Im September 2026 veröffentlichte der Mathematiker Kevin Buzzard einen Beitrag mit dem Titel „FLT: Anthropic has beaten me to it“. Er leitete ein mit einem fünfjährigen Förderbudget ausgestattetes Projekt zur Formalisierung der Mathematik hinter Fermats letztem Satz. Anthropic hatte gerade einen vollständigen, computerprüfbaren Beweis gemeldet, der während eines elftägigen Claude-Laufs entstand. Buzzard kompilierte und überprüfte ihn selbst. Buzzards Einschätzung .
Die Projekte verfolgten unterschiedliche Ziele, und Claude baute auf vorhandener Mathematik und Formalisierungsarbeit auf. Auch mit diesen Einschränkungen ist bemerkenswert, welchen Umfang an Forschungsarbeit eine Maschine unterstützen kann und in welchem Tempo.
Ein Unternehmen kann denselben Zeitfehler machen, ohne je eine Prognose zu veröffentlichen. Es genügt anzunehmen, dass die Werkzeuge des nächsten Jahres nur etwas besser sein werden als die im Vorjahr getesteten. Diese Annahme prägt Budgets, Einstellungen, Softwarekäufe und die Entscheidung, welche Vorhaben noch zu teuer sind. Entscheidungen können überholt sein, bevor sie umgesetzt werden.
Wir erwarten, dass viele KI-Prognosen das Veränderungstempo weiterhin unterschätzen. Das größere Geschäftsrisiko liegt in der komfortablen Vorbereitungszeit, die solche Prognosen scheinbar versprechen.
Die betrieblichen Folgen haben wir bereits in Hyper-Agile untersucht: Wenn die Umsetzung schneller wird, verlagert sich der Engpass zur Entscheidung, was entwickelt werden soll, und zur Beurteilung, ob es funktioniert. Dasselbe gilt für die Planung. Teams müssen ihre Annahmen in einem Tempo überprüfen, das näher am Wandel der Werkzeuge liegt.
Die nächste Verbesserung beginnt auf einem höheren Niveau
Linearer Fortschritt fügt jedes Mal ungefähr dieselbe Menge hinzu. Exponentieller Fortschritt vervielfacht das bereits Vorhandene. Eine Fähigkeit, die sich in sechs gleich langen Intervallen verdoppelt, wächst von 1 auf 64. Wer den ersten Zuwachs als Gerade fortschreibt, kommt auf 7.
METRs Studie vom März 2025 liefert Belege für eine konkrete Variante dieses Musters. Im historischen Messzeitraum verdoppelte sich ungefähr alle sieben Monate die menschliche Bearbeitungsdauer jener Software- und Denkaufgaben, die führende Agenten mit 50 % Zuverlässigkeit bewältigen konnten. Gemessen wird Fortschritt auf einer definierten Aufgabensammlung, nicht Intelligenz insgesamt. METRs Studie .
Betriebliche Auswirkungen entstehen, wenn dieser Fortschritt nützliche Schwellen überschreitet. Eine Funktion zu vervollständigen, ein Feature umzusetzen und ein umfangreiches Projekt durchzuarbeiten, sind für die auftraggebende Person unterschiedliche Angebote. Eine auf einem Benchmark klein wirkende Verbesserung kann verändern, welche Aufgaben sich für einen Agenten lohnen.
Das Bild des Hockeyschlägers beschreibt, wie sich das anfühlt. Frühe Fortschritte scheinen überschaubar; spätere verändern die Annahmen hinter alltäglichen Entscheidungen. Eine Exponentialfunktion besitzt keinen einzelnen mathematischen Abhebepunkt. Aus unserer Sicht befinden wir uns bereits in einer Phase, in der die praktischen Folgen kaum noch zu übersehen sind.
Fünf Beispiele aus dem Jahr 2026
Zwei dieser Beispiele vergleichen datierte Prognosen direkt mit gemessenen Ergebnissen. Die anderen zeigen Forschung, die schneller vorankam als von erfahrenen Fachleuten erwartet, oder ein Ergebnis innerhalb eines Zeitfensters, das Experten für unwahrscheinlich hielten. Sie stützen das Argument kürzerer Zeiträume mit unterschiedlich starken Belegen. FRI warnt, dass früh eintretende Meilensteine Zwischenbewertungen in Richtung einer Unterschätzung verzerren; manche Prognosen überschätzten den Fortschritt auch. Diese ausgewählten Fälle erlauben kein Gesamturteil über die Genauigkeit von Prognosen. FRIs Auswertung .
September: Ein elftägiger Lauf erreichte einen bedeutenden mathematischen Meilenstein
Andrew Wiles bewies Fermats letzten Satz in den 1990er-Jahren. Einen Beweis zu formalisieren bedeutet, seine Argumentation in eine computerprüfbare Form zu übertragen, einschließlich Zwischenschritten, die Mathematiker normalerweise unausgesprochen lassen.
Anthropic berichtete, Claude habe während eines elftägigen Laufs einen vollständigen formalen Beweis in Lean erzeugt und dabei vorhandene Fachliteratur, Bibliotheken und Teile früherer Formalisierungsprojekte genutzt. Buzzard prüfte unabhängig, dass sich der Code kompilieren ließ und das beabsichtigte Ergebnis bewies. Sein eigenes gefördertes Projekt verfolgte das umfassendere Ziel, wiederverwendbare, lesbare mathematische Infrastruktur aufzubauen, und verwendete einen anderen Beweisansatz. Die fünfjährige Förderung war daher keine Prognose, dass genau dieses maschinell erzeugte Ergebnis fünf Jahre benötigen würde. Anthropics Bericht , Buzzards Einschätzung .
Mai: Schwierige Programmieraufgaben überholten die Prognose
Die Medianprognose der LEAP-Experten lag für LiveCodeBench Pro Hard bei 14 % bis Ende 2026 und 33 % bis Ende 2030. Bereits im Mai 2026 meldete FRI ein Ergebnis von 53,8 %. Damit wurden beide zentralen Erwartungen übertroffen, auch wenn es ein Ergebnis auf einem bestimmten Programmierbenchmark bleibt. Ursprüngliche Prognosen , von FRI gemeldetes Mai-Ergebnis .
Februar: Cybersicherheit überholte eine Prognose für 2028
Laut dem Forecasting Research Institute erwarteten Experten, dass KI 2028 mindestens 90 % der Cybench-Aufgaben lösen würde; Superforecaster erwarteten dies für 2030. Claude Opus 4.6 überschritt die gemeldete Schwelle im Februar 2026 mit 93 % auf einer Teilmenge von 37 Aufgaben. Das ist eine Benchmark-Leistung mit eingeschränkter Vergleichbarkeit durch die Teilmenge, keine Aussage über beliebige Angriffe in der Praxis. FRIs Prognoseauswertung .
September: Ein Millennium-Problem erreichte die Prüfungsphase
In einer LEAP-Umfrage von 2025 gaben KI-Experten im Median nur 10 % Wahrscheinlichkeit dafür an, dass KI bis 2027 ein Millennium-Problem lösen oder wesentlich zu seiner Lösung beitragen würde. Bis 2030 stieg die Wahrscheinlichkeit auf 20 %. Diese Probleme stehen für bedeutende ungelöste Fragen der Mathematik. Ursprüngliche Prognose .
Im September 2026 kündigte OpenAI nach einem 88-stündigen KI-Forschungslauf einen Beweis zur Lösung des Navier–Stokes-Problems an. Das Clay Mathematics Institute bezeichnete das Problem anschließend als offenbar gelöst und verwies auf sein Prüfverfahren. Stand 11. Oktober belegen die hier genannten Quellen einen angekündigten Beweis und diese Reaktion, keine abgeschlossene Preisentscheidung. OpenAIs Ankündigung , Clays Stellungnahme .
Hält das Ergebnis der Prüfung stand, wäre ein von Experten innerhalb des Prognosefensters für unwahrscheinlich gehaltener Meilenstein bereits 2026 erreicht. Ein einzelnes Ereignis mit niedriger Wahrscheinlichkeit belegt keine schlechte Kalibrierung einer Wahrscheinlichkeitsprognose. Es zeigt aber, weshalb eine Planung ausschließlich nach dem wahrscheinlichsten Zeitverlauf eine Organisation unvorbereitet lassen kann.
Juli: Kryptografische Forschung kam in 60 Stunden voran
HAWK, ein vorgeschlagenes Post-Quanten-Signaturverfahren, hatte über ungefähr zwei Jahre zwei Expertenprüfungen durchlaufen. Anthropic berichtete, Mythos Preview habe nach 60 Stunden einen verbesserten Angriff gefunden, unter menschlicher Anleitung und Validierung. HAWK war ein Kandidatenverfahren; das Ergebnis bedeutete nicht, dass bereits eingesetzte Verschlüsselung gebrochen wurde. Anthropics Forschung .
Es gab keine veröffentlichte Prognose, dass der nächste Fortschritt weitere zwei Jahre dauern würde. Hier überraschte die Fähigkeit: Ein KI-System half, spezialisierte Forschung an einem bereits eingehend untersuchten Problem zu erweitern. Zusammen mit der mathematischen Arbeit reicht die Entwicklung damit über Ergebnisse auf Programmiertests hinaus.
Das Unternehmen könnte zum langsameren Teil werden
Die Gemeinsamkeit ist, dass wichtige Meilensteine früher eintreten können, als Beobachter erwarten. Eine Prognose, die eine Fähigkeit mehrere Jahre entfernt verortet, kann unbemerkt zur Erlaubnis werden, das Lernen aufzuschieben. Kommt die Fähigkeit früher, entfällt die Vorbereitungszeit.
Betrachten wir zwei kleine Unternehmen, die dasselbe Werkzeug testen. Beide stellen fest, dass es bei einem bestimmten Ablauf Schwierigkeiten hat. Eines hält fest, dass KI noch nicht so weit sei, und wartet auf die Strategierunde im nächsten Jahr. Das andere dokumentiert genau, woran es scheiterte, bereitet einen wiederholbaren Test vor und versucht es nach einem wesentlichen Modellupdate erneut.
Überschreitet die Leistungsfähigkeit inzwischen die nötige Schwelle, kann das zweite Unternehmen dies erkennen. Es verfügt zudem über den Kontext, das Bewertungsverfahren und die betriebliche Erfahrung, um die Verbesserung einzusetzen. Dieser Vorsprung kann mit wiederholten Test- und Einführungszyklen wachsen.
Physische Infrastruktur, Regulierung und organisatorischer Wandel begrenzen die Einführung weiterhin. Softwarebenchmarks sagen nicht voraus, wie schnell sich eine gesamte Wirtschaft verändert. Bei bereits digital ausführbarer Arbeit kann allerdings ein langer interner Entscheidungszyklus selbst zum begrenzenden Faktor werden.
Die Frage nach der Singularität wird drängender
Eine weitere Möglichkeit ist, dass KI die Arbeit beschleunigt, aus der bessere KI entsteht. Wenn zunehmend leistungsfähige Systeme Forschenden helfen, Experimente zu entwerfen, Ideen umzusetzen und Ergebnisse schneller auszuwerten, könnte sich der Verbesserungszyklus erneut verkürzen.
Diese Rückkopplung steht im Zentrum der Singularitätshypothese: Technologischer Fortschritt beschleunigt sich so stark, dass seine weiteren Folgen außergewöhnlich schwer vorherzusagen werden. Die seit Langem diskutierte Idee wird relevanter, wenn KI umfangreichere technische Arbeit übernimmt.
Die Beispiele hier belegen weder eine selbsterhaltende rekursive Verbesserung noch einen Zeitpunkt für eine Singularität. Verfehlte Prognosen allein beweisen auch keinen exponentiellen Trend. Sie geben uns Anlass, gemessenen Fortschritt zu prüfen und schnellere Szenarien ernst zu nehmen.
Geben Sie Annahmen einen Überprüfungstermin
Eine sinnvolle Reaktion beginnt bei einer konkreten Aufgabe. Wählen Sie etwas, das das Team automatisieren oder entwickeln möchte, dokumentieren Sie die aktuelle Grenze und definieren Sie ein erfolgreiches Ergebnis. Messen Sie nutzbare Ergebnisse, Prüfaufwand, Kosten und Zuverlässigkeit. Prüfen Sie die Aufgabe erneut, wenn sich die Werkzeuge wesentlich verbessern.
Bewahren Sie Arbeitskontext, Tests und Erkenntnisse aus jedem Versuch auf. Darin liegt der praktische Wert codezentrierter Arbeitsabläufe : Der nächste Durchlauf kann auf dem bereits Gelernten aufbauen. Schnellere Werkzeuge werden nützlicher, wenn sich der umgebende Ablauf mitentwickeln kann.
Profitieren werden Unternehmen, die eine nützliche Veränderung erkennen und einsetzen können, während ihre Wettbewerber noch auf einer alten Einschätzung aufbauen. Welche Entscheidung in Ihrem Unternehmen setzt voraus, dass KI ungefähr so leistungsfähig bleibt wie heute?