Tom Zahavys Positionspapier greift eine in der KI-Forschung weit verbreitete Annahme an: dass wissenschaftliche Entdeckung im Kern ein Vorhersage- oder Datenkomprimierungsproblem sei – und damit prinzipiell durch skalierte Sprachmodelle lösbar. Zahavy differenziert stattdessen drei logisch distinkte Reasoning-Fähigkeiten. Induktion bezeichnet das Ableiten allgemeiner Regeln aus konkreten Beispielen – die Stärke heutiger LLMs durch Training auf großen Datensätzen. Deduktion beschreibt das Folgerichtig-Schließen aus gegebenen Prämissen, was Modelle über Chain-of-Thought-Techniken zunehmend demonstrieren. Abduktion hingegen meint das Aufstellen einer neuen, plausiblen Erklärung für eine überraschende Beobachtung – also das, was in der Wissenschaft als Hypothesenbildung gilt. Gerade diese dritte Fähigkeit, so das Argument, ist in heutigen Architekturen strukturell unterrepräsentiert, weil sie nicht direkt durch Muster in Trainingsdaten optimiert werden kann. Das Papier positioniert sich damit als konzeptioneller Beitrag zur Debatte um „AI for Science" und zeigt Grenzen des aktuellen Paradigmas auf, ohne konkrete Architekturlösungen vorzuschlagen.