ARTIKEL II · PHILOSOPHISCHER ESSAY · MATHEMATIK UND KÜNSTLICHE INTELLIGENZ
Kann KI die Grenzen der Mathematik sprengen?
Über mathematische Wahrheit, neue Erkenntnishorizonte – und warum wir gerade deshalb mehr Mathematik lernen sollten, nicht weniger.
Marcel Liechti – Mathematiker, langjähriger Gymnasiallehrer, Hochschulcoach und Fachbuchautor
Stellen wir uns eine Zukunft vor, in der eine künstliche Intelligenz Probleme löst, an denen selbst die besten Mathematikerinnen und Mathematiker scheitern. Sie findet Beweise, verbindet Fachgebiete, die nie etwas miteinander zu tun hatten, und entwirft Theorien, für die uns noch die Wörter fehlen. Die Ergebnisse sind korrekt. Nur: Zunächst versteht sie kein Mensch.
Klingt nach Science-Fiction? Die Frage dahinter ist ernst – und sie ist ungeheuerlich: Kann künstliche Intelligenz nicht nur das menschliche Denken übertreffen, sondern die Grenzen der Mathematik selbst sprengen? Und wenn Maschinen Erkenntnisse liefern, die wir nicht mehr überblicken: Wem gehört dann der Fortschritt? Dem System, das die Antwort hervorbringt – oder der Menschheit, die ihren Sinn erst erschliessen muss?
Im ersten Artikel dieser Reihe, «Wozu lernen wir Mathematik, wenn KI die Probleme für uns lösen kann?», stand der Mensch vor der Aufgabe im Mittelpunkt: der Schüler, die Studentin, das eigene Verstehen. Die These dort lautete: KI ist ein Verstärker unseres Denkens, niemals sein Ersatz. Dieser Essay führt dieselbe Frage an ihren äussersten Rand. Wir blicken nicht mehr auf die Hausaufgabe, sondern auf die Forschungsfront – und fragen, was geschieht, wenn die Maschine dort schneller ist als wir.
Die Antwort vorweg: Auch dort gibt es keinen Grund zur Resignation. Im Gegenteil. Es entsteht ein neues, grosses Bildungsziel.
Die entscheidende Zukunftsfrage lautet nicht, was KI alles herausfinden kann. Sie lautet, wie viel davon wir Menschen noch verstehen, beurteilen und verantwortungsvoll nutzen können.
1. Mathematik, die mit uns spricht
Eine KI ist kein Zauberkasten. Wie bereits im Plädoyer «Mathematik lernen mit KI» gezeigt, besteht sie im Kern aus Mathematik: aus Vektoren und Matrizen, Wahrscheinlichkeitsverteilungen, Ableitungen und Optimierungsverfahren. Ihre Parameter werden anhand von Daten angepasst, und aus Milliarden mathematischer Operationen entstehen Texte, Programme – und manchmal überraschend gute Lösungswege.
Man kann es zuspitzen: Künstliche Intelligenz ist zu einem grossen Teil Mathematik, die mit uns spricht. Ganz darauf reduzieren lässt sie sich allerdings nicht. Erst das Zusammenspiel von mathematischen Verfahren, Rechenhardware, Daten und Lernarchitekturen bringt ihre Fähigkeiten hervor.
Die eigentliche Pointe liegt woanders. Menschen haben die mathematischen Werkzeuge entwickelt, mit denen Maschinen nun selbst nach neuer Mathematik suchen. Eine Wissenschaft beginnt, ihre eigene Weiterentwicklung technisch zu beschleunigen:
Mathematik ermöglicht KI. KI ermöglicht neue Mathematik.
Dieser Kreislauf könnte zu den folgenreichsten wissenschaftlichen Entwicklungen unseres Jahrhunderts gehören. Und er wirft eine Frage auf, die weit über das Rechnen hinausgeht.
2. Wenn die Maschine eigene Fragen stellt
Ein schwieriges Problem zu lösen ist bewundernswert. Eine Frage zu entdecken, die noch niemand gestellt hat, ist oft der grössere Schritt. Denken wir an die Primzahlen: Eine Mathematikerin untersucht die Abstände zwischen aufeinanderfolgenden Primzahlen, bemerkt Unregelmässigkeiten, ahnt ein Muster – und formuliert eine Vermutung. Schon dieses Erkennen einer bedeutsamen Frage ist eine schöpferische Leistung, lange bevor ein Beweis in Sicht ist.
Kann eine KI das auch? Die kurze Antwort: in einem funktionalen Sinn – ja, teilweise schon heute. Aktuelle Systeme untersuchen mathematische Strukturen, erzeugen Kandidaten für neue Aussagen, suchen Beispiele und Gegenbeispiele und verbessern ihre Ergebnisse Schritt für Schritt. Damit das nicht im Ungefähren bleibt, lohnt sich ein genauer Blick auf drei Stufen der Selbstständigkeit:
| Stufe | Was geschieht | Stand heute |
|---|---|---|
| 1 – Eine vorgegebene Frage lösen | Der Mensch formuliert das Problem, die KI sucht die Lösung. | Längst Realität. 2025 erreichte ein KI-System an der Internationalen Mathematik-Olympiade offiziell Goldmedaillen-Niveau. |
| 2 – Eigene Vermutungen entwickeln | Der Mensch gibt ein Gebiet oder Ziel vor; die KI formuliert selbst neue Teilprobleme, Konstruktionen und Vermutungen. | In spezialisierten Systemen teilweise erreicht – etwa bei AlphaEvolve von Google DeepMind (2025). |
| 3 – Ein eigenes Forschungsprogramm verfolgen | Die KI wählt selbst, welche Gebiete untersuchenswert sind, erschafft neue Begriffe und verfolgt langfristig Richtungen nach eigenen Kriterien. | Als umfassende, verlässlich demonstrierte Fähigkeit noch offen. |
Wie konkret das schon ist, zeigt AlphaEvolve: Das System fand 2025 ein Verfahren, zwei 4×4-Matrizen mit komplexen Einträgen mit 48 statt 49 Multiplikationen zu verknüpfen – die erste Verbesserung seit Volker Strassens berühmtem Algorithmus von 1969 für diesen Fall.
Zwischen den drei Stufen liegen trotzdem Welten. Ein System mag tausend Vermutungen ausspucken – doch welche verdient Jahre menschlicher und maschineller Arbeit? Neuheit allein genügt nicht. Eine Maschine könnte nahezu beliebig viele formal korrekte, aber völlig belanglose Fragen erzeugen. Fruchtbar wird eine Frage erst, wenn sie getrennte Theorien verbindet, eine unerwartete Vereinfachung verspricht oder rätselhafte Beispiele erklärt.
Spannend ist: Eine KI muss kein menschliches Staunen empfinden, um fruchtbare Fragen zu erzeugen. Sie kann gezielt nach Neuartigkeit, Eleganz oder überraschenden Verbindungen suchen. Hier verläuft eine wichtige philosophische Trennlinie: Dass ein System eine neue Frage hervorbringt, ist beobachtbar. Ob es dabei etwas erlebt, das menschlicher Neugier entspricht, ist eine ganz andere – und bislang offene – Frage.
Und was heisst das für die vier Ebenen aus Artikel I?
Wer die vier Ebenen mathematischer Leistung aus dem ersten Artikel kennt, mag hier stutzen. Dort hiess es, die schöpferische Erkenntnis könne KI nicht ersetzen. Gilt das noch, wenn Maschinen selbst Vermutungen aufstellen? Ja – denn jene Ebenen beschreiben, was im lernenden Menschen geschieht. Eine KI kann Vermutungen produzieren. Die Erfahrung, selbst eine Frage zu entdecken und ihr nachzugehen, kann sie mir nicht abnehmen. Maschinelle Kreativität ersetzt nicht die eigene – aber sie kann sie herausfordern und beflügeln.
MERKSATZ
Nicht jede neue Antwort ist eine Entdeckung. Nicht jede neue Frage ist eine gute Frage. Erkenntnis beginnt oft damit, das Bedeutende vom bloss Möglichen zu unterscheiden.
3. Jenseits unserer Vorstellungskraft
Stellen wir uns ein Forschungsgebiet vor, dessen Strukturen so komplex sind, dass niemand mehr alle Zusammenhänge gleichzeitig überblickt. Eine leistungsfähige KI könnte Millionen Konstruktionen durchmustern, Brücken zwischen weit entfernten Gebieten schlagen und daraus neue Theorien entwickeln – mit Objekten, die sich formal exakt beschreiben, aber kaum noch anschaulich vorstellen lassen.
Ganz neu wäre das nicht. Ein Raum mit einer Million Dimensionen besitzt eine präzise mathematische Beschreibung. Wir können darin Abstände messen, Winkel berechnen, Sätze beweisen. Vorstellen kann sich diesen Raum trotzdem niemand so wie das eigene Wohnzimmer. Die Mathematik hat uns längst gelehrt: Verstehen heisst nicht immer, sich etwas bildlich vorzustellen.
KI könnte diesen Abstand zwischen Beschreiben und Anschauen dramatisch vergrössern. Vielleicht entstehen Theorien, die wir dank automatischer Beweisprüfung als korrekt akzeptieren, ohne ihre innere Architektur zu durchschauen. Dann wäre die mathematische Erkenntnisfähigkeit unseres technischen Gesamtsystems grösser als die jedes einzelnen Menschen – eine neue Qualität der Arbeitsteilung zwischen menschlichem und maschinellem Denken.
Doch Vorsicht vor vorschnellen Schlüssen. Es hilft, drei Arten von Grenzen auseinanderzuhalten:
1. Die Grenze der Anschauung: Wir können uns etwas nicht bildlich vorstellen – und doch präzise damit arbeiten.
2. Die Grenze der Komplexität: Ein Ergebnis ist zu umfangreich, um es zu überblicken. Es ist praktisch unverständlich, aber nicht prinzipiell. Eine spätere Generation findet vielleicht die kurze, elegante Idee dahinter.
3. Die Grenze der Logik: Manche Fragen lassen sich innerhalb eines formalen Systems grundsätzlich nicht entscheiden – egal, wie klug oder schnell man ist.
Die ersten beiden Grenzen könnte KI weit über das heutige menschliche Niveau hinausschieben. Gerade hier wartet eine neue Aufgabe auf uns: herauszufinden, welche einfache Idee sich hinter einer gigantischen Maschinenrechnung verbirgt. Die Mathematik kennt solche Übersetzungsleistungen seit Jahrhunderten – ein unübersichtliches Sammelsurium von Einzelresultaten wird durch einen neuen Begriff plötzlich zu einer eleganten Theorie. Vielleicht besteht menschliche Forschung künftig immer häufiger darin, maschinell gefundene Strukturen verstehbar zu machen.
Die dritte Grenze aber ist von ganz anderer Art. Sie führt uns zu Kurt Gödel.
4. Gödel: Die Grenze liegt nicht im Tempo
Nun drängt sich eine verführerische Idee auf: Wenn eine KI jede denkbare Beweiskombination unvorstellbar schnell durchprobieren könnte – wären dann irgendwann alle mathematischen Probleme gelöst? Kurt Gödel zeigte 1931, warum diese Hoffnung für eine wichtige Klasse formaler Systeme unerfüllbar ist.
Sein erster Unvollständigkeitssatz besagt, vereinfacht: Jedes widerspruchsfreie, effektiv axiomatisierte System, das genügend Arithmetik ausdrücken kann, enthält Aussagen, die es mit seinen eigenen Regeln weder beweisen noch widerlegen kann. Das ist keine Frage langsamer Hardware. Es ist eine Eigenschaft des formalen Rahmens selbst.
«Dann nimmt die KI eben ein stärkeres System!», könnte man einwenden. Tatsächlich: Fügt man neue Axiome hinzu, kann eine zuvor unentscheidbare Aussage beweisbar werden. Doch das neue System ist – sofern es wiederum widerspruchsfrei, effektiv axiomatisiert und ausdrucksstark genug ist – denselben Sätzen unterworfen. Es entstehen neue unentscheidbare Aussagen. Jede Erweiterung vergrössert die Beweismöglichkeiten; kein einzelnes System dieser Art erfasst alle arithmetischen Wahrheiten.
Eine immer stärkere KI könnte uns also zu immer mächtigeren Theorien führen. Ein endgültiges, vollständiges System erreicht sie damit nicht. Hier blitzt ein faszinierender Gedanke auf: Mathematik könnte eine prinzipiell unabschliessbare Erkenntnistätigkeit sein.
Zwei Missverständnisse gilt es dabei zu vermeiden:
1. Gödel beweist keine ewige Unerkennbarkeit. Er hat nicht gezeigt, dass eine bestimmte Wahrheit für jeden Menschen und jede Maschine für immer verborgen bleibt. Seine Sätze betreffen die Beweisbarkeit innerhalb präzise definierter formaler Systeme.
2. Gödel beweist keine Überlegenheit des Menschen. Auch wir stützen uns auf Axiome und Schlussregeln. Einen nachgewiesenen privilegierten Zugang zu allen mathematischen Wahrheiten besitzen wir nicht. Mensch und KI könnten – bei aller unterschiedlichen Leistungsfähigkeit – an verwandte Grenzen gebunden sein.
MERKSATZ
Unendliche Geschwindigkeit beseitigt keine logische Unmöglichkeit. Aber Unentscheidbarkeit in einem bestimmten System ist nicht dasselbe wie ewige Unerkennbarkeit.
5. Turing: Nicht alles lässt sich berechnen
Wenige Jahre später, 1936, entdeckte Alan Turing eine verwandte, aber andere Grenze. Sein berühmtestes Beispiel ist das Halteproblem: Gibt es ein Programm, das für jedes beliebige andere Programm zuverlässig entscheidet, ob es irgendwann anhält oder endlos weiterläuft? Turing bewies: Einen solchen allgemeinen Algorithmus kann es nicht geben.
Das heisst nicht, dass wir bei keinem Programm wissen, ob es anhält – für unzählige konkrete Fälle ist das problemlos möglich. Unmöglich ist ein universelles Verfahren, das für alle Programme richtig antwortet.
Für die KI ist die Konsequenz klar: Solange sie mit gewöhnlichen algorithmischen Verfahren arbeitet, unterliegt sie denselben Berechenbarkeitsgrenzen. Ob sie eine Milliarde oder eine Billion Schritte pro Sekunde schafft, spielt keine Rolle. Ein unberechenbares Problem wird durch mehr Rechenleistung nicht berechenbar.
Bleibt die Frage, ob irgendeine physikalisch denkbare Maschine diese Grenzen sprengen könnte. Die Church-Turing-These beschreibt, was wir unter effektiv berechenbaren Verfahren verstehen; ob sie für sämtliche physikalischen Prozesse gilt, ist eine offene Grundlagenfrage. Bis heute gibt es keinen anerkannten Nachweis einer realisierbaren Maschine, die allgemein unberechenbare Probleme zuverlässig löst. Wir sollten also weder versprechen, künftige KI werde diese Grenzen überwinden, noch so tun, als kennten wir bereits jede denkbare Form der Informationsverarbeitung.
MERKSATZ
Eine KI kann uns mathematisch weit übertreffen – ohne dadurch allwissend zu sein.
6. Erfinden wir Mathematik – oder entdecken wir sie?
Existiert Mathematik unabhängig vom Menschen, oder entsteht sie erst in unseren Köpfen? Darüber streiten Philosophen seit mehr als zwei Jahrtausenden. Der Platonismus sagt: Mathematische Strukturen existieren unabhängig von uns. Wir erfinden den Satz des Pythagoras nicht, wir entdecken ihn. Konstruktivistische und formalistische Positionen betonen dagegen die Begriffe, Regeln und Systeme, die Menschen schaffen. Die tatsächlichen Schulen sind vielschichtiger – doch diese Gegenüberstellung hilft, den Kern zu sehen.
Ein einfaches Beispiel: Wir haben die natürlichen Zahlen definiert und den Begriff der Teilbarkeit eingeführt. Sobald das geschehen ist, können wir aber nicht mehr bestimmen, welche Zahlen Primzahlen sind. 17 ist prim, 18 nicht. Punkt. Das folgt zwingend aus den Definitionen. Daraus ergibt sich eine überzeugende Zwischenposition: Wir erfinden Begriffe – und entdecken deren Konsequenzen.
Besonders schön sieht man das an den komplexen Zahlen. In den reellen Zahlen hat die Gleichung
x² + 1 = 0
keine Lösung. Führt man eine neue Zahl i mit i² = −1 ein, schon. Die Erweiterung war eine Wahl. Was daraus folgte – eine der reichsten Theorien der Mathematik, heute unverzichtbar für Elektrotechnik und Quantenphysik –, konnte niemand nach Belieben festlegen.
Für die KI heisst das: Sie kann neue Begriffe entwickeln, ungewöhnliche Axiome untersuchen und Strukturen konstruieren, an die noch niemand gedacht hat – auch solche mit nichtklassischer Logik. Sobald aber die Voraussetzungen festgelegt sind, gelten die Regeln. Eine KI kann nicht einfach beschliessen, eine widersprüchliche Aussage sei wahr, ohne die Logik oder die Bedeutung der Begriffe zu verändern.
Vielleicht entdeckt KI Begriffswelten, die sich weder aus unserer Anschauung noch aus unseren gewohnten Zahlensystemen ergeben. Das wäre ein echter Fortschritt. Aber wäre die Mathematik damit überschritten? Wohl kaum. Wir hätten eher entdeckt, dass die Mathematik grösser ist, als wir dachten.
MERKSATZ
Wir können mathematische Begriffe erfinden. Die Konsequenzen ihrer Beziehungen aber entdecken wir – bestimmen können wir sie nicht.
7. Neue Begriffe für unbekannte Welten

Die Geschichte der Mathematik ist auch eine Geschichte des Mutes, das Vorstellbare zu überschreiten. Negative Zahlen galten lange als absurd, komplexe Zahlen tragen das Etikett «imaginär» bis heute im Namen, nichteuklidische Geometrien und unendliche Mengen stiessen bei Zeitgenossen auf heftigen Widerstand. Heute sind sie selbstverständliche Werkzeuge. Keine dieser Neuerungen hat die bisherige Mathematik widerlegt. Jede hat ihren Rahmen erweitert.
Ähnliches könnte KI in nie dagewesenem Massstab leisten. Sie könnte Konstruktionen hervorbringen, die zunächst wie ein fremdes Alphabet wirken – und sich später als Schlüssel erweisen, mit dem bisher getrennte Gebiete plötzlich als Teile einer gemeinsamen Struktur erscheinen. Das wäre mehr als eine Beschleunigung der Forschung. Es wäre eine Erweiterung dessen, was wir überhaupt mathematisch denken können.
Allerdings: Eine neue Sprache ist noch keine neue Erkenntnis. Eine KI könnte unzählige formale Systeme erzeugen, die niemanden weiterbringen. Bedeutsam wird eine Theorie erst, wenn sie Zusammenhänge erschliesst, Probleme klärt, neue Fragen öffnet oder Anwendungen ermöglicht. Damit sind wir wieder bei einer Fähigkeit, die oft unterschätzt wird: der Wahl der bedeutsamen Frage. Das fruchtbare Neue vom bloss Neuen zu unterscheiden – das wird selbst zu einer zentralen Aufgabe der Forschung.
8. Ist der Mensch überhaupt der Massstab?
Wir messen Intelligenz gern an uns selbst: Kann eine KI logisch denken, abstrahieren, kreativ sein – so wie wir? Aber warum sollte ausgerechnet das menschliche Gehirn das Mass aller möglichen Erkenntnis sein? Unsere Fähigkeiten sind in der biologischen Evolution entstanden, mit klaren Grenzen bei Gedächtnis, Aufmerksamkeit, Tempo und Vorstellungskraft. Es wäre erstaunlich, wenn gerade sie die ganze Bandbreite möglicher Erkenntnis bereits ausschöpfen würden.
Es ist deshalb plausibel, dass KI eines Tages mathematische Zusammenhänge erkennt, die für Menschen praktisch unzugänglich bleiben. Entscheidend ist aber die Unterscheidung zwischen zwei Dingen:
1. Übermenschliche Leistungsfähigkeit: möglich – und in spezialisierten Bereichen bereits teilweise Realität.
2. Überwindung aller Erkenntnisgrenzen: dafür gibt es keinen Beleg. Auch eine übermenschliche KI stösst, wie Gödel und Turing zeigen, auf Fragen, die sie in ihrem Rahmen nicht entscheiden kann.
Vielleicht ist das Überschreiten von Grenzen deshalb kein einmaliger Durchbruch zu endgültigem Wissen, sondern ein fortlaufender Prozess. Das ist keine bewiesene Aussage, sondern eine philosophische Deutung der bisherigen Mathematikgeschichte und ihrer logischen Grundlagen. Aber eine faszinierende: Mathematik gleicht dann nicht einem fertigen Gebäude, in dem nur noch ein paar Zimmer zu entdecken sind. Sie gleicht eher einer Landschaft, in der jeder neue Aussichtspunkt weitere Horizonte sichtbar macht.
KI könnte uns helfen, viel schneller zu neuen Aussichtspunkten zu gelangen – zu Zusammenhängen, für die wir sonst Jahrhunderte gebraucht oder die wir nie gefunden hätten. Einen letzten Horizont würde aber auch sie nicht erreichen. Je mehr wir verstehen, desto deutlicher sehen wir, wie viel noch offen ist.
Damit erhält die Ausgangsfrage eine überraschende Wendung. Vielleicht sollten wir gar nicht fragen, ob KI das Ende der Mathematik erreicht. Die spannendere Frage lautet: Kann KI uns mathematische Wirklichkeiten erschliessen, von deren Existenz wir heute nicht einmal etwas ahnen? Meine Antwort: Ja – das ist eine ernsthaft denkbare Möglichkeit.
MERKSATZ
KI könnte das menschliche mathematische Erkenntnisvermögen übersteigen, ohne damit die Mathematik selbst zu übersteigen.
9. Bewiesen, verstanden, bedeutsam: drei Ebenen des Fortschritts
Im ersten Artikel stand bereits das Gedankenexperiment «Wenn die KI selbst Neues entdeckt». Dort wurden drei Fragen unterschieden: Ist die Aussage wahr? Ist neues Wissen entstanden? Haben Menschen etwas verstanden? Gehen wir nun einen Schritt weiter. Eine KI beweist einen neuen Satz. Der Beweis ist formal geprüft, aber so umfangreich, dass kein Mensch die Idee dahinter durchschaut. Ist der Satz deshalb weniger wahr?
Mathematisch betrachtet: nein. Seine Wahrheit hängt nicht davon ab, ob ein Mensch ihn versteht. Aus menschlicher Sicht stellt sich jedoch eine andere Frage: Was können wir mit einer Wahrheit anfangen, deren Bedeutung und Konsequenzen wir nicht überblicken? Hilfreich ist es, drei Ebenen zu unterscheiden:
| Ebene | Leitfrage | Wer kann sie beantworten? |
|---|---|---|
| Mathematische Gültigkeit | Ist das Resultat korrekt bewiesen? | Mensch und Maschine – zunehmend auch automatische Beweisprüfer. |
| Konzeptionelles Verständnis | Warum gilt es? Welche Idee steckt dahinter? | Nur, wer sich selbst geistig damit auseinandersetzt. |
| Menschliche Bedeutung | Was folgt daraus für unser Handeln? Ist die Anwendung verantwortbar? | Menschen – mit mathematischem Verständnis und ethischer Urteilskraft. |
Unverstandene Mathematik ist dabei nicht wertlos. Die Geschichte kennt viele abstrakte Ergebnisse, die erst Jahrzehnte später praktische Bedeutung erlangten. Die Zahlentheorie etwa galt lange als die reinste, «nutzloseste» aller Disziplinen – heute sichert sie die Verschlüsselung im Internet. Ihren Wert für unsere bewusste Erkenntnis und eine verantwortliche Anwendung entfaltet eine Wahrheit aber erst, wenn wir einen Zugang zu ihrer Bedeutung finden.
Und hier wird es ernst. Angenommen, KI entwickelt Theorien, die weit über heutige Forschung hinausgehen und neue Technologien, medizinische Verfahren oder Wirtschaftsmodelle ermöglichen. Wer entscheidet dann, welche Erkenntnisse relevant sind? Wer prüft, ob ihre Voraussetzungen zur Wirklichkeit passen? Wer beurteilt, ob ihre Anwendung verantwortbar ist?
MERKSATZ
Was bewiesen ist, muss noch nicht verstanden sein. Was verstanden ist, muss noch nicht für jedes menschliche Ziel wünschenswert sein.
10. Die Optimierung des Lebens ist keine Rechenaufgabe
Wie scharf diese Fragen sind, zeigt sich dort, wo mathematische Modelle in unser Leben eingreifen. Ein einfaches Beispiel: Eine KI optimiert ein städtisches Verkehrssystem so, dass die durchschnittliche Fahrzeit aller Verkehrsteilnehmenden minimal wird. Mathematisch ist das ein sauber formuliertes Ziel. Doch vielleicht rollt der Verkehr nun mitten durch ein bestimmtes Wohnquartier. Vielleicht profitieren einige stark, während andere deutlich längere Wege haben. Die Lösung ist bezüglich der gewählten Zielfunktion vollkommen korrekt. Ob sie auch gerecht ist, steht auf einem anderen Blatt.
Denn in der Mathematik bedeutet Optimierung: eine Zielfunktion unter bestimmten Bedingungen möglichst gross oder klein zu machen. Das Leben aber hat keine einzige, allgemein gültige Zielfunktion. Gesundheit? Freiheit? Beruflicher Erfolg? Sicherheit? Zufriedenheit? Gute Beziehungen? Die Chance, Neues zu entdecken? Diese Ziele können einander widersprechen. Ein KI-optimierter Tagesplan, der unsere Produktivität maximiert, lässt vielleicht keine Zeit mehr für Familie, Freundschaft und Erholung.
Dasselbe gilt in der Medizin. Ein Risikomodell kann genauer vorhersagen als je zuvor – die Entscheidung, welche Behandlung ein Mensch für sich wählt, nimmt es ihm nicht ab. Und um eine solche Prognose überhaupt richtig zu lesen, braucht es Mathematik. Das Beispiel aus dem Kapitel «Mathematik macht mündig» in Artikel I ist hier hochaktuell: Ob eine «Risikoreduktion um 50 Prozent» von 2 auf 1 Prozent oder von 40 auf 20 Prozent führt, macht für eine persönliche Entscheidung einen gewaltigen Unterschied.
Das schmälert den Nutzen der KI keineswegs. Wer seine Ziele bewusst formuliert, kann sich von ihr Möglichkeiten aufzeigen, Konsequenzen durchrechnen und Zusammenhänge sichtbar machen lassen, die sonst verborgen blieben. So kann KI unsere Lebensqualität tatsächlich verbessern. Aber: Die Mathematik zeigt uns Wege und Folgen. Welche Ziele wir verfolgen, entscheiden wir. Mathematik wird so zur Voraussetzung menschlicher Selbstbestimmung – ohne allein dafür auszureichen. Ethische, politische und soziale Urteilskraft gehören dazu.
MERKSATZ
Mathematik kann Wege zu einem Ziel optimieren. Welches Ziel wir anstreben sollten, bleibt eine menschliche Wertentscheidung.
11. Zuschauer oder Mitspieler?
Stellen wir uns zwei mögliche Zukünfte vor:
| Zukunft A: Die Zuschauer | Zukunft B: Die Mitspieler |
|---|---|
| Mathematische Forschung und Problemlösung werden zunehmend an KI delegiert. | KI wird genutzt, um mathematische Bildung auf ein neues Niveau zu heben. |
| Menschen erhalten Ergebnisse und übernehmen Empfehlungen. | Menschen prüfen maschinelle Ergebnisse und stellen eigene Fragen. |
| Immer weniger Menschen verstehen die zugrunde liegenden Modelle. | Immer mehr Menschen lernen schneller und tiefer als je zuvor. |
| Der Fortschritt läuft weiter – an uns vorbei. | Der Fortschritt wird gemeinsam gestaltet. |
Der Unterschied zwischen beiden Zukünften liegt nicht in der Leistungsfähigkeit der KI – die Maschinen sind in beiden Szenarien dieselben. Der Unterschied liegt in der Entwicklung der menschlichen Erkenntnisfähigkeit. Genau das meint das Paradox, das im ersten Artikel formuliert wurde: Je mehr KI kann, desto mehr Mathematik brauchen wir.
Ein naheliegender Einwand: Es ist unrealistisch, dass Menschen sämtliche Erkenntnisse künftiger KI-Systeme selbst nachvollziehen. Stimmt. Schon heute überblickt niemand die gesamte Mathematik, und komplizierte Beweise werden oft nur von einer kleinen Gruppe Spezialisten vollständig verstanden. Wissenschaft funktioniert durch Arbeitsteilung, gegenseitige Prüfung und begründetes Vertrauen in sorgfältige Verfahren.
Das Ziel ist also nicht, dass jeder alles versteht. Das Ziel ist, dass wir als Gesellschaft genügend mathematische Kompetenz bewahren, um Ergebnisse kritisch zu prüfen, ihre Grenzen zu erkennen und neue Erkenntnisse verständlich weiterzugeben. Dafür braucht es eine lebendige Gemeinschaft auf mehreren Stufen:
1. Mathematische Grundbildung, um Statistiken, Risiken und Modelle im Alltag zu verstehen.
2. Vertiefte Hochschulbildung, um komplexe Modelle und Verfahren kritisch zu prüfen.
3. Mathematische Forschung, die Begriffe und Methoden erweitert, mit denen wir Neues erschliessen.
KI kann diese Arbeitsteilung vertiefen – oder untergraben, wenn mathematische Bildung gegenüber der automatisierten Ergebnisproduktion an Bedeutung verliert. Die entscheidende gesellschaftliche Frage ist deshalb nicht, ob Maschinen künftig mehr Mathematik beherrschen. Sie lautet: Bewahren wir genug eigene Kompetenz, um selbstbestimmt mit ihren Erkenntnissen umzugehen?
MERKSATZ
Wir müssen Mathematik weiterlernen, damit der Fortschritt der KI nicht zu einem Fortschritt wird, dem wir nur noch verständnislos gegenüberstehen.
12. Eine Denkpartnerschaft, die mehr möglich macht

Die gute Nachricht: Zukunft B ist erreichbar. Lange wurde das Verhältnis von Mensch und KI als Wettrennen erzählt – die Maschine kann immer mehr, der Mensch fällt zurück. Zeit, das Bild zu wechseln. KI ist kein Konkurrent, sondern ein Werkzeug, mit dem wir unsere eigenen Erkenntnismöglichkeiten erweitern.
Ein guter KI-Tutor kann Konzepte schneller und anschaulicher erschliessen, schwierige Zusammenhänge mit immer neuen Beispielen beleuchten, Wissenslücken aufspüren und weiterführende Fragen stellen. Eine Studentin könnte so in derselben Lernzeit tiefer verstehen als je zuvor. Aber – und das ist entscheidend – dieser Effekt tritt nicht automatisch ein. Er hängt davon ab, wie die KI eingesetzt wird und ob der Mensch geistig aktiv bleibt.
Wie das konkret aussieht, zeigt Artikel I mit dem Weg vom Satz des Pythagoras zum Kosinussatz – ganz im Geist von Sokrates und George Pólya. Der gute KI-Tutor wartet mit der Lösung, wenn eine Frage mehr bewirkt. Er gibt einen dosierten Hinweis, wenn die eigene Suche feststeckt. Und nach der Lösung fragt er weiter: Warum gilt das? Was ändert sich unter anderen Voraussetzungen? Steckt dahinter eine allgemeinere Vermutung?
So entsteht ein Kreislauf, der sich selbst verstärkt:
1. Ich verstehe die Grundlagen.
2. Ich stelle der KI bessere, präzisere Fragen.
3. Ich erhalte reichere Antworten, Beispiele und Gegenbeispiele.
4. Ich prüfe sie kritisch und gewinne eigene Einsichten.
5. Der Lernprozess beginnt auf höherem Niveau von Neuem.
13. Die neue Mathematikbildung: mehr verstehen, weiter fragen
Die Geschichte der Menschheit ist auch eine Geschichte immer neuer Erkenntnisinstrumente. Das Fernrohr öffnete den Blick ins Universum, das Mikroskop in eine zuvor unsichtbare Welt. Computer ermöglichten Simulationen weit jenseits menschlicher Rechenkraft. Künstliche Intelligenz könnte die nächste Stufe einleiten: Sie erweitert nicht nur unsere Wahrnehmung oder Rechenleistung, sondern hilft beim Finden von Zusammenhängen, beim Aufstellen von Hypothesen und beim Erschliessen ganzer Wissensgebiete.
Doch ein Fernrohr nützt nur dem, der weiss, wohin er schaut. Ein erweiterter Erkenntnishorizont ist nur dann ein persönlicher Gewinn, wenn wir lernen, die neu sichtbaren Zusammenhänge zu verstehen. Eine KI kann mir eine hochkomplexe Theorie erklären. Fehlen mir aber die Grundbegriffe, bleibt selbst die beste Erklärung an der Oberfläche – oder, wie es in Artikel I heisst: ohne eigene geistige Verarbeitung «nur fremdes Wissen».
Konkret heisst das:
1. Wer Wahrscheinlichkeit und Statistik versteht, kann medizinische Risikomodelle, Wirtschaftsprognosen und Klimaszenarien einordnen, statt ihnen blind zu glauben.
2. Wer Analysis, lineare Algebra und Optimierung kennt, versteht die Mechanismen, auf denen moderne KI-Systeme beruhen – und damit auch ihre Grenzen.
3. Wer Beweisen gelernt hat, unterscheidet eine überzeugend klingende Behauptung von einer begründeten – auch dann, wenn sie von einer Maschine stammt.
Nicht alle müssen dieselbe Tiefe erreichen. Aber je weiter wir mathematisch vordringen, desto grösser wird der Teil der maschinell erschlossenen Welt, den wir selbstständig beurteilen können. Mathematische Bildung ist das geistige Instrumentarium, mit dem wir uns diese neue Erkenntniswelt Stück für Stück zu eigen machen. Und das Schöne daran: Genau diese Vermittlung kann durch KI schneller und individueller werden als je zuvor.
MERKSATZ
Die KI erweitert den Horizont unseres Wissens. Mathematik befähigt uns, diesen Horizont selbst zu erschliessen.
Schluss: Damit die Zukunft des Denkens nicht ohne uns stattfindet

Vielleicht gewinnen wir bald mathematische Erkenntnisse, für die ein Mensch früher ein ganzes Forscherleben gebraucht hätte. Vielleicht entstehen Forschungsgebiete, die es heute noch gar nicht gibt. Jede dieser Erweiterungen ist eine Chance – für die Wissenschaft, für die Technik, für ein tieferes Verständnis unserer Welt.
Vernachlässigen wir aber das eigene Mathematiklernen, bleiben diese Chancen ungleich verteilt und für viele unverständlich. Wir wären Nutzniesser eines Fortschritts, den wir nicht mehr beurteilen können. Gerade darum liegt in der KI-Revolution eine neue, starke Motivation für mathematische Bildung: nicht weniger, sondern tiefere Mathematik. Nicht weniger, sondern anspruchsvolleres Denken.
Es geht nicht darum, auf ewig klüger zu bleiben als eine Maschine. Es geht darum, unsere eigenen Erkenntnismöglichkeiten mit neuen Werkzeugen zu erweitern – und dabei das Verstehen, Urteilen und Fragen nicht aus der Hand zu geben.
Der erste Artikel dieser Reihe endete mit dem Satz: Wir lernen Mathematik, um die Möglichkeiten unseres eigenen Denkens zu entfalten. Dieser Essay fügt einen zweiten hinzu – den Blick vom Einzelnen auf uns alle:
Wir lernen Mathematik nicht nur, um selbst denken zu können.
Wir lernen sie, damit die Zukunft des Denkens nicht ohne uns stattfindet.
Kostenloses Erstgespräch vereinbarenMarcel Liechti – Mathematiker, langjähriger Gymnasiallehrer, Hochschulcoach und Fachbuchautor · Mathematik-lernen.com
WEITERLESEN
Teil I dieser Reihe: Wozu lernen wir Mathematik, wenn KI die Probleme für uns lösen kann? – ein Plädoyer für die wichtigste Disziplin des menschlichen Denkens und für KI als Verstärker, niemals als Ersatz.
Sechs Kernsätze – das Wichtigste auf einen Blick
Literatur und weiterführende Quellen
Deutschsprachige Literatur
Gödel, Kurt (1931): «Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme I.» Monatshefte für Mathematik und Physik 38, 173–198.
Hoffmann, Dirk W. (2017): Die Gödel’schen Unvollständigkeitssätze. Eine geführte Reise durch Kurt Gödels historischen Beweis. 2. Auflage. Berlin/Heidelberg: Springer Spektrum. ISBN 978-3-662-54299-6.
Kasy, Maximilian (2026): Die Mittel der Prädiktion. Wie KI wirklich funktioniert (und wer davon profitiert). Berlin: Suhrkamp. ISBN 978-3-518-58856-7.
Pólya, George (2010): Schule des Denkens. Vom Lösen mathematischer Probleme. Deutsche Sonderausgabe der 4. Auflage. Tübingen: Francke. ISBN 978-3-7720-0608-1.
Englischsprachige Literatur und Berichte
Turing, Alan M. (1936): «On Computable Numbers, with an Application to the Entscheidungsproblem.» Proceedings of the London Mathematical Society, Series 2, 42, 230–265.
Russell, Stuart J., und Norvig, Peter (2021): Artificial Intelligence: A Modern Approach. 4th ed. Harlow: Pearson.
Google DeepMind, AlphaEvolve Team (2025): «AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms.» Forschungsbericht vom 14. Mai 2025. deepmind.google/blog/alphaevolve
Luong, Thang, und Lockhart, Edward / Google DeepMind (2025): «Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the International Mathematical Olympiad.» Blogbeitrag vom 21. Juli 2025. deepmind.google/blog