KI-Erfolg ohne Experte: Wer verantwortet das Ergebnis

6 Min. Lesezeit

„Ich bin ganz sicher kein Mathematiker. Ich habe die Schule mit 16 abgebrochen.“ Von diesem Mann kam das Ziel. 650 Ansätze scheiterten, dann hob eine Forschungsversion von Claude eine mathematische Schranke von 41,6 auf 67,2 Prozent. Für Unternehmen ist das eine Führungsfrage.

Was ist die Riemannsche Vermutung? Die Riemannsche Vermutung ist ein offenes Grundproblem der Mathematik. Sie betrifft die Verteilung der Nullstellen der Riemannschen Zetafunktion. Bewiesen ist sie bis heute nicht. Ein messbarer Fortschritt besteht darin, für einen größeren Anteil bestimmter Nullstellen eine Lage auf einer bestimmten Geraden nachzuweisen.

Verwandt:Wenn KI die Stelle ersetzt, die nie ausgeschrieben wurde  /  Art. 50 KI-VO: Was Betreiber ab August 2026 tun

Die Zielsetzung lag bei einem Nicht-Mathematiker

Den Auftrag gab Jarred Sumner, Mitarbeiter bei Anthropic und nach eigener Auskunft kein Mathematiker. Über sich sagt er: Er sei ganz sicher kein Mathematiker und habe die Schule mit 16 abgebrochen. Zur fertigen Arbeit ergänzt er: Zu der Arbeit habe er keine Mathematik beigetragen. Sumner stellte die Aufgabe und hielt den Prozess am Laufen. Die mathematische Arbeit selbst übernahm er nicht.

Genau diese Trennung ist der übertragbare Teil des Vorgangs. Wer die Frage stellt, muss nicht der sein, der das Ergebnis verantwortet. Die Freigabe lag bei Fachleuten: Geprüft haben die Anthropic-Zahlentheoretiker Levent Alpöge und Ralph Furman sowie extern Brian Conrey und Dan Goldston. Furman und Alpöge übernehmen laut Paper die Verantwortung für die Kommunikation.

In vielen Unternehmen fehlt genau diese Arbeitsteilung bei der KI-Nutzung. Entweder definieren Fachabteilungen Ziele und sperren sich gegen Werkzeuge, die sie nicht verstehen. Oder Führungskräfte geben Ziele vor und übernehmen zugleich die Abnahme, obwohl ihnen die Beurteilungskriterien fehlen. Beides führt zu schwachen Ergebnissen.

Ausdauer ist eine Ressourcenentscheidung

Der Weg zum Ergebnis war lang. Anthropic schreibt: Claude erzeugte zunächst 650 Ideen und probierte sie durch. Keine davon funktionierte. Im entscheidenden Lauf arbeitete das Modell rund 37 Minuten ohne Zwischenausgabe und lud 54 wissenschaftliche Arbeiten herunter. Jeder Fehlversuch verbrauchte Rechenzeit und damit Geld.

Die eingängige Lesart des Vorgangs dreht sich um Ermutigung. Sumners Eingaben bestanden überwiegend aus Varianten von „keep going“ und „believe in yourself“. Anthropic formuliert die Wirkung vorsichtig: Das habe Claude offenbar geholfen, eine anfängliche Skepsis zu überwinden. Ein veröffentlichter Vergleichslauf ohne Ermutigung existiert nicht. Die Kausalkette ist damit nicht belegt, nur die Reihenfolge der Ereignisse.

Eine verbreitete Gegenlesart deutet die Eingaben daher als Freigabe, weitere Rechenzeit auszugeben. Zur Wirkung ermutigender Eingaben gibt es eine Facharbeit von Cheng Li und Jindong Wang aus dem Jahr 2023. In automatischen Tests verbesserten sich Ergebnisse je nach Aufgabenklasse um 8 Prozent, in einem Testfeld deutlich mehr. Eine Studie mit 106 Teilnehmern ergab im Mittel 10,9 Prozent Verbesserung. Diese Arbeit misst weder Forschungsmathematik noch diesen konkreten Vorgang. Für Führungskräfte bleibt der nüchterne Kern: Weitermachen ist eine Entscheidung über Ressourcen und braucht einen benannten Entscheider.

Ein belastbares Ergebnis erkennt man am Prüfpfad

Das Ergebnis ist prüfbar aufbereitet. Eine maschinell prüfbare Fassung des Beweises liegt öffentlich vor, erstellt im Beweisassistenten Lean 4 und mit einem Prüfwerkzeug kontrolliert. Zusätzlich haben vier Zahlentheoretiker die Arbeit gegengelesen. Zwei Prüfebenen sind mehr, als die meisten betrieblichen KI-Ergebnisse jemals erhalten.

Auch die Grenzen sind offengelegt. Die maschinelle Prüfung bestätigt die innere Schlüssigkeit der formalisierten Aussage. Sie bestätigt nicht automatisch, dass die formalisierte Aussage die gemeinte Frage trifft. Diese Unterscheidung lässt sich direkt übertragen: Ein KI-Ergebnis ohne Prüfpfad bleibt ein Vorschlag. Wer KI im Unternehmen einsetzt, sollte vor dem Start festlegen, wer prüft, womit geprüft wird und was die Prüfung nicht abdeckt.

Die Gegenposition gehört zum Ergebnis dazu

James Maynard von der University of Oxford ordnete den Vorgang in Scientific American am 12. August 2026 ein. Er erkennt einen echten mathematischen Beitrag an, sieht aber keinen Weg, auf dem einer dieser Ansätze an die Riemannsche Vermutung selbst herankommt. Ein Kommentator fasste den Vorgang als Anwendung vorhandener Arbeiten auf einen vorhandenen Ansatz zusammen, ohne eigene Erfindung.

Der stärkste Beleg gegen eine Überhöhung stammt von Anthropic selbst: Anthropic erwartet nicht, dass die von Claude genutzten Techniken zu einem Beweis der Riemannschen Vermutung führen. Ergänzend gilt: Das Manuskript liegt auf einem Anthropic-eigenen Server. Ein Peer-Review einer Fachzeitschrift ist nicht belegt. Wer den Vorgang intern weitererzählt, sollte diese Einordnung mitliefern.

Drei Regeln für den Einsatz im Unternehmen

Erstens: Trennen Sie Zielformulierung und Abnahme. Die Fachfrage gehört zu Fachleuten, die Zielsetzung kann jede Führungskraft übernehmen, die das Problem kennt. Zweitens: Machen Sie Ausdauer transparent. Wenn ein System hunderte Versuche braucht, muss klar sein, wer Rechenzeit und Budget freigibt und wo die Abbruchgrenze liegt. Drittens: Bestehen Sie auf einem Prüfpfad. Ein Ergebnis gilt erst, wenn jemand mit Kompetenz es geprüft hat und die Grenzen der Prüfung bekannt sind.

Der Bericht von Anthropic zeigt eine Arbeitsform, die diese Regeln eingehalten hat. Eingesetzt wurde eine unveröffentlichte Forschungsversion. Kunden können sie nicht kaufen. Der Vorgang bleibt ein Einzelfall aus der Grundlagenforschung. Die Arbeitsteilung daraus lässt sich trotzdem heute übernehmen.

Häufige Fragen

Bildquelle: KI-generiert (August 2026)