This conceptual paper examines how widespread use of AI-assisted scientific search may influence the distribution of collective scientific attention. Rather than focusing on the quality or validity of scientific results, the paper investigates how shared embedding-based retrieval infrastructures may shape what researchers encounter—and what they collectively overlook. The central contribution is a distinction between coverage and correlation of blind spots. Traditional scientific search is characterized by distributed human blind spots arising from disciplinary specialization, jargon barriers, citation clustering, and bounded rationality. In contrast, shared AI retrieval systems may reduce some of these distributed blind spots while simultaneously increasing the correlation of omissions across researchers. The paper introduces the concept of correlated algorithmic blind spots, develops a falsifiable conceptual framework, provides operational definitions, and outlines an empirical research agenda. It does not claim that AI improves or degrades science, nor that it alters scientific validation. Instead, it proposes that shared retrieval infrastructures may modify search pathways and thereby influence the correlation structure of collective scientific attention. The manuscript includes two conceptual figures and three appendices, including operational definitions, a minimal sampling model, and a toy simulation illustrating the logical distinction between coverage and correlation. Keywords:Science of Science, Collective Attention, Scientific Search, Information Retrieval, Embedding Spaces, Artificial Intelligence, AI-Assisted Search, Algorithmic Blind Spots, Scientific Discovery, Epistemic Diversity, Citation Networks, Search Infrastructure, Knowledge Discovery, Research Evaluation, Scientometrics, Quantitative Science Studies, Information Access, Sampling Bias, Collective Intelligence, Science Policy Zenodo Beschreibung (Deutsch) Shared Embeddings, Shared Blind Spots: How AI Search Infrastructure Shapes Collective Scientific Attention Dieses konzeptionelle Paper untersucht, wie die zunehmende Nutzung KI-gestützter wissenschaftlicher Suchsysteme die Verteilung kollektiver wissenschaftlicher Aufmerksamkeit beeinflussen könnte. Im Mittelpunkt steht nicht die Qualität oder Gültigkeit wissenschaftlicher Ergebnisse, sondern die Frage, wie gemeinsame embedding-basierte Suchinfrastrukturen bestimmen könnten, welche Informationen Forschende wahrnehmen – und welche sie gemeinsam übersehen. Der zentrale Beitrag des Papers ist die Unterscheidung zwischen Abdeckung (Coverage) und Korrelation von blinden Flecken (Correlation of Blind Spots). Traditionelle wissenschaftliche Suche erzeugt verteilte menschliche blinde Flecken, die aus Spezialisierung, Fachsprache, Zitationsclustern und begrenzter Rationalität entstehen. Gemeinsame KI-Suchinfrastrukturen könnten einige dieser verteilten blinden Flecken reduzieren, gleichzeitig aber stärker korrelierte algorithmische blinde Flecken erzeugen. Das Paper führt den Begriff der korrelierten algorithmischen blinden Flecken ein, entwickelt einen falsifizierbaren konzeptionellen Rahmen, liefert operationale Definitionen und formuliert eine empirische Forschungsagenda. Es wird ausdrücklich nicht behauptet, dass KI Wissenschaft verbessert oder verschlechtert oder die wissenschaftliche Validierung verändert. Die Arbeit argumentiert lediglich, dass gemeinsame Suchinfrastrukturen Suchpfade verändern und dadurch die Korrelationsstruktur kollektiver wissenschaftlicher Aufmerksamkeit beeinflussen könnten. Das Manuskript enthält zwei konzeptionelle Abbildungen sowie drei Anhänge mit operationalen Definitionen, einem Minimalmodell und einer illustrativen Toy-Simulation. Schlüsselwörter:Wissenschaftsforschung, Science of Science, Kollektive Aufmerksamkeit, Wissenschaftliche Suche, Informationsretrieval, Embedding-Räume, Künstliche Intelligenz, KI-gestützte Suche, Algorithmische blinde Flecken, Wissenschaftliche Entdeckung, Epistemische Diversität, Zitationsnetzwerke, Suchinfrastruktur, Wissensentdeckung, Forschungsbewertung, Scientometrie, Quantitative Science Studies, Informationszugang, Sampling Bias, Kollektive Intelligenz, Wissenschaftspolitik.