Levent Alpöge, Mathematiker beim KI-Unternehmen Anthropic, hat am 20. November 2026 einen möglichen Beweis der Riemannschen Vermutung vorgelegt. Er glaube, den Beweis gemeinsam mit Claude gefunden zu haben, dem Sprachmodell seines Arbeitgebers, berichten heise online und Spektrum der Wissenschaft. Veröffentlicht hat er bislang keinen Fachaufsatz, sondern umfangreichen Code für den Beweisassistenten Lean. Gelöst ist das 167 Jahre alte Problem damit noch nicht.
Der Suchbegriff „KI Riemannsche Vermutung“ stieg bei Google Deutschland binnen eines Tages um mehr als 1.000 Prozent. Für Unternehmen ist der Fall aus einem praktischen Grund interessant: Er zeigt, wie sich Ergebnisse einer KI überprüfen lassen, die kein Mensch mehr vollständig nachvollziehen kann.
Was Alpöge vorgelegt hat
Nach Darstellung von heise haben Alpöge und Claude die Argumentation in Lean formalisiert. Diese Software prüft mathematische Beweise Schritt für Schritt maschinell auf logische Korrektheit. Eine von Claude erzeugte Ausarbeitung, die das Modell „GRH book“ taufte, soll nach Alpöges Angaben über 250.000 Seiten umfassen. Er hielt sie für unlesbar. Eine für Menschen lesbare Fassung will er nachliefern.
Spektrum zitiert Alpöge mit dem Eingeständnis, er lege der Welt ein vollständiges Argument vor, bevor er selbst einen großen Teil der dahinterstehenden Mathematik beherrsche. Fertiggestellt habe er den Beweis am Sonntag, 15. November 2026. Das Timing nannte er selbst ungünstig, weil die Ankündigung einen Tag nach dem Börsengang von Anthropic kam. Über den IPO haben wir in einem eigenen Beitrag berichtet.
Der Stand der Prüfung
Erste unabhängige Prüfungen zeigen laut heise, dass der Lean-Code fehlerfrei kompiliert und von zwei unabhängig entwickelten Lean-Kerneln akzeptiert wird. Unter Berufung auf Scientific American berichtet heise, unabhängige Mathematiker hielten den Beweis inzwischen für sehr wahrscheinlich korrekt. Offen ist eine zentrale Frage: ob der formalisierte Satz exakt der Riemannschen Vermutung entspricht. Alpöge erklärt zudem, das Ergebnis lasse sich auf die verallgemeinerte Riemannsche Vermutung ausweiten.
Ein zweiter Beweisversuch ohne KI
Wenige Stunden später wurde ein weiterer Ansatz bekannt. Ravi Vakil, Mathematiker in Stanford und Präsident der American Mathematical Society, kündigte auf seinem Blog an, Alessandro Masullo habe einen Beweis der verallgemeinerten Riemannschen Vermutung vorgeschlagen. Brian Conrad prüft die Arbeit nach Vakils Angaben seit Monaten. Conrad selbst sagte Scientific American, das Manuskript werde derzeit grundlegend überarbeitet. Masullos Arbeit umfasst laut Spektrum knapp 1.000 Seiten und ist ohne KI entstanden.

Worum es bei der Vermutung geht
Bernhard Riemann formulierte die Vermutung 1859 in seiner einzigen, sechsseitigen Arbeit zur Zahlentheorie. Sie betrifft die Nullstellen der nach ihm benannten Zetafunktion und damit die Verteilung der Primzahlen. Die Aussage: Alle nichttrivialen Nullstellen liegen auf einer Geraden mit dem Realteil ½. Mathematiker haben laut heise mindestens zehn Billionen solcher Nullstellen berechnet, alle liegen auf dieser Linie. Ein Beweis für die unendlich vielen übrigen fehlte bisher.
Die Vermutung gehört zu den sieben Millennium-Problemen des Clay Mathematics Institute, das für eine anerkannte Lösung eine Million US-Dollar ausgelobt hat. Zahlreiche Sätze der Zahlentheorie gelten bislang nur unter dem Vorbehalt, dass die Vermutung stimmt. Ein anerkannter Beweis würde all diese Ergebnisse auf einen Schlag absichern, von Abschätzungen über Primzahllücken bis zu Aussagen über die Laufzeit bestimmter Algorithmen der Zahlentheorie.
Folgen für Verschlüsselung
Naheliegend ist die Frage, ob ein Beweis gängige Verschlüsselung wie RSA gefährdet. Die Vermutung trifft eine Aussage darüber, wie regelmäßig Primzahlen verteilt sind. Ein Verfahren, große Zahlen schneller in ihre Primfaktoren zu zerlegen, ist in den bisherigen Berichten über beide Beweisversuche nicht beschrieben. Für die IT-Sicherheit im Betrieb ergibt sich aus der Nachricht derzeit kein Handlungsbedarf.
Was Unternehmen aus dem Fall lernen können
Der Fall berührt eine Frage, die viele Betriebe beim Einsatz von KI beschäftigt: Wie prüft man ein Ergebnis, dessen Herleitung niemand mehr lesen kann? Alpöges Antwort ist die formale Verifikation. Ein Computerprogramm prüft jeden Schritt, unabhängig davon, wer oder was ihn erzeugt hat.
Prüfbarkeit vor Plausibilität
Übertragen auf den Unternehmensalltag heißt das: KI-Ausgaben werden dort belastbar, wo sie gegen eine unabhängige Instanz getestet werden. In der Softwareentwicklung sind das automatisierte Tests und statische Analysen, in der Buchhaltung Abstimmungen mit Kontoauszügen, im Vertragswesen der Abgleich mit Mustern und Normtexten. Plausibel klingen reicht nicht.
Die Lücke zwischen Aufgabe und Ergebnis
Der Fall zeigt auch die Grenze formaler Prüfung. Lean bestätigt nach heise nur, dass die im System formulierten Aussagen logisch aus den Axiomen folgen. Ob die Definitionen das ursprüngliche Problem exakt abbilden, müssen Fachleute beurteilen. In Unternehmen entspricht das dem Unterschied zwischen „Der Code besteht alle Tests“ und „Die Tests prüfen das, was der Kunde bestellt hat“. Spezifikationsfehler fängt keine Maschine ab, weil die Maschine nur gegen die Spezifikation prüft, die ihr ein Mensch vorgegeben hat.
Vertraulichkeit von Forschungsdaten
Alpöge stand bereits im September im Zentrum einer Kontroverse. OpenAI hatte damals einen eigenen Beweis zu den Navier-Stokes-Gleichungen veröffentlicht, kurz nachdem Alpöge und sein Kollege Tristan Buckmaster Arbeiten zu verwandten Strömungsgleichungen vorgelegt hatten. Beide hatten intensiv KI-Modelle genutzt, darunter Systeme von OpenAI. Buckmaster äußerte laut heise den Verdacht, OpenAI könnte Daten aus seinen Interaktionen mit den Modellen verwendet haben. OpenAI bestritt, die Arbeit gekannt zu haben, schloss aber nicht aus, dass anonymisierte Nutzungsdaten zur Modellverbesserung beigetragen haben.
Für Firmen, die Entwicklungsdaten, Rezepturen oder Konstruktionspläne in KI-Werkzeuge eingeben, ist das ein konkreter Prüfpunkt. Vor dem Einsatz sollte geklärt sein, ob der Anbieter Eingaben zum Training nutzt, ob sich das vertraglich ausschließen lässt und welche Daten überhaupt in externe Systeme dürfen. Wie Angreifer KI-Werkzeuge ihrerseits nutzen, haben wir im Beitrag zum BSI-Lagebericht beschrieben.
Erwartungen an den Kapitalmarkt dämpfen
Die Nachricht fiel in eine Woche, in der KI-Aktien an der Börse stark nachgaben. Wer daraus einen schnellen wirtschaftlichen Nutzen ableitet, greift zu weit: Ein mathematischer Beweis erzeugt keinen Umsatz. Er ist ein Hinweis darauf, welche Art von Aufgaben Sprachmodelle inzwischen bearbeiten können, wenn Menschen sie anleiten und das Ergebnis maschinell geprüft wird. Wie nervös der Markt auf KI-Themen reagiert, zeigt unsere Analyse zur Nasdaq-Korrektur.
Ob die Riemannsche Vermutung tatsächlich gelöst ist, entscheidet die Fachwelt in den kommenden Monaten. Spektrum verweist darauf, dass ohne einen vollständigen, verständlichen Beweis noch kein Erkenntnisgewinn vorliegt. Erst eine lesbare Darstellung erlaubt es Mathematikern, die Methoden zu verstehen und darauf aufzubauen.
Quellen: heise online, Spektrum der Wissenschaft