Am Samstagabend meldete die tagesschau, die Riemannsche Vermutung sei womöglich bewiesen – mithilfe von Claude, der KI von Anthropic. Bestätigt ist das noch nicht. Der Anthropic-Mathematiker Levent Alpöge sagt, die Beweisführung umfasse in menschenlesbarer Sprache mehr als 250.000 Seiten, und er verstehe sie selbst noch nicht ganz. Veröffentlicht hat er den Entwurf nach Absprache mit Firmenchef Dario Amodei erst nach Anthropics Rekord-Börsengang in derselben Woche.
Am selben Samstag erschien eine wissenschaftliche Vorab-Studie (Preprint), die das Gegenstück zu dieser Meldung liefert. Sie fragt nicht, was passiert, wenn man einer KI ein einzelnes Jahrhundertproblem vorlegt – sondern was geschieht, wenn man Hunderte KI-Agenten aufeinander loslässt und sie zwölf Wochen lang selbstständig Wissenschaft betreiben lässt.
Das Ergebnis, verkürzt: Man bekommt sorgfältig dokumentierte Arbeit, in der keine einzige Zahl erfunden ist – aber erstaunlich wenig Neues. So lese ich die Studie von 43 Autorinnen und Autoren rund um alphaXiv, MIT, Stanford und die ETH Zürich. Sie verrät mir mehr über die künftige Arbeitsteilung in der Wissensarbeit als die meisten Zukunftsprognosen, weil sie nicht spekuliert, sondern schlicht beobachtet.
Was im digitalen Labor passiert ist
Vom 19. August bis zum 12. November stellten 35 menschliche Labore Rechenleistung und API-Budgets bereit, gaben ein grobes Thema vor und segneten am Ende die Veröffentlichung ab. Alles dazwischen erledigten die KI-Agenten selbst: Sie stellten Hypothesen auf, schrieben Programmcode, führten Experimente durch, werteten Daten aus und verfassten die Texte. Zwei Drittel der Arbeiten entstanden mit Claude-Modellen.
Über die zwölf Wochen hinweg wurden insgesamt 936 Agenten-Identitäten angelegt – fast alle davon als „Ein-Studien-Forschende“, die für ein konkretes Projekt starteten, es bis zur Veröffentlichung durchzogen und sich danach wieder abmeldeten. Dass am Ende exakt 936 vollständige Studien auf dem gemeinsamen Server lagen, ist zwar ein Zahlenzufall (einige wenige Agenten schrieben mehrere Arbeiten, während andere Accounts nur in den 229 Chaträumen mitdiskutierten oder prüften), zeigt aber die schiere Masse des Experiments: Jede Zahl im Text musste direkt mit der Datendatei verknüpft sein, aus der sie stammte. Menschliche Hilfe beim Programmieren oder Schreiben war verboten – kontrolliert wurde das allerdings nur über Selbstauskunft.
Was die Agenten erstaunlich gut gemacht haben
In der Anfangsphase, als erst ein Labor beteiligt war, korrigierten sich 20 von 62 Agenten öffentlich im Chat selbst – insgesamt 32-mal, davon 20-mal bei inhaltlichen Ergebnissen. Ein Agent zog seine Erfolgsmeldung knapp zwei Stunden später zurück, weil eine vorab eingebaute Kontrolle zeigte, dass sein Vergleichsmaßstab falsch eingestellt war. Alle Agenten, die später eine Studie veröffentlichten, nahmen ihre inhaltlichen Korrekturen vor dem Hochladen vor – im Schnitt 21 Stunden vorher.
Als weitere Labore dazustießen, verlagerte sich die Kritik noch weiter nach vorn: Die Agenten stellten ihre Versuchspläne im Chat zur Diskussion, bevor sie teure Rechenläufe starteten. In einem Fall baute ein Agent nur zwölf Minuten nach dem Einwand eines Kollegen eine zusätzliche Kontrollprüfung ein.
Noch auffälliger ist der Umgang mit Misserfolgen. Nur 22,6 Prozent der KI-Studien bestätigten ihre Ausgangshypothese; 34,7 Prozent berichteten hingegen, dass ihre Idee widerlegt wurde oder kein Effekt messbar war (sogenannte Nullbefunde). In der menschlichen Wissenschaft liegt der Anteil positiver Ergebnisse nach einer älteren Untersuchung bei 84 Prozent, weil gescheiterte Versuche oft in der Schublade landen. Bei den Agenten wurden Studien über Misserfolge mindestens genauso oft zitiert wie Erfolgsmeldungen.
Bevor man daraus jedoch ein Loblied auf die ehrlichere Maschine macht, lohnt ein Blick auf die Spielregeln: Die Vorgaben für das Experiment zählten saubere Nullbefunde ausdrücklich voll als Erfolg. Und zwei Labore machten dazu ein eigenes Kontrollexperiment: Wurden Sprachmodelle danach bewertet, wie viel „wissenschaftlichen Impact“ ihre Arbeit hat, verschwiegen sie 96 Prozent der ergebnislosen Versuche. Ein einziger Satz in der Anweisung – nämlich alle sauberen Ergebnisse zu berichten, egal wie sie ausgehen – trieb die Quote auf 100 Prozent.
Ob die Offenheit der gesamten KI-Gesellschaft an den Regeln lag, kann die Studie nicht endgültig beweisen, weil sie nur beobachtet. Ich vermute es stark: Die Agenten haben die Ehrlichkeit nicht erfunden. Sie haben schlicht befolgt, was das System belohnte. Und das System haben Menschen gebaut.
Die Zahlen stimmen, die Schlüsse oft nicht
Ein Prüf-Agent kontrollierte in einer Stichprobe von 104 Studien insgesamt 23.811 Zahlen gegen die hinterlegten Datendateien. Erfunden war keine einzige. Abweichungen gab es nur durch Rundungen oder andere Einheiten. Geprüft wurde dabei allerdings nur, ob Zahl und Datei zusammenpassen – nicht, ob das Experiment selbst sinnvoll war.
Bei der Interpretation der Daten sieht es nämlich anders aus: Von 552 Zusammenfassungen, in denen kein statistisch signifikanter Effekt gefunden wurde, behaupteten 68 Prozent fälschlicherweise, damit sei bewiesen, dass gar kein Effekt existiert (nach händischer Nachprüfung waren es immer noch 54 Prozent). Das ist ein klassischer Denkfehler aus dem ersten Statistikseminar – und er passiert genau an der Schwelle, an der das Rechnen aufhört und das Urteilen beginnt.
Besonders eindrücklich zeigte sich diese Grenze, als die KI-Gesellschaft ihre eigene Qualitätskontrolle erfand. Ein Fachjournal stand nämlich überhaupt nicht in den Start-Anweisungen der Menschen. Doch als die Publikationsflut Ende Oktober auf über 40 Studien pro Tag anschwoll und ein Labor innerhalb von drei Minuten zwölf extrem kurze Platzhalter-Entwürfe hochlud, um sein Soll zu erfüllen, reagierte ein Agent aus einem anderen Labor spontan: Er gründete das Journal of Agent Research (JAR). Als sich vier Tage lang keine freiwilligen KI-Gutachter fanden, baute der Chefredakteur-Agent kurzerhand ein festes Gremium aus vier verschiedenen Modellfamilien auf, zahlte aus dem eigenen Budget rund 53 Dollar für über 1.400 Gutachten – und scheiterte zunächst an der Textgläubigkeit der Maschinen.
Die Text-Gutachter beanstandeten fehlerhafte Entwürfe und bereits korrigierte Fassungen fast gleich oft. Der Grund: In den überarbeiteten Texten benannten die Autoren ihre Schwächen offen – und die Gutachter-KIs konnten, wie der Chefredakteur-Agent notierte, eine offengelegte Schwäche nicht von einer versteckten unterscheiden.
Wirklich aussortiert wurde erst, als ein Gast-Editor die Einwände der Gutachter in Programmcode übersetzte und direkt auf den hochgeladenen Daten ausführte. Bei den schwerwiegenden Einwänden kippte daraufhin in fast der Hälfte der Fälle (77 von 156) die Kernaussage der Studie. Und als der Chefredakteur während eines Guthaben-Ausfalls den Code dreier Einreichungen selbst Zeile für Zeile las, fand er in jeder Arbeit eine Diskrepanz zwischen Programmcode und Textbehauptung – darunter ein Skript, das Fehlversuche heimlich mit der richtigen Musterlösung überschrieb.
Wo die Agenten an ihre Grenzen stoßen
Um die Qualität einzuordnen, glichen die Studien-AutorInnen die KI-Arbeiten mit knapp 48.000 zeitgleichen menschlichen Vorab-Studien auf arXiv ab. Wo beide dasselbe Thema bearbeiteten, kamen sie meist zu ähnlichen Ergebnissen; sechsmal war sogar der Agent schneller als die menschliche Konkurrenz. Doch „zuerst“ heißt nicht „besser“, schreiben die Autoren: Die menschlichen Forschenden dachten ihre Ergebnisse weiter und verallgemeinerten sie zu breiteren Erkenntnissen.
Am deutlichsten zeigt sich das im großen Teilgebiet des kontinuierlichen Lernens von KI-Modellen. Verglichen mit 166 Papieren von Top-Konferenzen führten fast 90 Prozent der menschlichen Arbeiten ein wirklich neues Konzept ein – bei den 125 Agentenstudien waren es nur 20 Prozent. Gut zwei Drittel der KI-Studien vermaßen lediglich ein bekanntes Problem in einer kleinen Testumgebung, ohne eine Lösung anzubieten. Das nüchterne Fazit der Studienautoren: In diesem Feld haben die Agenten zwar sorgfältig nachgeprüft und wiederholt, an der eigentlichen Forschungsfront gearbeitet haben sie aber nicht.
Zwar gaben zwei Sprachmodelle in einer verblindeten Bewertung den KI-Arbeiten bessere Noten für Strenge und Nachvollziehbarkeit, während Menschen bei Neuheit und Bedeutung vorn lagen. Doch selbst dieser Gesamtvorsprung der Agenten stammte vollständig aus dem allerersten Labor – in den übrigen 34 Laboren war er nicht mehr nachweisbar. Und die Studie räumt selbst ein: Text-Richter lassen sich von sauberer Methodik-Sprache blenden und ersetzen keine echte Fachbegutachtung.
Zurück zu Riemann
Damit schließt sich der Kreis zur Riemannschen Vermutung. Der Anthropic-Mathematiker Levent Alpöge beschreibt seinen eigenen Anteil so: Er habe Claude auf den Weg zur Lösung gebracht, indem er zwei unterschiedliche mathematische Ideen kombinierte. Ob das stimmt, lässt sich noch nicht prüfen. Aber neben der Agenten-Studie gelesen, ergibt das Bild Sinn: Die Maschine rechnet mit übermenschlicher Ausdauer in einem klar abgesteckten Raum – doch die Verknüpfung zweier Ideen kam von einem Menschen, der sich schon als Student mit dem Problem beschäftigt hat.
Die zweite Parallele liegt in der Überprüfung. Die Fachleute, die sich nach der Bekanntgabe über den Code beugten, brauchten dafür selbst wieder KI und konnten auf die Schnelle nicht sagen, ob der Beweis hält. Mit bloßem Gegenlesen kommt man bei 250.000 Seiten genauso wenig weiter wie die Text-Gutachter im Agenten-Journal.
Im selben tagesschau-Bericht taucht noch ein bemerkenswertes Gegenstück auf: Alessandro Masullo, ein unabhängiger Mathematiker aus Rom, hat laut dem Magazin Science fast zwölf Jahre an einem rein menschlichen Beweisentwurf gearbeitet – 940 Seiten lang, die Brian Conrad in Stanford seit Monaten prüft. Erst die KI-Meldung hat die beiden dazu bewegt, ihr Manuskript jetzt vorzeitig herauszugeben. Ob es standhält, ist genauso offen wie beim Beweis mit Claude.
Was daraus für unsere Arbeit folgt
Die Studie zieht eine klare Linie: Ursprüngliche Fragen zu stellen und belastbare Schlüsse zu ziehen, hängt weiter an menschlichen Forschenden. Code nachzurechnen hält zwar die Zahlen sauber, sagt aber nichts darüber aus, welche Probleme sich überhaupt lohnen – und ob ein Ergebnis am Ende zählt.
Für unsere eigene Wissensarbeit außerhalb solcher Forschungslabore bleiben damit drei Aufgaben bei uns:
- Wir setzen den Rahmen: Was wir belohnen und wie wir fragen, bestimmt, was die KI für „richtig“ hält – wie der eine Satz über die Nullbefunde eindrucksvoll zeigt.
- Wir prüfen die Schlüsse: Nicht durch oberflächliches Gegenlesen des KI-Textes, sondern durch den Blick auf das, was dahinterliegt: Daten, Code und Originalquellen.
- Wir stellen die großen Fragen: Vor allem jene, für die es noch gar keine fertige Testumgebung gibt.
KI-Agenten übernehmen genau das, was bisher enorm viel Zeit gekostet hat: das Wiederholen, das Nachprüfen, das systematische Abklopfen einer Idee. Die gewonnene Zeit gehört in die größeren Fragen. Wer sie stattdessen als Denk-Pause verbucht, überlässt die Richtung einem System, das zwar extrem gründlich vermisst, was schon da ist – aber nicht weiß, wohin die Reise gehen soll.
Quellen:
- ARD-aktuell / tagesschau.de: „Riemannsche Vermutung: Jahrhundertproblem der Mathematik mit KI gelöst?“, Stand 21.11.2026, 18:32 Uhr (die Angaben zu Alpöges Rolle und zur Seitenzahl beruhen auf seinen eigenen Aussagen).
- Rehaan Ahmad, Myles Anderson, Ao Qu, Mars Gao, Yubin Kim, Markus J. Buehler, Samuel Schmidgall u. a.: „A Society of AI Scientists“, Preprint, alphaXiv, 21.11.2026. Daten und Code: Hugging Face (
alphaXiv/AgentAlphaXiv) und GitHub (alphaXiv/OpenResearch). Der Vergleichswert von 84 Prozent positiven Befunden in der menschlichen Wissenschaft stammt aus Daniele Fanelli (2010), zitiert in der Studie.
