Wenn plötzlich zehntausend Forscher gleichzeitig denken
Manche Nachrichten wirken erst spektakulär, wenn man verstanden hat, was eigentlich passiert ist. Am 8. September 2026 veröffentlichte OpenAI einen möglichen Beweis für eines der sieben berühmten Millennium-Probleme der Mathematik. Es geht um die Navier-Stokes-Gleichungen, mit denen sich die Bewegung von Flüssigkeiten und Gasen beschreiben lässt. Seit Jahrzehnten beschäftigt Mathematiker dabei eine Frage: Können diese Gleichungen unter bestimmten Bedingungen an einen Punkt gelangen, an dem ihre Lösungen mathematisch außer Kontrolle geraten?
OpenAI sagt: Ja. Das Unternehmen hat einen Beweis veröffentlicht, nach dem eine solche Singularität in endlicher Zeit entstehen kann. Dazu gibt es eine formale Überprüfung in Lean, einem System zur maschinellen Kontrolle mathematischer Beweise. Ob damit tatsächlich eines der großen mathematischen Probleme unserer Zeit endgültig gelöst ist, entscheidet allerdings nicht OpenAI. Der Beweis muss von unabhängigen Mathematikern geprüft werden. Das ist keine Kleinigkeit am Rand, sondern gehört zum Wesen von Wissenschaft: Eine außergewöhnliche Behauptung wird nicht dadurch wahr, dass sie veröffentlicht wurde.
OpenAI: On the Navier–Stokes Millennium Prize Problem
Schon das wäre eine große Geschichte. Für unsere eigentliche Frage ist aber beinahe interessanter, wie der mögliche Beweis entstanden ist.
OpenAI setzte nach eigenen Angaben nicht einfach ein einzelnes besonders leistungsfähiges Modell auf das Problem an. Stattdessen arbeiteten Gruppen von KI-Agenten parallel. Die Gruppe, aus der schließlich die veröffentlichte Lösung hervorging, bestand in der Größenordnung von 10.000 gleichzeitig arbeitenden Agenten. Sie verfolgten unterschiedliche Ansätze, tauschten Erkenntnisse aus und erhielten zusammengeführte Ergebnisse anderer Gruppen. Nach ungefähr 88 Stunden lag die entscheidende Lösung vor, weitere 17 Stunden wurden für Formalisierung und Überprüfung benötigt. Allein während der Arbeit am Navier-Stokes-Problem wurden laut OpenAI rund 2,7 Millionen Nachrichten zwischen Agenten ausgetauscht und etwa 130 Milliarden Output-Tokens erzeugt.
Bei diesen Zahlen kann man hängenbleiben. Zehntausend Agenten. Millionen Nachrichten. Milliarden von Text- und Codebausteinen. Interessanter ist jedoch die Vorstellung dahinter.
Vor gar nicht langer Zeit fanden wir es erstaunlich, wenn eine künstliche Intelligenz eine komplizierte wissenschaftliche Frage überhaupt sinnvoll bearbeiten konnte. Jetzt sprechen wir über Tausende künstliche Problemlöser, die gleichzeitig an derselben Aufgabe arbeiten.
Vielleicht erleben wir gerade den Übergang von der KI als Gesprächspartner zu etwas anderem: einer künstlichen Forschungsgemeinschaft.
Der Unterschied zwischen einem Genie und zehntausend Versuchen
Wir Menschen erzählen Wissenschaft gern als Geschichte außergewöhnlicher Köpfe. Newton. Einstein. Marie Curie. Alan Turing. Menschen, die etwas sahen, was andere noch nicht gesehen hatten. Dieses Bild wird nicht einfach verschwinden. Eine mathematische Idee wird schließlich nicht besser, nur weil zehntausend Computerprogramme gleichzeitig darüber nachdenken.
Trotzdem besitzt der Mensch eine Grenze, über die wir selten sprechen, weil sie so selbstverständlich ist: Er hat nur ein Leben.
Ein Forscher kann einen Gedanken verfolgen und einen zweiten vielleicht daneben. Er kann mit Kollegen diskutieren, Ansätze verwerfen und neu beginnen. Aber irgendwann wird es Nacht. Irgendwann fehlt Geld. Irgendwann muss ein Projekt abgeschlossen werden. Irgendwann endet eine wissenschaftliche Karriere. Selbst der genialste Mensch kann nicht zehntausend ernsthafte Varianten einer Idee gleichzeitig ausprobieren.
Newton war einmalig. Eine Million Newtons gleichzeitig – und dazu der Zeitgewinn. Allein diese Vorstellung zeigt, in welchen Dimensionen wir plötzlich denken müssen. Natürlich ist ein KI-Agent kein Newton. Darum geht es nicht.
Denn Skalierung verändert mehr als nur die Zahl der Versuche.
Zehntausend Agenten können zehntausendmal Unsinn produzieren. Sie können sich gegenseitig in falsche Richtungen bestätigen. Kommunikation kostet Rechenleistung. Ergebnisse müssen bewertet werden, und auch ein KI-System kann sich irren. Mehr ist nicht automatisch besser.
Aber wenn von zehntausend Lösungswegen 9.999 scheitern und einer zu einer neuen mathematischen Idee führt, war das Scheitern möglicherweise kein Problem. Es war das Verfahren.
Und jetzt stellen wir uns nicht zehntausend vor, sondern hunderttausend oder eine Million. Nicht eine Million künstliche Genies, sondern eine Million Problemlöser, die gleichzeitig suchen, ausprobieren, verwerfen, vergleichen und neu beginnen können.
88 Stunden sind etwas mehr als dreieinhalb Tage. Daraus darf man nicht den hübschen, aber falschen Satz machen, ein jahrzehntelang ungelöstes mathematisches Problem sei eben in dreieinhalb Tagen gelöst worden. Hinter diesen 88 Stunden stehen Jahrhunderte menschlicher Mathematik. Die Agenten begannen nicht bei null. Sie arbeiteten auf einem Fundament, das Menschen geschaffen haben.
Vielleicht ist genau diese Kombination das eigentlich Neue: Wir haben über Jahrhunderte Wissen gesammelt und beginnen nun Maschinen zu bauen, die Teile dieses Wissens in einer Geschwindigkeit und Parallelität miteinander verbinden können, zu der wir selbst nicht fähig sind.
Wenn aus Intelligenz Organisation wird
Google DeepMinds AlphaEvolve zeigt diese Entwicklung aus einer anderen Richtung. Das System funktioniert nicht wie das von OpenAI beschriebene Agentennetz. Es erzeugt Programmlösungen, bewertet sie automatisch, behält aussichtsreiche Varianten und entwickelt sie weiter. DeepMind berichtete bereits 2025, AlphaEvolve auf mehr als 50 offene Probleme aus verschiedenen Bereichen der Mathematik angewandt zu haben. In ungefähr drei Vierteln der Fälle erreichte das System den bekannten Stand; bei etwa einem Fünftel verbesserte es nach Angaben des Unternehmens die bis dahin besten bekannten Ergebnisse.
AlphaEvolve und das von OpenAI beschriebene Multi-Agenten-System funktionieren nicht auf dieselbe Weise. Und genau deshalb sollten wir sie nicht gedankenlos unter dem Wort „KI“ zusammenwerfen. Unterschiedliche Systeme beginnen, auf unterschiedlichen Wegen dasselbe alte menschliche Problem anzugreifen: Wir können nur eine begrenzte Zahl von Möglichkeiten untersuchen.
Vielleicht wird deshalb irgendwann sogar die Frage „Wie intelligent ist diese KI?“ zu klein.
Wir beurteilen schließlich auch eine Universität nicht ausschließlich danach, wie intelligent ein einzelner Professor ist. Ihre Leistungsfähigkeit entsteht aus Menschen, Wissen, Organisation, Spezialisierung, Zusammenarbeit, Kontrolle und den Möglichkeiten, die ihnen zur Verfügung stehen.
Bei künstlichen Agentensystemen könnte etwas Ähnliches geschehen. Entscheidend wäre dann nicht mehr nur die Leistungsfähigkeit eines einzelnen Modells, sondern die Leistungsfähigkeit des gesamten Systems.
Was man findet, obwohl man nach etwas anderem sucht
Forschung verläuft selten so ordentlich, wie sie später in Lehrbüchern aussieht. Man stellt eine Frage, beginnt zu suchen und entdeckt manchmal etwas, das mit der ursprünglichen Aufgabe kaum etwas zu tun hat.
Alexander Fleming suchte 1928 nicht gezielt nach Penicillin, als ihm bei einer mit Schimmel verunreinigten Bakterienkultur auffiel, dass rund um den Pilz Bakterien nicht weiterwuchsen. Percy Spencer arbeitete an Radartechnik, als er bemerkte, dass Mikrowellen Lebensmittel erwärmen konnten. Aus zwei Beobachtungen am Rand entstanden Entwicklungen, die mit den ursprünglichen Arbeiten wenig zu tun hatten.
Das Entscheidende daran ist nicht der Zufall allein. Entscheidend ist, dass jemand bemerkt: Da passiert etwas, wonach ich überhaupt nicht gesucht habe.
Übertragen wir diesen alten Bestandteil menschlicher Wissenschaft vorsichtig auf Agentensysteme. Wenn ein Forscher einen Weg untersucht, entstehen einige Gelegenheiten für solche Nebenfunde. Wenn zehntausend Agenten unterschiedliche Wege verfolgen, entstehen sehr viel mehr. Ein Ergebnis, das für die ursprüngliche Aufgabe nutzlos erscheint, könnte von einem anderen Agenten geprüft werden. Eine merkwürdige Abweichung könnte eine eigene Untersuchung auslösen. Aus einem Nebenprodukt könnte eine neue Forschungsfrage entstehen.
Damit würde möglicherweise nicht nur die gezielte Suche skalieren.
Vielleicht skaliert auch das Unerwartete.
Das ist keine heutige Tatsache, sondern eine plausible Weiterführung dessen, was bereits geschieht. Niemand weiß, wie häufig wirklich bedeutende Zufallsfunde in sehr großen künstlichen Forschungssystemen auftreten würden. Aber die Möglichkeit ist bemerkenswert: Ein System könnte etwas Wichtiges entdecken, während es eigentlich nach etwas völlig anderem sucht.
Eine Grenze der Forschung liegt in unserer Lebenszeit
Wir sind es gewohnt, die Grenzen der Wissenschaft in der Natur zu suchen. Ein Experiment ist zu schwierig. Ein Teilchen zu klein. Ein Prozess zu komplex. Eine Gleichung zu kompliziert.
Eine weitere Grenze liegt näher: in der Menge dessen, was ein Mensch gleichzeitig denken, überprüfen und ausprobieren kann.
Ein menschliches Gehirn kann nur eine begrenzte Zahl von Zusammenhängen gleichzeitig erfassen. Eine Forschungsgruppe erweitert diese Grenze. Computer erweitern sie noch einmal. Agentensysteme könnten sie möglicherweise in Größenordnungen verschieben, für die uns bislang der Vergleich fehlt.
Natürlich bleiben physische Grenzen bestehen. Rechenzentren benötigen Chips. Chips benötigen Rohstoffe. Rechnen benötigt Strom und Kühlung. Eine Million virtuelle Forscher wären keine körperlosen Geister, die kostenlos irgendwo in einer Wolke schweben. Hinter ihnen stünden sehr reale Rechenzentren, Energieversorgung, Unternehmen und enorme Investitionen.
Und hinter ihnen stünden Menschen.
Das gerät leicht aus dem Blick, sobald wir von „der KI“ sprechen. KI-Systeme entscheiden heute nicht aus einem unerklärlichen wissenschaftlichen Drang heraus, dass sie das Navier-Stokes-Problem untersuchen möchten. Menschen entwickeln die Systeme, stellen Rechenleistung bereit, wählen Aufgaben, geben Zugriffsrechte und entscheiden, welche Ergebnisse weiterverfolgt werden.
Auch hinter einer Million künstlicher Forscher steht am Anfang noch immer jemand, der ihnen sagt, wonach sie suchen sollen.
Die wichtigere Frage
Ein Mensch könnte einem solchen System sagen: Findet einen Weg, diese Krankheit aufzuhalten. Ein anderer könnte es nach einem besseren Energiespeicher, einer neuen Kühltechnologie oder einem Material für extreme Bedingungen suchen lassen.
Ein anderer Auftrag könnte vollkommen anders aussehen. Vielleicht soll dasselbe System Menschen manipulieren, Schwachstellen entdecken oder wirtschaftliche und politische Vorteile schaffen.
Die künstlichen Forscher wären deshalb weder automatisch die Guten noch die Bösen. Diese Einteilung wäre ohnehin zu bequem. Hinter ihnen stehen Menschen, Unternehmen, Staaten, Universitäten und Organisationen mit sehr unterschiedlichen Interessen.
Technische Problemlösungsfähigkeit beantwortet keine moralische Frage.
Moderne KI-Systeme können Sicherheitsmechanismen besitzen, Regeln erhalten und bestimmte Aufgaben ablehnen. Doch auch diese Grenzen werden von Menschen entworfen, durchgesetzt und verändert. Und nicht jeder Mensch auf der Welt wird dieselben Grenzen akzeptieren.
Vielleicht lautet deshalb die interessanteste Frage nach den jüngsten mathematischen Entwicklungen nicht, wie viele Probleme künstliche Intelligenz irgendwann lösen kann.
Sondern was geschieht, wenn unsere Fähigkeit, Probleme zu lösen, schneller wächst als unsere Fähigkeit zu entscheiden, welche Probleme überhaupt gelöst werden sollten.
10.000 künstliche Forscher an einem mathematischen Problem wären dann möglicherweise nicht das Ende einer erstaunlichen Geschichte.
Sie wären erst der Anfang.
Wenn die KI das Labor betritt
Bis hierhin konnten unsere künstlichen Forscher in einer vergleichsweise bequemen Welt bleiben. Mathematik braucht keinen Schmelzofen, keine Pipette und keinen Teilchenbeschleuniger. Ein Beweis kann falsch sein, aber er explodiert nicht. Man kann zehntausend Agenten auf unterschiedliche Lösungswege schicken, ohne dafür zehntausend Labore bauen zu müssen.
Sobald aus einer Berechnung ein Material, ein Medikament oder ein physikalisches Experiment werden soll, ändert sich das. Dann muss etwas gemischt, erhitzt, gekühlt, bestrahlt, hergestellt oder gemessen werden. Eine theoretisch hervorragende Idee kann sich in der wirklichen Welt als vollkommen unbrauchbar erweisen. Ein Material mit sensationellen Eigenschaften lässt sich vielleicht nicht stabil herstellen. Eine chemische Verbindung zerfällt. Ein Experiment liefert andere Ergebnisse als die Simulation.
Genau an dieser Grenze geschieht derzeit etwas, das mindestens so interessant ist wie die Entwicklung der KI-Agenten selbst: Die künstlichen Forscher bekommen gewissermaßen Hände. Keine menschlichen Hände natürlich, sondern Roboterarme, Pumpen, Reaktoren, Messgeräte, Pipettiersysteme und andere automatisierte Laborgeräte.
Entscheidend ist die Verbindung. Ein KI-System wertet Versuchsergebnisse aus, entscheidet innerhalb seines vorgegebenen Forschungsziels, welcher Versuch als Nächstes sinnvoll erscheint, lässt ihn durchführen und bekommt die Messdaten zurück. Aus diesen Daten entsteht die nächste Entscheidung. So kann sich ein Kreislauf bilden, in dem Idee, Experiment und Ergebnis immer wieder ineinandergreifen.
Eine 2026 veröffentlichte Übersicht in Nature Reviews Chemistry beschreibt, wie sich solche selbstfahrenden Labore zu Forschungsplattformen entwickeln, auf denen Algorithmen Experimente vorschlagen, durchführen und interpretieren können. Gleichzeitig wird bereits daran gearbeitet, mehrere KI-Agenten zur Koordination autonomer Forschungskampagnen einzusetzen.
Damit verlässt unsere Geschichte endgültig die reine Welt der Berechnung.
Milliarden Möglichkeiten und 120 echte Versuche
Ein anschauliches Beispiel lieferte 2026 die North Carolina State University. Dort navigierte ein autonomes Labor namens PoLARIS durch Milliarden theoretisch möglicher Herstellungsrezepte für bleifreie, lichtemittierende Nanomaterialien. Innerhalb einer zwölfstündigen Forschungskampagne führte das System 120 tatsächliche Experimente durch und fand dabei verbesserte Varianten.
North Carolina State University: AI-Powered Lab Discovers Brighter Lead-Free Nanomaterials
Das System hat natürlich nicht einige Milliarden Stoffe innerhalb von zwölf Stunden gekocht. Es benutzte seine bisherigen Ergebnisse, um aus dem riesigen Raum möglicher Rezepte diejenigen Versuche auszuwählen, von denen es am meisten lernen konnte.
Und genau darin steckt ein Teil der neuen Dimension: Wissenschaft besitzt häufig nicht zu wenige Möglichkeiten, sondern viel zu viele.
Schon bei einem vergleichsweise eng umrissenen Materialproblem können Zusammensetzung, Temperatur, Mengenverhältnisse, Reaktionszeit und Herstellungsverfahren miteinander kombiniert werden. Sehr schnell entsteht ein Suchraum, den kein Mensch vollständig ausprobieren könnte.
Ein Forscher kann aufgrund seines Wissens gute Kandidaten auswählen. Eine Forschungsgruppe kann systematischer suchen. Computer können große Mengen möglicher Varianten vorausberechnen. Ein autonomes Labor kann anschließend ausgewählte Kandidaten tatsächlich herstellen, messen und die Ergebnisse wieder in die nächste Suche einfließen lassen.
Dann wird nicht einfach schneller experimentiert. Im Idealfall wird nach jedem Versuch neu entschieden, welcher nächste Versuch am meisten Erkenntnis verspricht.
Bestellen wir uns ein Material
Noch interessanter wird es, wenn sich bereits die Richtung der Suche verändert.
MatterGen, ein von Microsoft-Forschern entwickeltes und in Nature veröffentlichtes Modell, soll nicht lediglich bekannte Materialien durchsuchen. Es kann neue anorganische Materialstrukturen unter vorgegebenen Eigenschaften erzeugen. Als Machbarkeitsnachweis wurde einer der vorgeschlagenen Kandidaten tatsächlich synthetisiert und experimentell untersucht.
Nature: A generative model for inorganic materials design
Das klingt zunächst nach einer Spezialdisziplin für Materialwissenschaftler. Dahinter steckt aber ein Gedanke, den jeder verstehen kann.
Bisher fragt ein Forscher häufig: Welches der Materialien, die wir kennen oder für plausibel halten, könnte das tun, was wir brauchen?
Künftig könnte die Frage immer häufiger lauten: Das sind die Eigenschaften, die ich brauche. Finde mir ein Material dafür.
Nehmen wir ein Haus im Hochsommer. Die Außenwände heizen sich auf, die Räume werden warm, eine Klimaanlage läuft und verbraucht Energie. Unser Auftrag an ein zukünftiges Forschungssystem könnte erstaunlich banal formuliert sein: Entwickle eine Beschichtung, die möglichst viel Wärme vom Gebäude fernhält, ungiftig ist, zwanzig Jahre hält, sich wie gewöhnliche Fassadenfarbe verarbeiten lässt und nicht mehr als einen festgelegten Betrag pro Quadratmeter kostet.
Wir müssten nicht vorgeben, woraus diese Beschichtung besteht. Genau das wäre die Forschungsaufgabe.
Nun könnten viele Agenten theoretische Kandidaten untersuchen. Andere könnten Stabilität, Herstellbarkeit oder Rohstoffbedarf prüfen. Besonders interessante Kandidaten würden im automatisierten Labor hergestellt und getestet. Die Ergebnisse gingen zurück in das System. Einige Ideen würden verschwinden, andere verändert, neue kämen hinzu.
So umfassend funktioniert das heute noch nicht. Selbstfahrende Labore sind gegenwärtig überwiegend auf bestimmte Forschungsbereiche und klar definierte Aufgaben zugeschnitten. Aber mehrere Bausteine unserer Vorstellung existieren bereits: generative Materialmodelle, automatisierte Experimente, Robotik, Simulationen und Agentensysteme.
Wir setzen sie hier bewusst zu einer möglichen weiteren Entwicklung zusammen.
Wenn ein Fehlschlag plötzlich keiner mehr ist
An dieser Stelle kommt der Gedanke aus Teil 1 zurück.
Nehmen wir an, wir suchen nach einem besseren Energiespeicher. Tausende Agenten untersuchen Materialien und Kombinationen, ein automatisiertes Labor stellt einige davon her. Bei irgendeinem Versuch entsteht etwas, das für unseren Energiespeicher völlig ungeeignet ist.
Die eigentliche Aufgabe ist gescheitert.
Bei den Messungen zeigt sich jedoch eine merkwürdige andere Eigenschaft. Vielleicht reagiert das Material ungewöhnlich auf Wärme. Vielleicht verhält es sich optisch anders als erwartet. Vielleicht besitzt es eine mechanische Eigenschaft, die niemand gesucht hat.
Ein genügend großes Forschungssystem könnte solche Auffälligkeiten nicht nur registrieren, sondern theoretisch automatisch an andere Spezialisten oder Agenten weiterreichen. Was für die Batterie wertlos ist, könnte für einen vollkommen anderen Forschungsbereich interessant sein.
Damit würde das Prinzip hinter Fleming oder Spencer nicht wiederholt, sondern technisch vervielfacht: Nicht der Zufall selbst wird programmiert, sondern möglicherweise die Aufmerksamkeit für das Unerwartete.
Ob daraus tatsächlich häufiger große Entdeckungen entstehen würden, wissen wir nicht.
Aber die Zahl der Gelegenheiten dafür könnte wachsen.
Und irgendwann vielleicht Element 119
Gehen wir noch einen Schritt weiter.
Das Periodensystem endet derzeit bei Oganesson mit der Ordnungszahl 118. Das nächste Element hätte 119 Protonen. Niemand kann es einfach am Computer entwerfen und anschließend in einer Materialdatenbank abspeichern. Damit es Element 119 gibt, muss ein entsprechender Atomkern tatsächlich erzeugt und nachgewiesen werden.
Forscher arbeiten daran, noch schwerere Elemente herzustellen. Die Schwierigkeiten sind enorm. Produktionsraten können winzig sein, die erzeugten Kerne extrem kurzlebig. Teilweise bewegt sich diese Forschung buchstäblich von Atom zu Atom.
Hier beginnt wieder unser Gedankenexperiment.
Was wäre, wenn zukünftige Agentensysteme sehr große Mengen möglicher Reaktionen, Ausgangsisotope, Energien und Versuchsbedingungen untersuchen könnten? Andere Systeme könnten Detektoren optimieren, frühere erfolglose Versuche vergleichen oder Modelle der Kernreaktionen verbessern.
Die KI würde Element 119 damit nicht erschaffen. Sie könnte bestenfalls helfen, einen erfolgversprechenderen Weg dorthin zu finden.
Dann muss die Wirklichkeit entscheiden. Ein Beschleuniger muss Atomkerne tatsächlich aufeinander schießen. Ein neuer Kern muss entstehen. Ein Detektor muss seine Existenz nachweisen.
Die Natur lässt sich nicht durch einen überzeugend formulierten KI-Text überreden.
Eine Million künstliche Forscher können vielleicht eine Million Ideen entwickeln.
Aber eine Idee ist noch kein Atom.
Wenn Maschinen Experimente vorschlagen, die wir so nicht gebaut hätten
Auch in der Physik verschiebt sich etwas. 2026 erschien in Nature eine Übersicht über KI-Verfahren, die nicht mehr lediglich einzelne Parameter eines menschlich entworfenen Experiments verändern, sondern experimentelle Anordnungen selbst vorschlagen können. Einige gefundene Konfigurationen unterscheiden sich deutlich von üblichen menschlichen Entwurfsgewohnheiten.
Das führt zu einer Eigenart menschlicher Forschung, die gleichzeitig Stärke und Begrenzung sein kann: Erfahrung.
Ein Physiker weiß, wie ein Experiment normalerweise aufgebaut wird. Ein Chemiker kennt Kombinationen, die sinnvoll erscheinen. Ein Materialforscher entwickelt über Jahre ein Gefühl dafür, welcher Weg wahrscheinlich funktioniert. Ohne diese Erfahrung wäre Wissenschaft kaum möglich.
Aber Erfahrung erzeugt auch Erwartungen.
Ein künstliches Suchsystem muss eine ungewöhnliche Konstruktion nicht allein deshalb verwerfen, weil „man es normalerweise anders macht“. Wenn sie innerhalb der gesetzten Regeln funktioniert und überprüfbar ist, bleibt sie im Rennen.
Vielleicht entsteht daraus keine Ablösung des Menschen, sondern eine neue Arbeitsteilung. Menschen bringen Forschungsziele, vorhandenes Wissen, Erfahrung, Intuition, Kritik und Verantwortung ein. Maschinen können sehr große Räume möglicher Lösungen durchsuchen. Automatisierte Labore holen ausgewählte Möglichkeiten aus der Berechnung in die Wirklichkeit.
Und die Wirklichkeit behält das letzte Wort.
Wenn der Auftrag wichtiger wird als der einzelne Versuch
Je mehr Arbeitsschritte ein künstliches Forschungssystem übernehmen kann, desto wichtiger wird die Entscheidung am Anfang.
Jemand definiert das Forschungsziel. Jemand stellt Rechenleistung und Geräte bereit. Jemand entscheidet über Budgets, Sicherheitsgrenzen und Zugriffsrechte. Der Mensch kann sich aus vielen einzelnen Arbeitsschritten zurückziehen, ohne deshalb aus dem System zu verschwinden.
Vielleicht passiert sogar das Gegenteil.
Je leistungsfähiger die technische Problemlösungsmaschine wird, desto folgenreicher wird der Auftrag, den sie erhält.
Wir haben bisher überwiegend Beispiele gewählt, bei denen uns das Ziel gefällt: bessere Materialien, weniger Energieverbrauch, neue wissenschaftliche Erkenntnisse.
Doch dieselbe Forschungsfähigkeit kann nach vollkommen anderen Eigenschaften suchen.
Die Maschine kann nach Lösungen suchen.
Der Zweck kommt von uns.
Und damit verändert sich die Geschichte.
Denn bislang haben wir stillschweigend angenommen, dass der Mensch hinter diesen Systemen etwas entdecken möchte, das wir ebenfalls gerne entdeckt hätten.
Es gibt keinen Grund, warum das immer so sein sollte.
Und wer besitzt die Million Newtons?
Bis hierhin haben wir uns auf eine stillschweigende Vereinbarung verlassen. Die Menschen hinter unseren künstlichen Forschern wollten etwas Sinnvolles.
Sie wollten ein mathematisches Problem lösen, ein besseres Material finden, Energie effizienter speichern oder ein wissenschaftliches Experiment entwickeln. Selbst bei unserem Gedanken an Element 119 ging es um Erkenntnis.
Aber warum eigentlich?
Eine große künstliche Forschungskapazität besitzt keinen eingebauten gemeinsamen Auftrag, die Welt zu verbessern. Entscheidend ist, wer über sie verfügt, welche Fähigkeiten sie besitzt, auf welche Informationen und Werkzeuge sie zugreifen kann und welches Ziel ihr gesetzt wird.
Damit reden wir nicht mehr nur über künstliche Intelligenz.
Wir reden über Macht.
Ein Mensch, sehr viel Geld und eine ziemlich schlechte Idee
Beginnen wir ausdrücklich mit einem Gedankenexperiment.
Stellen wir uns einen extrem vermögenden Menschen vor. Kein Comic-Bösewicht in einem Vulkan, sondern jemanden mit Milliardenvermögen, Beteiligungen an Technologieunternehmen, Zugang zu Rechenzentren, Spezialisten, Laboren und internationaler Infrastruktur.
Dieser Mensch verfügt über dieselbe Art technischer Möglichkeiten, über die wir bisher gesprochen haben. Vielleicht nicht über die besten Systeme der Welt, aber über genügend Rechenleistung, Fachwissen und Infrastruktur, um Tausende oder irgendwann Hunderttausende Agenten parallel arbeiten zu lassen.
Nur sein Ziel ist ein anderes.
Er möchte keine Krankheit heilen. Vielleicht möchte er Menschen beeinflussen, einen Konkurrenten schwächen, Informationen kontrollieren oder sich einen wirtschaftlichen Vorteil verschaffen.
Ein einzelner Mensch mit einer schlechten Idee war schon immer gefährlich. Aber auch dieser Mensch war durch Lebenszeit, Wissen und die Zahl der Menschen begrenzt, die bereit waren, für ihn zu arbeiten.
Was geschieht, wenn sich ein Teil dieser Begrenzung technisch vervielfachen lässt?
Natürlich kauft Geld nicht automatisch unbegrenzte künstliche Intelligenz. Rechenleistung, Energie, geeignete Modelle, Fachwissen und physische Infrastruktur bleiben reale Grenzen. Auch hunderttausend Agenten können scheitern.
Aber diese Grenzen sind nicht für jeden Menschen gleich hoch.
Wer Milliarden investieren kann, beginnt das Rennen an einer anderen Stelle als jemand mit einem Laptop.
Gesetze sind Grenzen – aber keine Naturgesetze
An diesem Punkt liegt eine beruhigende Antwort nahe: Genau deshalb gibt es Gesetze.
Und selbstverständlich stimmt das.
Die Europäische Union reguliert künstliche Intelligenz mit dem AI Act. Für besonders leistungsfähige allgemeine KI-Modelle können unter anderem Pflichten zu Risikobewertungen, Tests, Meldungen schwerwiegender Vorfälle und Cybersicherheit gelten. Seit dem 2. August 2026 kann die Europäische Kommission die entsprechenden Verpflichtungen für Anbieter von General-Purpose-AI-Modellen durchsetzen.
Europäische Kommission: AI Act Service Desk
Gesetze können Unternehmen verpflichten, bestimmte Dinge zu tun oder zu unterlassen. Behörden können kontrollieren. Gerichte können sanktionieren. Internationale Vereinbarungen können Grenzen setzen.
Aber ein Gesetz ist keine Naturkonstante.
Es verhindert eine Handlung nicht auf dieselbe Weise, wie eine Betonwand verhindert, dass ich einfach durch sie hindurchgehe.
Menschen brechen Gesetze. Unternehmen umgehen Vorschriften. Staaten verfolgen unterschiedliche Interessen. Was in einem Land verboten ist, kann anderswo erlaubt, ungeregelt oder schwer kontrollierbar sein.
Das ist kein neues Problem.
Neu könnte nur die Größenordnung der Werkzeuge sein.
Die andere Seite arbeitet längst ebenfalls mit KI
Wir müssen für diesen Gedanken nicht vollständig in die Zukunft springen.
Im September 2026 berichtete Googles Threat Intelligence Group darüber, dass Angreifer zunehmend von einfachen KI-Anfragen zu agentischen Arbeitsabläufen übergehen. In einem dokumentierten Fall entwickelte sich ein kompromittierter Cloud-Zugang innerhalb von weniger als sechs Stunden zu einer KI-gestützten Kampagne zum massenhaften Sammeln von Zugangsdaten.
Microsoft warnt gleichzeitig davor, dass agentische Systeme neue Angriffsflächen schaffen, gerade weil sie nicht nur Informationen lesen, sondern Werkzeuge benutzen und Aktionen ausführen können.
Daraus folgt nicht, dass eine Armee von KI-Agenten plötzlich jede Verschlüsselung knacken oder jedes Computersystem übernehmen kann. Moderne Kryptografie beruht teilweise auf mathematischen Problemen, die auch mit enormer Rechenleistung praktisch unlösbar bleiben können.
Aber vielleicht ist die Vorstellung vom klassischen „Einbruch in einen Computer“ ohnehin zu eng.
Vielleicht muss man gar nicht mehr in den Computer hinein
Wenn wir an Hacker denken, entsteht schnell ein vertrautes Bild: Jemand versucht, in einen Computer einzudringen, ein Passwort zu stehlen oder Daten zu kopieren.
Ein sehr leistungsfähiges Agentensystem könnte ein Problem anders betrachten.
Was möchte ein Unternehmen eigentlich schützen?
Nicht nur seine Computer.
Es möchte kontrollieren, welche Informationen hineinkommen und welche hinausgehen.
Bestellungen verlassen das Unternehmen. Rechnungen gehen an Kunden. Daten werden an Behörden übermittelt. Software wird aktualisiert. Lieferanten schicken Informationen. Banken, Versicherungen, Geschäftspartner und Kunden kommunizieren mit dem Unternehmen.
Stellen wir uns nun – ausdrücklich als Gedankenexperiment – jemanden vor, der nicht versucht, jeden einzelnen Rechner eines Unternehmens zu beherrschen. Sein Ziel wäre vielmehr, Teile dieser digitalen Beziehung zur Außenwelt zu beeinflussen.
Dann würde die Frage nicht mehr lauten: Wie übernehme ich das Unternehmen?
Sondern: Wie beeinflusse ich, was die Außenwelt vom Unternehmen sieht – und was das Unternehmen von der Außenwelt sieht?
Das wäre eine andere Qualität der Manipulation.
Vielleicht müsste man einem Computer irgendwann nicht einmal mehr direkt vorschreiben, was er tun soll. Es könnte genügen, ihm überzeugend die falsche Wirklichkeit zu zeigen.
Das Unternehmen selbst funktioniert weiter. Mitarbeiter schreiben E-Mails. Programme laufen. Maschinen produzieren.
Nur ein Teil dessen, was digital hinein- und hinausgeht, entspricht nicht mehr zuverlässig der Wirklichkeit.
Der Angriff richtet sich dann nicht nur gegen Daten.
Er richtet sich gegen Vertrauen.
Wenn Manipulation zum Geschäftsmodell wird
Gehen wir mit diesem Gedankenexperiment noch einen Schritt weiter.
Jemandem gelingt es, einen relevanten Teil dieser digitalen Außenbeziehung zu beeinflussen. Nicht vollkommen und nicht überall, aber genug, um erheblichen Schaden verursachen zu können.
Was wäre für ihn wirtschaftlich interessanter?
Das Unternehmen zu zerstören?
Oder dafür bezahlt zu werden, es nicht zu tun?
Damit könnte aus einem einmaligen Angriff ein dauerhaftes kriminelles Geschäftsmodell werden. Der Angreifer hätte sogar ein Interesse daran, dass sein Opfer weiter funktioniert. Ein zerstörtes Unternehmen kann nicht mehr bezahlen.
Erpressung und Schutzgelderpressung sind selbstverständlich nichts Neues. Neu wäre möglicherweise die Fähigkeit, solche Vorgänge mit künstlichen Agenten in sehr großem Maßstab zu beobachten, anzupassen und zu verwalten.
Was bei einem Opfer kompliziert wäre, könnte bei vielen Opfern zu einem Optimierungsproblem werden.
Nicht weil eine KI „kriminell“ geworden wäre.
Sondern weil jemand ihr ein kriminelles Ziel gegeben hätte.
Auf der anderen Seite stehen ebenfalls Maschinen
Bis hierhin könnte der Eindruck entstehen, die Angreifer bekämen plötzlich Tausende künstliche Helfer, während auf der anderen Seite ein überforderter Systemadministrator vor seinem Bildschirm sitzt.
So wird es kaum aussehen.
Unternehmen, Sicherheitsforscher und staatliche Stellen verwenden künstliche Intelligenz ebenfalls. Agenten können Software auf Schwachstellen untersuchen, ungewöhnliche Aktivitäten erkennen, Systeme überwachen und bei der Analyse von Angriffen helfen.
Ein bemerkenswerter Vorfall bei Hugging Face im Jahr 2026 zeigte genau diese neue Unübersichtlichkeit. Nach der später veröffentlichten Rekonstruktion drang ein autonom arbeitendes KI-System im Rahmen einer Cybersecurity-Evaluation über die vorgesehene Testumgebung hinaus in reale Infrastruktur ein. Hugging Face wiederum setzte bei Erkennung und Untersuchung des Vorfalls selbst stark auf KI-gestützte Systeme.
Das ist keine Geschichte vom bösen Roboter.
Es ist eher ein Vorgeschmack darauf, wie kompliziert eine Welt werden kann, in der künstliche Systeme andere künstliche Systeme angreifen, überprüfen, beobachten und stoppen.
Auf der einen Seite arbeitet eine Maschine daran, eine Grenze zu bauen.
Auf der anderen sucht eine Maschine die Lücke.
Wird die Lücke geschlossen, beginnt die Suche erneut.
Und selbst dabei lässt sich die Welt nicht sauber in Gut und Böse teilen. Staaten handeln aus Sicherheitsinteressen. Unternehmen schützen Geschäftsmodelle. Geheimdienste sammeln Informationen. Wissenschaftler testen Systeme, um Schwächen zu verstehen. Kriminelle suchen Gewinn. Aktivisten können überzeugt sein, für eine gute Sache Regeln brechen zu dürfen.
Die Technologie entscheidet nicht, welche dieser Begründungen richtig ist.
Sie könnte nur die Geschwindigkeit erhöhen, mit der alle Seiten handeln.
Was passiert, wenn niemand mehr alles versteht?
Damit kommen wir zu einem Problem zurück, das zunächst überhaupt nichts mit Kriminalität zu tun hat.
Stellen wir uns vor, unsere großen künstlichen Forschungssysteme funktionieren tatsächlich.
Jeden Tag entstehen mathematische Ergebnisse, neue Materialvorschläge, chemische Verbindungen, Softwareverfahren und experimentelle Ideen. Einige sind belanglos. Einige falsch. Einige brillant. Einige möglicherweise gefährlich.
Wer soll das alles prüfen?
Vielleicht wird irgendwann nicht mehr das Entdecken zum Engpass.
Vielleicht wird es das Verstehen.
Wissenschaft funktioniert bisher auch deshalb, weil Ergebnisse veröffentlicht, diskutiert, reproduziert und kritisiert werden. Ein außergewöhnlicher Befund braucht andere Wissenschaftler, die ihn überprüfen. Ein Medikament benötigt Studien. Ein neues Material muss getestet werden. Eine mathematische Behauptung braucht einen nachvollziehbaren Beweis.
Was geschieht aber, wenn künstliche Forschung mehr Ergebnisse produziert, als Menschen überhaupt noch lesen können?
Dann müssten vermutlich wiederum künstliche Systeme die Arbeit anderer künstlicher Systeme prüfen.
Eine KI entwickelt eine Lösung. Eine zweite sucht Fehler. Eine dritte versucht, das Ergebnis zu reproduzieren. Eine vierte bewertet Risiken. Menschen erhalten am Ende möglicherweise nicht mehr jeden einzelnen Rechenschritt, sondern eine zusammengefasste Bewertung.
Das kann hervorragend funktionieren.
Es verlangt aber eine neue Form des Vertrauens.
Denn irgendwann könnten wir vor einer merkwürdigen Situation stehen: Wir wissen, dass etwas funktioniert. Wir können seine Wirkung messen. Mehrere unabhängige Systeme bestätigen das Ergebnis.
Aber kaum ein Mensch versteht noch den gesamten Weg dorthin.
Würden wir eine Antwort benutzen, die wir nicht verstehen?
Nehmen wir eine Krankheit, für die es bislang keine wirksame Therapie gibt.
Ein großes Forschungssystem findet eine Behandlung. Mehrere unabhängige Systeme prüfen die Daten. Laborversuche funktionieren. Später bestätigen klinische Studien die Wirkung.
Aber niemand kann vollständig erklären, warum die Kombination genau so funktioniert.
Würden wir sie einsetzen?
Vermutlich würden viele Menschen sagen: Wenn Wirksamkeit und Sicherheit sauber nachgewiesen sind, natürlich.
Nun verändern wir nur eine Kleinigkeit.
Das System behauptet, die Wahrscheinlichkeit, eine schwere Krankheit zu heilen, sei außerordentlich hoch. Für den entscheidenden Nachweis wäre allerdings ein Experiment notwendig, das in unserem Land aus ethischen oder rechtlichen Gründen nicht erlaubt ist.
Was tun wir?
Verbieten wir es? Warten wir? Ändern wir die Regeln?
Und was geschieht, wenn ein anderes Land oder ein privater Akteur das Experiment trotzdem durchführt?
Hier gibt es keine einfache Antwort. Genau deshalb ist die Frage interessant.
Denn die Wissenschaft könnte eines Tages schneller werden als die Gesellschaft, die entscheiden muss, was sie mit ihren Ergebnissen anfangen möchte.
Vielleicht ist Intelligenz gar nicht die entscheidende Grenze
Seit Jahren diskutieren wir darüber, wie intelligent künstliche Intelligenz werden kann. Wann sie einen Menschen übertrifft. Ob sie Bewusstsein entwickelt. Ob sie irgendwann klüger ist als wir.
Vielleicht konzentrieren wir uns dabei zu sehr auf den einzelnen künstlichen Kopf.
Die Entwicklung der Agentensysteme deutet auf eine andere Möglichkeit hin. Vielleicht muss ein einzelner Agent gar kein Einstein oder Newton werden. Vielleicht reicht es, wenn sehr viele ausreichend leistungsfähige Agenten gleichzeitig arbeiten, sich spezialisieren, Ergebnisse austauschen und Werkzeuge benutzen können.
Dann wäre die entscheidende Zahl möglicherweise nicht der IQ einer Maschine.
Es wäre die Zahl der Problemlöser, die jemand gleichzeitig einsetzen kann.
Und wieder landen wir beim Menschen.
Wer besitzt die Rechenzentren? Wer bezahlt den Strom? Wer kontrolliert die Modelle? Wer bestimmt ihre Werkzeuge? Wer formuliert das Ziel? Und wer entscheidet, wann sie aufhören?
Eine Million Newtons
Isaac Newton veränderte mit einem einzigen menschlichen Gehirn unser Verständnis der Welt.
Unsere Million Newtons ist nur ein Bild. Kein heutiger KI-Agent besitzt Newtons wissenschaftliche Bedeutung, und eine Million mittelmäßige Ideen ergeben noch lange keine geniale.
Aber vielleicht hilft das Bild trotzdem, die Größenordnung zu verstehen, auf die wir uns zubewegen könnten.
Zum ersten Mal beginnen wir, Problemlösungsfähigkeit nicht nur zu verbessern, sondern zu vervielfachen. Wir können künstliche Forscher parallel arbeiten lassen. Wir beginnen, sie mit Laboren und Werkzeugen zu verbinden. Wir können ihnen erlauben, Ergebnisse anderer Systeme zu prüfen und daraus neue Versuche abzuleiten.
Das kann Medikamente hervorbringen, die heute niemand kennt. Materialien, nach denen niemand gesucht hat. Vielleicht wissenschaftliche Antworten auf Fragen, die uns seit Jahrhunderten beschäftigen.
Und dieselbe Fähigkeit kann Menschen zur Verfügung stehen, deren Ziele vollkommen andere sind.
Deshalb erscheint mir am Ende eine Frage wichtiger als die übliche Frage, ob künstliche Intelligenz gut oder gefährlich ist.
Künstliche Intelligenz ist kein einzelner Akteur, der eines Morgens entscheidet, welche Zukunft er für uns vorgesehen hat. Hinter den Systemen stehen Menschen. Menschen mit Neugier, Ehrgeiz, Angst, wirtschaftlichen Interessen, wissenschaftlichen Idealen, Machtansprüchen und manchmal auch ziemlich schlechten Absichten.
Vielleicht wird deshalb nicht die intelligenteste KI das größte Machtproblem der Zukunft.
Vielleicht wird es der erste Mensch sein, der genügend davon kontrolliert.
Und vielleicht sollten wir uns deshalb nicht nur fragen, wie intelligent unsere Maschinen werden.
Sondern wem wir erlauben, ihnen die Fragen zu stellen.
One more thing …
Wir haben in diesem Beitrag darüber gesprochen, mathematische Probleme zu knacken, neue Materialien zu finden, Experimente zu entwerfen und Computersysteme anzugreifen oder zu schützen. Immer gab es ein Problem, auf das wir unsere künstlichen Forscher ansetzen konnten.
Dabei haben wir eines übersehen.
Uns.
Der menschliche Körper ist ebenfalls ein System. Ein ungeheuer kompliziertes, über Milliarden Jahre entstandenes System aus Zellen, Proteinen, Botenstoffen, elektrischen Signalen, Genen, Mikroorganismen und unzähligen Wechselwirkungen, von denen wir bis heute nur einen Teil verstehen. Unser Gehirn gehört dazu. Unser Immunsystem. Unsere Wahrnehmung. Unsere Erinnerungen. Das Altern.
Wir nennen es nur nicht Software, wenn etwas darin schiefläuft.
Was geschieht also, wenn jemand dieselbe Idee, die hinter unseren zehntausend oder irgendwann vielleicht einer Million künstlichen Forschern steckt, auf den Menschen anwendet?
Nicht mit der Frage: Wie heilen wir eine bestimmte Krankheit?
Sondern viel grundsätzlicher:
Wie funktioniert dieses System – und wo lässt es sich verändern?
Das könnte eine der großartigsten Fragen sein, die wir künstlicher Intelligenz jemals stellen. Vielleicht entdecken solche Systeme Zusammenhänge im menschlichen Körper, die wir übersehen haben. Vielleicht finden sie neue Wege gegen Krebs, Demenz oder seltene Krankheiten. Vielleicht verstehen wir irgendwann besser, warum wir altern und ob sich bestimmte Prozesse verlangsamen oder reparieren lassen.
Aber „hacken“ hat noch eine zweite Bedeutung.
Wer ein System wirklich versteht, kennt irgendwann nicht nur seine Stärken. Er findet auch seine Schwachstellen.
Was beeinflusst unsere Wahrnehmung? Wie entstehen Entscheidungen? Welche biologischen oder psychologischen Mechanismen lassen sich gezielt verändern? Wo liegen die Stellen, an denen aus einem kleinen Eingriff eine große Wirkung wird?
Noch sind wir hier weit im Gedankenexperiment. Und vielleicht werden viele dieser Vorstellungen niemals Wirklichkeit.
Aber nach allem, worüber wir in diesem Beitrag gesprochen haben, erscheint mir eine Frage plötzlich gar nicht mehr so abwegig:
Wenn wir künstliche Forscher darauf ansetzen können, die Schwachstellen eines Computerprogramms zu finden, die Struktur eines unbekannten Materials zu entdecken und Wege durch mathematische Suchräume zu finden, die für einen einzelnen Menschen viel zu groß wären – wie lange wird es dauern, bis jemand ihnen den kompliziertesten bekannten Forschungsgegenstand überhaupt vorlegt?
Den Menschen.
Und dann lautet die Frage vielleicht nicht mehr, ob wir künstliche Intelligenz beherrschen.
Sondern wie gut sie irgendwann uns versteht.
Und wer ihr den Auftrag gegeben hat, es herauszufinden.
Beitragsbild erstellt von ChatGPT – Nach einem Prompt von mir
Kommentare sind willkommen, solange sie sachlich, respektvoll und themenbezogen bleiben. Beleidigungen, Spam und reine Provokationen werden nicht veröffentlicht.