine Bibliothek, eine gemeinsame Sammlung. Eine einzelne Zotero-Bibliothek für die Thesis, organisiert in Sammlungen nach Kapitel – plus eine zentrale Sammlung „all references“, die alles zusammenzieht. Synchronisieren Sie täglich in die Cloud; Datenverlust mit Bezug zur Thesis ist der schlimmste Fehlerfall in diesem Workflow.

Fixieren Sie den Zitationsstil früh. Wählen Sie den Stil, den Ihre Einrichtung verlangt (APA 7, Chicago 17 author-date, Vancouver oder eine fachspezifische Variante) und fixieren Sie ihn im Zotero-Word-Processor-Plugin. Ein Wechsel der Stile im Monat 11 führt zu Formatierungsfehlern, die Tage brauchen, um sie zu bereinigen. Unser Guide zur Zitationsformatierung deckt die vier häufigsten Stile ab.

Führen Sie im Monat 11 einen Audit der Referenzliste durch. Drucken Sie die Referenzliste. Vergleichen Sie sie Kapitel für Kapitel mit den In-Text-Zitationen. Jede Referenz in der Liste sollte mindestens einmal im Fließtext vorkommen; jede In-Text-Zitation sollte zu einer Referenz in der Liste auflösbar sein. Der Citation-Audit vor der Einreichung ist ein separater Workflow, den wir im Audit-Guide abdecken; die Kurzfassung lautet: 4 bis 7 Prozent der Theses, die wir in diesem Stadium prüfen, haben verwaiste Zitationen oder nicht referenzierte Quellen.

Umgang mit LLM-Zitationen. Wenn Sie Claude, NotebookLM oder irgendein anderes KI-Tool als inhaltliche Unterstützung genutzt haben (nicht nur zum Edits), wird das Tool selbst zu einer zitierfähigen Quelle – im Rahmen der Richtlinie Ihrer Einrichtung. McGills Leitlinie für Mai 2026 und Princetons Policy behandeln substantielle KI-Nutzung beide als etwas, das in einer separaten Erklärung offengelegt werden muss, statt in der Bibliografie zu zitieren; die AI-Offenlegungserklärung-Vorlage deckt die sprachliche Ausgestaltung pro Publisher ab.

Wie nutzt man KI für ein Dissertation-Korrektorat vor der Einreichung?

Die Korrektoratsmonate sind der Zeitpunkt, an dem das Manuskript aus dem Entwurf zu einer verteidigungsfähigen Thesis wird. Das Zeitfenster ist kurz und die Arbeit ist dicht.

Runde 1: strukturelles und inhaltliches Lektorat (Ihr Werk). Lesen Sie die gesamte Thesis von Anfang bis Ende in einem Durchgang. Machen Sie sich Notizen zum Argumentationsfluss, zu Übergängen zwischen Kapiteln und zu allen Stellen, an denen die Argumentation dünn wird. Diese Runde können nur Sie machen; kein KI-Tool kann das Gesamtargument einer 80.000-Wort-Thesis gut genug als Einheit beurteilen.

Runde 2: sprachliches Lektorat (KI-gestützt). Lassen Sie jedes Kapitel über einen Editor im akademischen Register laufen. Ziel sind Konsistenz der Stimme, Fluss auf Absatzebene und die Entfernung verbaler Eigenheiten, die sich in einen jahrelangen Entwurf einschleichen. Das Tool muss Hedge Preservation, akademische Vokabeln und zitationssicheres Editing beherrschen; Consumer-Tools wie Grammarly sind dafür nicht gebaut. Unser KI-Lektor ist für diese Phase des Thesis-Workflows gezielt konzipiert.

Runde 3: Copyediting (finaler Durchlauf). Seitenbasiertes Korrektorat für Tippfehler, Formatkonsistenz, Tabellen- und Abbildungsreferenzen, Seitenumbrüche. Diese Runde fängt das ab, was das inhaltliche Editing übersehen hat. Planen Sie mindestens zwei Wochen ein; diese Runde zu überstürzen ist die häufigste Ursache für Korrekturen nach der Verteidigung.

Führen Sie den AI-Integritätscheck durch. Drei Dinge vor der Einreichung verifizieren: Jede In-Text-Zitation verweist auf einen Eintrag in der Referenzliste, jeder Eintrag der Referenzliste erscheint im Fließtext, und das KI-Offenlegungslog ist vollständig genug, um die Offenlegungserklärung zu befüllen. Die process-is-the-new-proof-Rahmung ist das, was die Thesis verteidigt, falls im Rahmen der Verteidigung jemand die KI-Nutzung hinterfragt: Nachvollziehbare Änderungen und Prozessdokumentation sind der Beleg, nicht die Abwesenheit von KI-Nutzung.

Monat 12: Einreichung, Turnitin-Selbstcheck und die Offenlegungserklärung

Der letzte Monat ist formal, aber risikoreich. Drei Schritte nacheinander; nicht komprimieren.

Schritt 1: Führen Sie Turnitin selbst aus, bevor Sie einreichen. Ihre Einrichtung führt Turnitin aus, sobald Sie einreichen. Wenn Sie es vorher selbst laufen lassen, haben Sie die Gelegenheit, unbeabsichtigte Ähnlichkeiten zu adressieren (zu nahe an der Quelle paraphrasiert, eine Zitation übersehen, Selbstplagiat aus einem veröffentlichten Kapitel), bevor die offizielle Einreichung erfolgt. Die 2026 Clarity-Funktion von Turnitin erzeugt außerdem einen Prozentsatz für AI-Content; der Score ist nicht autoritativ, aber wenn Sie ihn vor der Einreichung prüfen, können Sie einschätzen, welche Fragen in der Verteidigung wahrscheinlich sind.

Schritt 2: Erstellen Sie die Offenlegungserklärung. Die meisten Universitäten und Journals verlangen 2026 bei der Einreichung eine kurze Erklärung zur KI-Nutzung. Die Struktur, die McGill, Princeton, Johns Hopkins, Imperial College und den meisten US-R1-Einrichtungen entspricht: Nennen Sie die Tools, nennen Sie die Phasen, nennen Sie den Zweck und nennen Sie die Verifikationsschritte, die Sie durchgeführt haben. Die Offenlegung gehört in das Vorwort, die Danksagungen oder eine dedizierte Methodik-Untersektion – je nach Präferenz Ihrer Einrichtung.

Disclosure of generative AI use:

Literaturübersicht und Quellen­synthese: NotebookLM wurde verwendet, um quellenverankerte Zusammenfassungen der 187 Papers im Lese-Korpus zu erstellen. Alle Zusammenfassungen wurden vor der Aufnahme in das Kapitel zur Literaturübersicht anhand der Originalquellen überprüft.

Kapitelentwurf: Claude Sonnet wurde für strukturelles Feedback zu Kapitelentwürfen sowie für ein Bearbeiten im akademischen Register auf Satzebene des bereits ausgearbeiteten Textes verwendet. Kein Abschnitt der Arbeit wurde zunächst von Claude erstellt; der gesamte inhaltliche Fließtext wurde von der Kandidatin bzw. dem Kandidaten verfasst.

Sprachbearbeitung und Korrekturlesen: [Tool name] wurde für die Sprachbearbeitung am finalen Entwurf verwendet. Alle Änderungen wurden von der Kandidatin bzw. dem Kandidaten geprüft und entweder akzeptiert oder abgelehnt.

Reference management: Zotero (no AI features used beyond the
in-text citation plugin).

AI tools were not used to generate substantive content, analyse
data, or produce citations.

Passen Sie die Sprache an die Formulierungen Ihrer Einrichtung an. Die Struktur (Tools + Phasen + Zweck + Verifikation) ist der Teil, der bei institutionellen Unterschieden stabil bleibt.

Schritt 3: Die Verteidigungsprobe beinhaltet die KI-Offenlegung. Seien Sie darauf vorbereitet, in der Verteidigung zwei Fragen zu beantworten: Welche Tools Sie in welchen Phasen genutzt haben – und wie Sie die Ausgabe verifiziert haben. Die Studierenden, die beide Fragen in unserem Sample sicher beantworten konnten, bestanden ohne Nachfragen. Die Studierenden, die die Tools oder die Verifikationsschritte nicht benennen konnten, erhielten nach der Verteidigung eine Anfrage für ein Follow-up-Dokument.

Für die KI-Integritätsarbeit im Speziellen ist unser KI-Lektor so aufgebaut, dass er den in diesem Abschnitt beschriebenen Verifikations-Workflow abbildet: Validierung der Zitationskette, Erkennung halluzinierter Referenzen, Hedge Preservation sowie ein AI-Integritätsreport, den Sie an Ihre Offenlegungserklärung anhängen können.

Häufig gestellte Fragen

F: Ist es ethisch, 2026 KI für eine PhD-Thesis zu verwenden?

Ja, mit Offenlegung und Verifikation. Die meisten Universitäten (McGill, Princeton, Johns Hopkins, Imperial College sowie die große Mehrheit der US-R1-Einrichtungen im Stand Mitte 2026) erlauben die Nutzung von KI für Thesis-Arbeiten ausdrücklich, solange sie bei der Einreichung offengelegt wird und solange der substantielle intellektuelle Beitrag bei der/dem Kandidat*in bleibt. Unethisch ist das Muster der nicht offengelegten KI-Generierung substantieller Prosa; ethisch ist die strukturierte KI-Nutzung über Literatursynthese, Schreibunterstützung und Korrektorat hinweg – mit klarer Offenlegung bei der Einreichung. Der oben beschriebene Fünf-Tools-Workflow ist für dieses ethische Muster gebaut.

F: Wie viel meiner PhD-Thesis darf mit KI geschrieben werden?

Der substantielle intellektuelle Beitrag muss Ihre eigene Arbeit bleiben; KI ist als Recherchehilfe, als Lektorats-Partner und als struktureller Kollaborateur erlaubt – aber nicht als Autorenschaft. Praktisch gesehen über unser Doktoranden-Sample: Prompts für Literatursynthese werden von KI generiert und verifiziert; Kapitelgliederungen werden von Menschen erstellt und mit KI-Feedback ergänzt; Kapitelprosa wird von Menschen geschrieben und mit KI-Line-Editing überarbeitet; Zitationen stammen vollständig aus Zotero, ohne KI-Generierung. Der Turnitin- Clarity-Score für AI-Content bei einer verteidigungsfähigen Thesis, die den obigen Workflow nutzt, liegt typischerweise unter 15 Prozent.

F: Welches KI-Tool ist am besten für das Schreiben eines PhD-Thesis-Kapitels?

Claude Sonnet für strukturelles Feedback und Lektoratsarbeit im akademischen Register für abgeschlossene Prosa; Claudes Long-Context (200K Tokens) bewältigt auch das Editing ganzer Kapitel, und Hedge Preservation ist unter den aktuellen LLMs die verlässlichste Eigenschaft. NotebookLM für die Prompts zur Literatursynthese, die das Kapitel speisen. Keines der beiden Tools sollte das Kapitel im ersten Schritt generieren; das menschliche Schreiben ist das, was die Verteidigung übersteht. Unser bestes KI-Summarizer für Research Papers im 2026-Benchmark behandelt den Tool-Vergleich ausführlich.

F: Muss ich die KI-Nutzung in meiner PhD-Thesis offenlegen?

Ja, in den meisten Einrichtungen im Jahr 2026. McGills Leitlinie zu den Graduiertenstudien (Mai 2026), Princetons Richtlinie zur wissenschaftlichen Integrität, Johns Hopkins’ Richtlinie zum verantwortungsvollen Einsatz sowie die Prinzipien von Imperial College verlangen alle eine Offenlegungserklärung, wenn KI substantiv in der Thesis-Arbeit genutzt wird. Die Offenlegungsstruktur, die den meisten Institutionen genügt: Nennen Sie die Tools, nennen Sie die Phasen der Nutzung, nennen Sie den Zweck und nennen Sie die Verifikationsschritte. Die Vorlage im Abschnitt zur Einreichung oben ist ein Ausgangspunkt; prüfen Sie die bevorzugte Formulierung Ihrer Einrichtung vor der Einreichung.

F: Können KI-Erkennungs-Tools anzeigen, ob ich Claude oder ChatGPT zum Editen verwendet habe?

Erkennungs-Tools (Turnitin Clarity, GPTZero, Originality.ai) berichten Wahrscheinlichkeits-Scores für KI-Content – nicht tool-spezifische Signaturen – und die Scores sind 2026 nicht verlässlich genug, um für akademische Entscheidungen maßgeblich zu sein. Ein verteidigungsfähiger Workflow besteht nicht darin, Erkennung zu umgehen, sondern die Nutzung offenzulegen, die Ausgabe zu verifizieren und sich auf die Prozessaufzeichnungen zu verlassen (nachvollziehbare Änderungen, Sidecar-Log der KI-Nutzung, Validierung der Zitationskette) als Beleg dafür, dass die substantielle Arbeit Ihre eigene ist. Die process-is-the-new-proof-Rahmung behandelt das im Detail; die Kurzfassung lautet: Prozessaufzeichnungen sind heute stärkere Evidenz als Erkennungsscores.