This conceptual paper examines whether shared AI-assisted search infrastructures may alter the sampling distribution of collective scientific attention. The central argument is that embedding-based retrieval systems, when widely adopted across the research community, may simultaneously reduce some traditional human blind spots while increasing the correlation of omissions across researchers. The paper introduces a conceptual distinction between coverage of scientific attention and correlation of blind spots, arguing that these two properties should be evaluated separately. No claim is made that AI-assisted search improves or degrades scientific quality, expands truth, or alters scientific validation. Scientific validation is assumed to remain unchanged. The focus is exclusively on how shared retrieval infrastructures may influence search pathways and attention allocation. The paper develops a falsifiable conceptual framework, introduces the notion of correlated algorithmic blind spots, and proposes an empirical research agenda for evaluating potential effects of shared embedding-based search systems on collective scientific attention. Keywords (English) Science of Science; Collective Attention; AI Search; Information Retrieval; Embedding Spaces; Scientific Discovery; Scientific Blind Spots; Algorithmic Bias; Attention Allocation; Epistemic Diversity; Knowledge Infrastructure; Recommender Systems; Bibliometrics; Scientometrics; Collective Intelligence Beschreibung (Deutsch) Dieses konzeptionelle Paper untersucht die Frage, ob gemeinsam genutzte KI-gestützte Suchinfrastrukturen die Verteilung wissenschaftlicher Aufmerksamkeit beeinflussen können. Im Mittelpunkt steht die These, dass embeddingbasierte Such- und Retrievalsysteme bei breiter Nutzung durch die Forschungsgemeinschaft einerseits traditionelle menschliche blinde Flecken reduzieren, andererseits jedoch die Korrelation von Auslassungen zwischen Forschenden erhöhen könnten. Das Paper führt hierzu die Unterscheidung zwischen der Abdeckung wissenschaftlicher Aufmerksamkeit (Coverage) und der Korrelation blinder Flecken ein und argumentiert, dass beide Größen getrennt betrachtet werden sollten. Es wird ausdrücklich nicht behauptet, dass KI-gestützte Suche die wissenschaftliche Qualität verbessert oder verschlechtert, Wahrheit erweitert oder den wissenschaftlichen Validierungsprozess verändert. Wissenschaftliche Validierung wird als unverändert angenommen. Der Fokus liegt ausschließlich auf möglichen Veränderungen von Suchpfaden und Aufmerksamkeitsverteilungen. Das Paper entwickelt einen falsifizierbaren konzeptionellen Rahmen, führt den Begriff der korrelierten algorithmischen blinden Flecken ein und skizziert eine empirische Forschungsagenda zur Untersuchung möglicher Auswirkungen gemeinsamer embeddingbasierter Suchsysteme auf kollektive wissenschaftliche Aufmerksamkeit. Schlüsselwörter (Deutsch) Wissenschaftsforschung; Kollektive Aufmerksamkeit; KI-Suche; Informationsretrieval; Embedding-Räume; Wissenschaftliche Entdeckung; Wissenschaftliche blinde Flecken; Algorithmische Verzerrungen; Aufmerksamkeitsökonomie; Epistemische Diversität; Wissensinfrastruktur; Empfehlungssysteme; Bibliometrie; Szientometrie; Kollektive Intelligenz