Wozu lernen wir Mathematik, wenn KI die Probleme für uns lösen kann

PLÄDOYER · MATHEMATIK UND KÜNSTLICHE INTELLIGENZ

Ein Plädoyer für die wichtigste Disziplin des menschlichen Denkens – und für künstliche Intelligenz als Verstärker, niemals als Ersatz.

Marcel Liechti – Mathematiker, langjähriger Gymnasiallehrer, Hochschulcoach und Fachbuchautor

Stellen wir uns eine nahe Zukunft vor. Eine künstliche Intelligenz löst jede Gleichung, die wir ihr vorlegen, in Sekunden. Sie beweist Sätze, an denen Generationen von Mathematikern gescheitert sind. Sie erklärt geduldig, fehlerfrei und rund um die Uhr. Jede Hausaufgabe, jede Prüfungsaufgabe und jede Übungsserie ist für sie eine Kleinigkeit.

Wozu sollte ein junger Mensch dann noch Mathematik lernen?

Die Frage ist keine Spielerei mehr. Sie wird heute in Klassenzimmern, Hörsälen und an Küchentischen gestellt – oft von jenen, die gerade vor einer schwierigen Aufgabe sitzen und wissen, dass die Lösung nur einen Klick entfernt ist. Wer diese Frage ehrlich beantworten will, darf sich nicht mit den üblichen Antworten begnügen. «Weil man es im Beruf braucht» oder «weil es in der Prüfung kommt» trägt nicht weit, wenn eine Maschine genau diese Arbeit schneller erledigt.

Dieser Artikel vertritt eine klare These: Mathematik ist vermutlich die wichtigste Disziplin, die ein Mensch im Zeitalter der künstlichen Intelligenz lernen kann. Nicht obwohl KI mathematische Probleme lösen kann, sondern gerade deswegen. Künstliche Intelligenz kann unser mathematisches Denken verstärken, beschleunigen und vertiefen. Ersetzen kann sie es nicht – und sie wird es auch nie können, weil das, was beim Mathematiklernen im Menschen entsteht, nicht an eine Maschine delegiert werden kann.

Der tiefere Sinn des Mathematiklernens liegt nicht darin, möglichst viele richtige Antworten zu produzieren, sondern darin, Menschen zu befähigen, selbstständig Strukturen zu erkennen, Zusammenhänge zu verstehen, begründete Urteile zu fällen und neue Fragen zu entwickeln.

1. Ein Problem lösen ist nicht dasselbe wie Mathematik verstehen

Beginnen wir mit einem ganz einfachen Beispiel. Ein Schüler soll die Gleichung

x² − 5x + 6 = 0

lösen. Ein KI-System liefert ihm sofort die beiden Lösungen x = 2 und x = 3, vielleicht ergänzt durch eine elegante Faktorisierung:

(x − 2)(x − 3) = 0

Die Aufgabe ist erledigt, das Ergebnis richtig. Der Schüler schreibt es ab und geht zur nächsten Aufgabe. Doch was hat er gelernt? Möglicherweise nichts.

Ein zweiter Schüler beschäftigt sich zehn Minuten mit derselben Gleichung. Er probiert verschiedene Werte aus, bemerkt einen Zusammenhang zwischen den Koeffizienten und den gesuchten Zahlen – ihre Summe ist 5, ihr Produkt 6 –, entdeckt die Faktorisierung und überprüft das Ergebnis durch Einsetzen. Beide Schüler besitzen am Ende dieselbe Lösung. Geistig haben sie jedoch etwas völlig Verschiedenes geleistet.

Der zweite Schüler hat eine Methode verstanden, eine Verbindung zwischen algebraischen Darstellungen entdeckt und ein Stück Selbstständigkeit gewonnen. Dieses Verständnis befähigt ihn, eine ähnliche, aber anspruchsvollere Aufgabe später ohne Hilfe zu lösen. Die mathematischen Produkte sind identisch. Die menschlichen Lernprozesse sind es nicht.

Daraus folgt eine Einsicht, die für das ganze Zeitalter der KI grundlegend ist: Die richtige Lösung einer Aufgabe ist ein mögliches Ergebnis des Lernens, aber kein hinreichender Nachweis dafür, dass Lernen stattgefunden hat. Wer mathematische Bildung nur an richtig gelösten Aufgaben misst, misst das Falsche – und wird von jeder Maschine geschlagen.

2. Mathematik ist mehr als eine Sammlung wahrer Aussagen

Mathematik untersucht nicht bloss Zahlen. Sie beschäftigt sich mit Beziehungen, Symmetrien, Veränderungen, Ordnungen, Abhängigkeiten, Möglichkeiten und Notwendigkeiten. Ein mathematischer Satz kann wie ein Fenster wirken: Plötzlich wird ein Zusammenhang sichtbar, der vorher verborgen war.

Nehmen wir den Satz des Pythagoras. In der Schule erscheint er oft als blosse Formel:

a² + b² = c²

Mit ihr lassen sich Tausende Aufgaben lösen. Ihre eigentliche Schönheit liegt aber darin, dass sie einen universellen Zusammenhang zwischen den Seiten jedes rechtwinkligen Dreiecks beschreibt. Ein Flächenbeweis, ein Ähnlichkeitsbeweis und ein algebraischer Beweis führen zum selben Ergebnis – und erschliessen doch jeweils andere Zusammenhänge. Die Wahrheit des Satzes ändert sich nicht. Unser Verständnis aber kann sich mit jedem Beweis vertiefen.

Das unterscheidet Mathematik von einer Datenbank richtiger Ergebnisse. Ein Resultat gewinnt seinen vollen Erkenntniswert erst durch Begründung, Verständnis, Einordnung und seine Fähigkeit, weiteres Denken anzuregen. Eine Maschine kann uns das Resultat liefern. Den Erkenntniswert müssen wir uns selbst erarbeiten.

3. Warum Mathematik die wichtigste Disziplin unserer Zeit ist

Es gibt viele wertvolle Fächer. Dennoch nimmt die Mathematik eine Sonderstellung ein – und diese Sonderstellung wird durch die künstliche Intelligenz nicht schwächer, sondern stärker. Vier Gründe sprechen dafür.

Mathematik ist die Sprache, in der die Welt beschrieben wird

Physik, Ingenieurwissenschaften, Ökonomie, Medizin, Klimaforschung und Informatik formulieren ihre tiefsten Einsichten in mathematischer Sprache. Wer diese Sprache nicht versteht, kann die Ergebnisse dieser Wissenschaften nur glauben – nicht prüfen.

Künstliche Intelligenz ist selbst angewandte Mathematik

Jedes KI-System besteht im Kern aus Mathematik: Vektoren und Matrizen aus der linearen Algebra, Ableitungen und Gradienten aus der Analysis, Wahrscheinlichkeiten und Verteilungen aus der Statistik. Ein neuronales Netz «lernt», indem es eine Verlustfunktion L(θ) minimiert und seine Parameter entlang des Gradienten ∇L(θ) anpasst. Wer verstehen will, was eine KI tut, wo ihre Grenzen liegen und warum sie sich irren kann, braucht genau diese Mathematik. Je mächtiger die KI wird, desto mächtiger wird die Mathematik, auf der sie beruht.

Mathematik ist die Schule des Begründens

In keiner anderen Disziplin ist die Unterscheidung zwischen einer plausiblen Vermutung und einer bewiesenen Aussage so scharf. Eine mathematische Behauptung gilt nicht, weil eine Autorität sie äussert, sondern weil sie begründet ist. Gerade im Umgang mit KI-Systemen, die überzeugend klingende, aber falsche Argumente erzeugen können, ist diese Haltung unverzichtbar.

Mathematik ist übertragbares Denken

Wer Mathematik lernt, lernt nicht nur Mathematik. Er lernt, komplexe Probleme zu strukturieren, Voraussetzungen von Schlussfolgerungen zu trennen, Muster zu erkennen und unterschiedliche Probleme mit derselben inneren Struktur als verwandt zu begreifen. Diese Denkweise ist der Rohstoff jeder Wissenschaft – und jeder klugen Entscheidung.

4. Warum wir lernen, was Maschinen besser können

Hier liegt der Kern der Debatte. Angenommen, eine KI könnte künftig praktisch jede Aufgabe lösen, die einem Schüler, einer Studentin oder sogar einer Professorin gestellt wird. Müsste man dann überhaupt noch Mathematik lernen?

Auf den ersten Blick scheint die Antwort Nein zu lauten. Diese Antwort setzt jedoch voraus, dass der einzige Zweck des Lernens darin besteht, anschliessend eine bestimmte Arbeit erledigen zu können. Genau diese Annahme ist falsch.

Wer Klavier spielen lernt, tut dies nicht, weil auf der Welt ein Mangel an Klaviermusik herrscht. Aufnahmen der besten Pianisten sind jederzeit verfügbar. Und doch macht es einen grundlegenden Unterschied, ob ich eine Sonate höre oder sie selbst spielen kann. Das eigene Musizieren verändert meinen Zugang zur Musik von Grund auf.

Dasselbe gilt für das Schachspiel. Seit 1997 ein Computer den damaligen Weltmeister besiegt hat, ist menschliches Schach nicht verschwunden – im Gegenteil, es ist populärer denn je. Die Maschine berechnet den besten Zug. Sie nimmt mir aber nicht die Möglichkeit, selbst strategisch denken zu lernen. Heute trainieren Spitzenspieler mit Schachprogrammen und werden dadurch besser: Die Maschine ist ihr Verstärker, nicht ihr Ersatz.

Bei der Mathematik gilt dasselbe – mit einer entscheidenden Besonderheit. Mathematik ist nicht nur eine kulturelle Tätigkeit oder ein anspruchsvolles Spiel. Sie ist zugleich ein grundlegendes Werkzeug unseres Denkens, mit dem wir die Welt beschreiben, Behauptungen überprüfen und Entscheidungen begründen. Wer sie nicht beherrscht, verliert nicht nur eine Fertigkeit, sondern einen Teil seiner geistigen Unabhängigkeit.

5. Mathematik macht mündig

Ein Beispiel aus dem Alltag: Es wird behauptet, eine medizinische Behandlung senke ein Risiko um 50 Prozent. Was bedeutet das? Sank das Risiko von 2 auf 1 Prozent – oder von 40 auf 20 Prozent? Beide Fälle entsprechen einer relativen Reduktion um 50 Prozent. Für eine persönliche Entscheidung können sie aber eine völlig unterschiedliche Bedeutung haben.

Die Mathematik ermöglicht hier nicht nur eine Rechnung. Sie ermöglicht es, die Aussage überhaupt richtig zu verstehen. Mathematiklernen bedeutet deshalb auch, die eigene Abhängigkeit von fremden Behauptungen zu verringern.

Immanuel Kant beschrieb Aufklärung 1784 als den «Ausgang des Menschen aus seiner selbstverschuldeten Unmündigkeit» – als den Mut, sich des eigenen Verstandes zu bedienen. Dieser Gedanke gewinnt im Zeitalter der KI eine neue Dringlichkeit. Wenn Maschinen mathematische, wissenschaftliche und wirtschaftliche Ergebnisse in grosser Zahl erzeugen, brauchen wir Menschen, die deren Voraussetzungen verstehen, ihre Plausibilität beurteilen und ihre Bedeutung für die Wirklichkeit einschätzen können.

Nicht jeder Mensch muss dafür komplexe Beweise beherrschen. Doch eine Gesellschaft, die mathematische Ergebnisse nur noch konsumiert, ohne sie beurteilen zu können, würde eine wesentliche Form intellektueller Selbstständigkeit verlieren.

Der Sinn des Mathematiklernens liegt nicht nur darin, Probleme lösen zu können, sondern in der Freiheit, mathematisch begründete Aussagen selbst beurteilen zu können. Mathematik wird so zu einem Bestandteil menschlicher Mündigkeit.

6. Problemlösen und Verstehen: zwei Seiten derselben Medaille

Man könnte nun meinen, das Lösen von Aufgaben sei bloss ein Mittel zum Zweck und das Verstehen das eigentliche Ziel. Diese Gegenüberstellung ist jedoch zu einfach. Oft entsteht tiefes mathematisches Verständnis gerade erst durch den hartnäckigen Versuch, ein konkretes Problem zu lösen.

Kaum eine Geschichte zeigt das eindrücklicher als jene von Fermats letztem Satz. Um 1637 notierte Pierre de Fermat am Rand eines Buches, die Gleichung

xⁿ + yⁿ = zⁿ

besitze für n > 2 keine Lösung in positiven ganzen Zahlen – und er habe dafür einen wahrhaft wunderbaren Beweis, für den der Rand zu schmal sei. Mehr als 350 Jahre lang scheiterten die besten Köpfe an diesem Problem. Doch ihr Scheitern war ungeheuer fruchtbar: Leonhard Euler entwickelte neue Methoden für den Fall n = 3, Ernst Kummer erfand auf der Suche nach einem Beweis die «idealen Zahlen» und legte damit Grundlagen der modernen algebraischen Zahlentheorie. Im 20. Jahrhundert verband sich das Problem mit der Theorie der elliptischen Kurven und Modulformen. 1993 stellte Andrew Wiles seinen Beweis vor; nach der Behebung einer Lücke gemeinsam mit Richard Taylor wurde er 1994 vervollständigt und 1995 veröffentlicht – als Teil einer weit grösseren Theorie.

Die Lehre daraus ist bemerkenswert: Der eigentliche Gewinn lag nicht in der einen Antwort, sondern in allem, was Menschen auf dem Weg dorthin verstanden haben. Hätte eine Maschine im Jahr 1640 einfach «Ja, der Satz ist wahr» ausgegeben, wäre die Menschheit um Jahrhunderte mathematischer Entdeckungen ärmer.

Auch die Lernforschung stützt diese Beobachtung. Untersuchungen des Bildungsforschers Manu Kapur seit 2008 zum «Productive Failure», dem produktiven Scheitern, zeigen, dass ein eigener Lösungsversuch vor der Instruktion unter geeigneten Bedingungen zu besserem konzeptionellem Verständnis und besserem Transfer auf neue Aufgaben führen kann. Das heisst nicht, dass Lernende möglichst lange im Dunkeln tappen sollen. Gute Erklärungen und ausgearbeitete Beispiele bleiben wichtig. Aber:

Nicht jede geistige Anstrengung ist automatisch lernförderlich. Doch ohne eigene geistige Verarbeitung bleibt selbst die beste Erklärung nur fremdes Wissen.

Problemlösen und Verstehen sind deshalb keine Gegensätze, sondern miteinander verflochtene Formen mathematischer Erkenntnis. Das Lösen bringt Verständnis hervor, und wachsendes Verständnis ermöglicht neue Lösungen.

7. Die vier Ebenen mathematischer Leistung

Um genauer zu sehen, was eine KI übernehmen kann und was nicht, hilft eine Unterscheidung von vier Ebenen mathematischer Leistung. Sie bilden keine starre Hierarchie, sondern greifen in der Praxis ineinander.

Ein Schüler, der die quadratische Lösungsformel korrekt anwendet, beherrscht eine Methode. Versteht er, wie die Formel durch quadratische Ergänzung entsteht und warum sie an Bedingungen geknüpft ist, besitzt er konzeptionelles Verständnis. Entwickelt er daraus selbstständig eine Verallgemeinerung, bewegt er sich in Richtung schöpferischen Denkens.

Genau hier liegt die Gefahr – und die Chance – der KI. Sie automatisiert die erste Ebene fast vollständig. Wer beim Lernen auf dieser Ebene stehen bleibt, wird überflüssig. Wer aber die Ebenen drei und vier entwickelt, wird durch KI nicht ersetzt, sondern enorm gestärkt.

8. KI als Verstärker und Booster – niemals als Ersatz

Das eigentliche Problem der KI ist nicht ihre Intelligenz, sondern unsere mögliche Passivität. Entscheidend ist nicht in erster Linie, ob eine Maschine «wirklich» versteht. Entscheidend ist: Was geschieht mit dem Menschen, während er mit der KI arbeitet?

Dasselbe hochleistungsfähige System kann einem Schüler jede Aufgabe abnehmen – oder die Aufgabe so aufbereiten, dass er selbst den entscheidenden Gedanken entwickelt. Die technische Leistung ist in beiden Fällen identisch. Die Wirkung auf den Menschen ist grundverschieden.

Hilft KI Ihrem Kind besser als der Lehrer?

Für die erkenntnisfördernde Nutzung gibt es zwei bewährte Leitbilder. Sokrates zeigte, dass Wissen nicht durch die Übermittlung fertiger Antworten entsteht, sondern durch Fragen, Zweifel und die Prüfung eigener Überzeugungen. George Pólya machte das mathematische Problemlösen selbst zum Gegenstand bewusster Reflexion: das Problem verstehen, einen Plan entwickeln, ihn ausführen und die Lösung rückblickend prüfen. Gerade der vierte Schritt – der Rückblick – verwandelt eine gefundene Lösung in eine Quelle neuer Erkenntnis.

Eine gut eingesetzte KI kann beide Ansätze ideal verbinden. Sie begleitet den Denkprozess aufmerksam, ohne ihn zu übernehmen. Sie stellt eine Gegenfrage statt die Lösung zu verraten, gibt einen Hinweis, wenn man feststeckt, und erklärt ausführlich, wenn eine Erklärung wirklich weiterhilft. Und nach einer gelösten Aufgabe stellt sie die Fragen, mit denen Mathematik erst richtig beginnt:

? «Was geschieht, wenn wir eine Bedingung verändern?»
? «Kannst du einen allgemeineren Zusammenhang vermuten?»
? «Lässt sich die Aufgabe auf einem zweiten Weg lösen?»
? «Kannst du selbst eine ähnliche, aber schwierigere Aufgabe erfinden?»

Ein Beispiel: Vom Pythagoras zum Kosinussatz

Eine Aufgabe lautet: «Ein rechtwinkliges Dreieck hat Katheten von 6 cm und 8 cm. Berechne die Hypotenuse.» Die Studentin antwortet: 10 cm. Eine ergebnisorientierte KI bestätigt – fertig.

Eine erkenntnisfördernde KI fragt weiter: «Gilt dieser Zusammenhang auch für Dreiecke, die nicht rechtwinklig sind?» Nun muss die Studentin über die Voraussetzungen des Satzes nachdenken. Vielleicht merkt sie, dass sie ihn bisher nur als Rechenformel kannte. Die nächste Frage – «Wie müsste sich die Formel bei einem stumpfen Winkel verändern?» – führt sie Schritt für Schritt zum Kosinussatz:

c² = a² + b² − 2ab · cos γ

Und schliesslich erkennt sie selbst: Für γ = 90° ist cos γ = 0, und der Kosinussatz wird wieder zum Satz des Pythagoras. Das ist ein echter Erkenntnisgewinn – nicht weil die KI etwas Schwieriges gerechnet hat, sondern weil sie die Studentin dazu gebracht hat, selbst einen Zusammenhang zwischen zwei mathematischen Aussagen zu entdecken. So sieht KI als Booster aus: Sie macht den Weg zur Einsicht kürzer, aber sie geht ihn nicht an unserer Stelle.

9. Wenn die KI selbst Neues entdeckt

Gehen wir noch einen Schritt weiter. Angenommen, eine KI findet einen bislang unbekannten mathematischen Satz und einen korrekten Beweis dafür – und zunächst versteht kein Mensch, wie sie dazu gekommen ist. Ist das mathematische Erkenntnis? Drei Fragen sollten wir sauber auseinanderhalten:

• Ist die Aussage wahr? Wenn der Beweis gültig ist, hängt die mathematische Wahrheit nicht davon ab, ob ein Mensch oder eine Maschine ihn gefunden hat.

• Ist neues Wissen entstanden? Wenn das Ergebnis zuverlässig begründet und zugänglich gemacht wird, ja – auch wenn die Entdeckung nicht menschlichen Ursprungs ist.

• Haben Menschen etwas verstanden? Nicht unbedingt. Ein korrektes Ergebnis kann weit über das Verständnis derjenigen hinausgehen, die es erhalten.

Es kann also mathematischer Wissensfortschritt stattfinden, ohne dass ein entsprechender menschlicher Erkenntnisfortschritt erfolgt. Darin liegt eine reale Gefahr: Wir könnten immer mehr mathematische Resultate besitzen und immer weniger Menschen, die ihre Zusammenhänge verstehen.

Darin liegt aber auch eine grosse Chance. KI könnte komplizierte Beweise vereinfachen, neue Beispiele erzeugen, verborgene Verbindungen sichtbar machen und anspruchsvolle Mathematik viel mehr Menschen zugänglich machen als je zuvor. Damit diese Chance Wirklichkeit wird, braucht es Menschen, die prüfen, interpretieren, vermitteln und weiterfragen können. Die Mathematik als Wissenssystem kann durch KI wachsen. Die mathematische Bildung des Menschen wächst nur, wenn er sich selbst geistig mit diesen Erkenntnissen auseinandersetzt.

10. Mathematik als menschliche Kultur

Mathematik ist nicht nur eine Produktion von Theoremen. Sie ist eine über Jahrtausende gewachsene Kultur des Denkens – von Euklid über Euler und Gauss bis zu den Forschungsgruppen von heute. Junge Menschen werden ausgebildet, Ideen weiterentwickelt, Methoden vereinfacht und Erkenntnisse in Gesprächen, Vorlesungen und Büchern weitergegeben.

Würde eine Forschungsgruppe sämtliche interessanten Probleme von einer KI lösen lassen, könnte sie in kurzer Zeit erstaunlich viele Ergebnisse vorweisen. Doch was geschähe mit den Doktorandinnen und Doktoranden, die bisher gerade durch die Arbeit an schwierigen Problemen zu eigenständigen Forschern geworden sind?

Zugleich können neue Formen mathematischer Ausbildung entstehen: Junge Forschende könnten sich früher mit anspruchsvollen Konzepten beschäftigen, KI-generierte Beweise prüfen und neue Fragen an bekannte Ergebnisse stellen. Welche Entwicklung überwiegt, liegt an uns. Eine wissenschaftliche Kultur darf jedoch nicht nur daran gemessen werden, wie viele Resultate sie hervorbringt, sondern auch daran, ob sie Menschen befähigt, die Wissenschaft eigenständig weiterzuführen.

11. Das Paradox: Je mehr KI kann, desto mehr Mathematik brauchen wir

Je leistungsfähiger künstliche Intelligenz mathematische Probleme löst, desto weniger müssen Menschen viele Ergebnisse selbst berechnen. Gleichzeitig wächst unsere Abhängigkeit von Ergebnissen, deren Herleitung wir möglicherweise nicht mehr verstehen.

Das ist kein Widerspruch, sondern eine neue Bildungsaufgabe. Der Taschenrechner hat die Notwendigkeit langer Handrechnungen verringert – das Verständnis von Zahlen, Operationen und Beziehungen hat er nicht überflüssig gemacht. Wer nicht weiss, ob 0,3 × 0,2 ungefähr 0,06 oder 6 ergibt, dem nützt auch der beste Taschenrechner wenig. Künstliche Intelligenz wiederholt diese Entwicklung auf einer viel höheren Ebene: Sie übernimmt nicht nur mechanische Rechnungen, sondern zunehmend auch komplexe Problemlösungen und Begründungen.

Die entscheidende Frage lautet deshalb nicht mehr: «Kann ich das ausrechnen?» Sondern: «Verstehe ich genug, um die Ergebnisse einer immer leistungsfähigeren KI zu verstehen, zu bewerten und für neue Erkenntnisse zu nutzen?» Das ist eine der zentralen Bildungsfragen unserer Zeit. Und ihre Antwort lautet: mehr Mathematik, nicht weniger.

12. Wozu wir Mathematik lernen – eine Antwort

Warum also lernen Menschen Mathematik? Die bekannten Antworten bleiben richtig: weil man sie im Beruf braucht, weil sie die Grundlage der Naturwissenschaften und der Technik ist, weil Prüfungen bestanden werden wollen. Aber diese Gründe erschöpfen den Sinn mathematischer Bildung nicht. Er liegt in drei miteinander verbundenen Fähigkeiten:

• Strukturiertes Denken: Hinter einzelnen Erscheinungen allgemeine Zusammenhänge erkennen, Voraussetzungen von Schlussfolgerungen unterscheiden, gleiche Strukturen in verschiedenen Problemen entdecken.

• Kritische Urteilskraft: Eine Behauptung nicht akzeptieren, weil sie überzeugend klingt oder von einer Autorität – auch einer künstlichen – stammt, sondern weil sie begründet ist.

• Schöpferische Freiheit: Neue Fragen stellen, vertraute Methoden verändern, eigene Wege entdecken. Mathematik ist nicht nur das Befolgen von Regeln, sondern die Kunst, neue Strukturen zu erkennen.

Diese Fähigkeiten entstehen nicht automatisch. Sie entstehen nur, wenn Mathematik so gelehrt und gelernt wird, dass der Mensch selbst denkt. Gerade deshalb ist die Art, wie wir KI im Lernen einsetzen, so entscheidend.

Nicht die Fähigkeit der KI, Mathematik zu lösen, entscheidet über ihren Wert für die Bildung, sondern ihre Fähigkeit, Menschen beim Erwerb mathematischen Verständnisses und selbstständigen Denkens zu unterstützen.

Schluss: Wir lernen Mathematik, um die Möglichkeiten unseres eigenen Denkens zu entfalten

Stellen wir uns noch einmal vor, eine künstliche Intelligenz könnte eines Tages jede mathematische Frage beantworten, die wir ihr stellen. Sie könnte sämtliche Aufgaben lösen, die wir unseren Schülerinnen und Schülern geben, und Beweise finden, an denen selbst die besten Mathematiker gescheitert sind.

Wäre der Mathematikunterricht damit überflüssig geworden? Nur dann, wenn sein einziger Zweck darin bestünde, Antworten zu produzieren.

Doch Mathematiklernen bedeutet weit mehr. Es führt uns von der Vermutung zur Begründung, vom einzelnen Beispiel zur allgemeinen Struktur und vom übernommenen Wissen zur eigenen Einsicht. Es lehrt uns, Fragen zu stellen, scheinbare Gewissheiten zu prüfen und unbekannte Zusammenhänge zu entdecken. Wir lernen Mathematik nicht nur, weil die Welt mathematische Lösungen braucht. Wir lernen sie, weil wir Menschen sein wollen, die diese Welt selbstständig verstehen können.

Die künstliche Intelligenz wird uns immer mehr Arbeit abnehmen. Ob sie auch unser Denken bereichert, hängt davon ab, welche Rolle wir ihr geben. Als Verstärker kann sie uns schneller zu tieferen Einsichten führen, uns neue Beispiele zeigen, unsere Fehler finden und uns an Fragen heranführen, die wir allein nie gewagt hätten. Vielleicht wird sie uns eines Tages bei Entdeckungen helfen, die wir ohne sie niemals gemacht hätten. Dann wäre sie nicht das Ende des menschlichen Denkens, sondern ein neuer Anfang.

Aber den letzten Schritt – das Verstehen, das Urteilen, das Staunen über eine plötzlich sichtbare Struktur – kann uns keine Maschine abnehmen. Dieser Schritt gehört uns.

Wenn die KI alle mathematischen Probleme lösen könnte, wäre das kein Grund, mit dem Mathematiklernen aufzuhören.

Es wäre ein Grund, endlich genauer zu verstehen, wer wir durch Mathematik werden können.

Wir lernen Mathematik nicht, um mit Maschinen zu konkurrieren.

Wir lernen Mathematik, um die Möglichkeiten unseres eigenen Denkens zu entfalten.

Angebote und Ablauf des Mathematik-Coachings

Marcel Liechti – Mathematiker, langjähriger Gymnasiallehrer, Hochschulcoach und Fachbuchautor · Mathematik-lernen.com