Der Mathematikerberuf gerät nicht in die Krise, weil KI rechnen kann. Er gerät in die Krise, weil Maschinen zunehmend genau die Arbeit übernehmen, an der mathematische Karrieren gemessen werden: schwierige Probleme lösen und als Erste einen Beweis vorlegen.
Auf dem International Congress of Mathematicians 2026 sprach Terence Tao deshalb nicht nur über leistungsfähigere Modelle. Er sprach über eine „Krise unserer mathematischen Werte und Praktiken“. Scientific American beschreibt eine Fachgemeinschaft, die zwischen Begeisterung, Existenzangst und offenem Widerstand schwankt.[1]
Die naheliegende Frage lautet: Bleiben Mathematiker übrig, wenn KI bessere Mathematik macht? Ich halte sie für falsch gestellt. Ergebnisse sind nicht dasselbe wie Erkenntnis. Wenn Maschinen die Produktion von Beweisen beschleunigen, verlagert sich der Engpass: vom Lösen zum Verstehen, Auswählen und Verantworten.
Warum die Angst diesmal nicht übertrieben ist
Mathematik hat Taschenrechner, Computeralgebra und numerische Simulationen überstanden. Diese Werkzeuge nahmen Menschen Rechenarbeit ab, ohne selbst Forschung in großer Breite zu betreiben. Die neue Generation von KI-Systemen erzeugt dagegen Kandidaten für originäre Resultate, durchsucht Lösungsräume und produziert formalisierbare Beweise.
Tao bittet in seinem Essay „Mathematics in the age of AI“ darum, eine starke Arbeitshypothese ernst zu nehmen: KI werde bald einen vernünftigen Anteil mathematischer Forschungsaufgaben mit brauchbarer Erfolgsquote, Qualität, Aufsicht und Kosten erledigen können.[2] Er behauptet damit nicht, dass jedes System alles beherrscht. Er verschiebt die Diskussion bewusst. Wenn diese Fähigkeit kommt, muss die Fachgemeinschaft vorher entscheiden, welche Teile mathematischer Arbeit sie schützen und belohnen will.
Genau dort trifft die Technologie einen empfindlichen Punkt. Akademische Mathematik verteilt Ansehen, Stellen und Fördermittel stark über neue Resultate. Ein offenes Problem zu lösen kann eine Laufbahn begründen. Eine bereits erzeugte Lösung verständlich aufzubereiten gilt oft als weniger prestigeträchtig, obwohl die zweite Arbeit künftig schwerer und nützlicher werden könnte.
Das ist keine abstrakte Sorge. Der Ausgangsartikel berichtet von Nachwuchsforschenden, die weniger Stellen erwarten, und von einem Studenten, der ein teures Claude-Abonnement nur noch als Eintrittskarte betrachtet: Wer darauf verzichtet, fürchtet zurückzufallen.[1] So entsteht Nutzungszwang ohne formale Pflicht. Sobald genügend Wettbewerber KI einsetzen, wird persönliche Zurückhaltung zum Karrierenachteil.
Der Mathematikerberuf zerfällt in vier getrennte Arbeiten
Bisher lagen mehrere Leistungen oft in einer Person: ein Problem auswählen, einen Beweis finden, ihn prüfen und erklären. KI trennt diese Kette auf. Daraus entsteht ein nützlicheres Bild des Mathematikerberufs als die grobe Frage „Mensch oder Maschine?“.
1. Entdecken
Hier liegt der sichtbare Fortschritt. Systeme erzeugen Ideen, Gegenbeispiele und Beweiskandidaten. Unternehmen können viele Ansätze parallel verfolgen und damit mehr Versuche finanzieren, als eine einzelne Forschungsgruppe je bearbeiten könnte.
Entdeckung wird dadurch nicht wertlos. Sie wird billiger und voluminöser. Wer nur die Zahl neuer Resultate optimiert, bekommt bald womöglich eine Flut, die niemand mehr sichten kann.
2. Verifizieren
Proof Assistants wie Lean prüfen, ob eine formalisierte Aussage aus festgelegten Definitionen und Axiomen folgt. Das ist stärker als ein plausibel klingender Text. Es beantwortet aber nur die Frage, die formal eingegeben wurde.
Ob die Definitionen das gemeinte Problem treffen, ob Annahmen unbemerkt verschoben wurden und ob ein Resultat wirklich neu ist, bleibt zusätzliche Arbeit. Genau diese Trennung zwischen formaler Gültigkeit, mathematischer Bedeutung und wissenschaftlicher Herkunft habe ich beim Streit um den OpenAI-Navier-Stokes-Beweis ausführlicher beschrieben.
3. Verdauen
Tao nennt diesen Schritt „proof digestion“: Ein Resultat muss erklärt, eingeordnet, begutachtet und in kanonisches Wissen übersetzt werden. In seinem Vortrag warnte er vor 100.000 Zeilen langen, verifizierten Beweisen, die trotzdem niemand versteht. Ein Beweis, den die Gemeinschaft nicht aufnehmen kann, bleibt wissenschaftlich isoliert.[4]
Dieser Teil wird zum neuen Engpass. Zehntausend erzeugte Resultate helfen wenig, wenn nicht klar ist, welche davon wichtig sind, welche Methode sich übertragen lässt und welche Verbindung zu bestehender Theorie trägt.
4. Vermitteln und verantworten
Mathematik lebt nicht nur in Veröffentlichungen. Sie wird gelehrt, kritisiert und über Generationen weitergegeben. Menschen entscheiden auch, welche Probleme gesellschaftlich oder wissenschaftlich verfolgt werden sollten.
Verantwortung lässt sich nicht an ein Modell delegieren. Die Leiden Declaration fordert deshalb transparente Werkzeugnutzung, offene Wissenschaft und menschliche Verantwortung für Korrektheit sowie Zuschreibung.[3] Das ist keine nostalgische Sonderregel. Ein System kann keinen Interessenkonflikt offenlegen, keinen wissenschaftlichen Kredit aushandeln und keine Verantwortung für Fehler übernehmen.
Welche Konflikte hinter diesen Forderungen stehen, habe ich bereits in meiner Einordnung der Leiden Declaration beschrieben.
Die unbequeme Verschiebung: Erklärung wird wertvoller als Originalität
Die Mathematik lebt seit langem in einer „Theorem Economy“: Neuheit zählt stärker als Pflege. KI macht dieses Modell instabil.
Wenn Beweiserzeugung im Überfluss vorhanden ist, wird das selten, was Maschinen nicht automatisch mitliefern: eine gute Auswahl, eine verständliche Theorie und begründetes Vertrauen. Der wichtigste Mathematiker der nächsten Jahre könnte deshalb nicht die Person mit den meisten neuen Sätzen sein. Es könnte die Person sein, die aus tausend maschinellen Resultaten fünf erkennt, die ein ganzes Gebiet verändern, und sie so erklärt, dass andere damit weiterarbeiten können.
Das klingt zunächst wie eine Abwertung. Tatsächlich wäre es eine Korrektur falscher Anreize. Gute Übersichtsarbeiten, Replikationen, negative Resultate, Lehre und sorgfältiges Peer Review sind für Wissenschaft unverzichtbar. Sie bringen nur selten denselben Status wie der spektakuläre Erstbeweis.
KI zwingt die Mathematik nun, ihren tatsächlichen Wert offenzulegen. Geht es um möglichst viele gelöste Aufgaben? Dann werden Maschinen vermutlich gewinnen. Geht es darum, verlässliches und verständliches Wissen aufzubauen? Dann bleibt menschliche Arbeit zentral, aber sie muss anders finanziert und bewertet werden.
Was Nachwuchsforschende jetzt lernen sollten
Der schlechteste Rat wäre, entweder jede KI abzulehnen oder das eigene Denken vollständig an sie abzugeben. Beides macht abhängig: einmal von einer alten Arbeitsweise, einmal von einem Anbieter.
Sinnvoller ist ein Kompetenzprofil, das beide Seiten verbindet:
- Beweise lesen, nicht nur erzeugen. Wer Argumente zerlegen, Annahmen prüfen und Ideen verständlich rekonstruieren kann, wird in einer Ergebnisflut gebraucht.
- Formalisierung beherrschen. Lean, Coq oder ähnliche Systeme werden zur Infrastruktur. Entscheidend ist dabei nicht nur Syntax, sondern die Übersetzung zwischen informeller und formaler Aussage.
- Provenienz dokumentieren. Prompts, Modellversionen, Quellen und menschliche Eingriffe gehören in ein nachvollziehbares Forschungsprotokoll.
- Ohne KI üben. Schwierige Probleme über längere Zeit selbst zu bearbeiten bleibt Training für Intuition. Wer jede Sackgasse sofort vom Modell auflösen lässt, spart Zeit und verliert möglicherweise genau die Fähigkeit, gute Fragen zu erkennen.
- Ein Gebiet erklären können. Lehre, Exposition und Synthese sind keine Ausweichrollen. Sie werden zur Methode, mit der maschinell erzeugte Resultate überhaupt Teil menschlicher Wissenschaft werden.
Der letzte Punkt gilt auch außerhalb der Mathematik. In Softwareteams sehe ich dieselbe Verschiebung: Codeproduktion wird günstiger, während Architekturverständnis, Review und Betrieb knapp bleiben. Mehr Output ist kein Gewinn, wenn niemand die Folgekosten, Abhängigkeiten und Fehlerbilder überblickt. Bei unverständlichen KI-Beweisen zeigt sich dieses Muster nur früher und schärfer.
Widerstand oder Anpassung? Beides greift zu kurz
Ein Teil der mathematischen Gemeinschaft will den KI-Einsatz begrenzen. Andere halten Anpassung für unausweichlich. Beide Positionen treffen einen wahren Punkt.
Ohne Grenzen können proprietäre Systeme Forschungsagenden, Zugänge und Zuschreibung bestimmen. Wer über das größte Rechenbudget verfügt, hätte dann nicht nur das schnellste Werkzeug, sondern könnte beeinflussen, was als wertvolle Mathematik sichtbar wird. Die Leiden Declaration versucht deshalb, Regeln aus der Fachgemeinschaft heraus zu setzen, bevor Plattformanbieter sie faktisch vorgeben.
Ein vollständiger Rückzug schützt die Disziplin aber ebenfalls nicht. Er würde offene Forschung gegenüber Konzernen schwächen und Nachwuchskräfte von Werkzeugen fernhalten, die ihre Konkurrenten längst nutzen. Die bessere Linie lautet: KI verwenden, ohne ihre Kennzahlen zum Zweck der Mathematik zu machen.
Dafür müssen Universitäten und Journale konkrete Anreize ändern. Begutachtung, Reproduktion, verständliche Exposition und offene Formalisierung brauchen Zeit, Stellen und Anerkennung. Sonst fordert die Gemeinschaft menschliches Verständnis, bezahlt aber weiterhin fast ausschließlich Neuheit.
Fazit: Der Mensch bleibt, wenn Mathematik mehr als Output ist
Der Mathematikerberuf wird kleiner oder anders zusammengesetzt werden, wenn KI einen großen Teil der Beweissuche übernimmt. Diese Möglichkeit kleinzureden hilft niemandem. Genauso voreilig wäre die Behauptung, Mathematiker würden dadurch überflüssig.
Maschinen können den Bestand an Resultaten schneller vergrößern. Sie entscheiden damit noch nicht, welche Fragen eine Gemeinschaft verfolgen sollte, welche Erklärung trägt oder wem eine Idee zu verdanken ist. Sie bilden auch keine nächste Generation aus, die einen Beweis nicht nur akzeptiert, sondern begreift.
Die Mathematik steht deshalb nicht vor der Wahl zwischen menschlicher Reinheit und maschineller Effizienz. Sie muss entscheiden, welchen Teil ihrer Arbeit sie bisher fälschlich als Nebensache behandelt hat. Wenn Verstehen, Lehren und Verantwortung endlich denselben Rang erhalten wie das Lösen, hat der Mathematikerberuf eine Zukunft.
Andernfalls automatisiert KI nicht die Mathematik. Sie automatisiert nur das, was das akademische System bisher am zuverlässigsten belohnt hat.
