Elf Tage allein: Was Claudes mathematischer Beweis über autonome Agenten verrät

Am 4. September 2026 veröffentlichte Anthropic einen Research-Beitrag, der selbst in der schnelllebigen KI-Branche für Aufsehen sorgte: Claude hat in gut elf Tagen weitgehend autonom den ersten vollständigen, maschinell verifizierten Beweis von Fermats letztem Satz erstellt – formuliert in der Beweissprache Lean. Ein mathematisches Problem, dessen ursprünglicher Beweis von Andrew Wiles 1995 Jahre an Arbeit gekostet hat und dessen vollständige, maschinenlesbare Formalisierung Fachleute bislang als mehrjähriges Forschungsziel einordneten.

Für Mathematikerinnen und Mathematiker ist das ein historischer Moment. Für Sie als Unternehmerin oder Unternehmer im Mittelstand ist es etwas anderes: ein ungewöhnlich klar dokumentiertes Fallbeispiel dafür, wie autonome KI-Agenten heute tatsächlich arbeiten – mit allen Stärken, allen Grenzen und einer Einschränkung, die für den Einsatz in Ihrem Betrieb am Ende wichtiger ist als die Mathematik selbst. Dieser Artikel ordnet ein, was tatsächlich passiert ist, was die Zahlen dahinter bedeuten – und was Sie daraus für Ihre eigenen Agenten-Projekte mitnehmen können.

Was Anthropic tatsächlich gezeigt hat

Der Reihe nach: Anthropic hat nicht behauptet, ein einzelner Agent habe elf Tage lang ununterbrochen an einem Problem gearbeitet. Tatsächlich waren mehrere Dutzend Claude-Agenten parallel im Einsatz, organisiert in einem Multi-Agenten-Workflow. Die "elf Tage" beschreiben die Wall-Clock-Zeit des Gesamtprojekts – nicht die Laufzeit eines einzelnen durchgehenden Agenten-Threads. Genutzt wurde laut Presseberichten ein internes Forschungsmodell, das grob mit Claude Fable 5.1 vergleichbar beschrieben wird – keine öffentlich benannte reguläre Produktmodellversion. Diese genaue Bezeichnung stammt aus Presse-Sekundärquellen und ist vor einer eigenen Weiterverwendung im Zweifel gegen Anthropics Originalmaterial zu prüfen.

Das ist eine wichtige Präzisierung, weil in der öffentlichen Wahrnehmung schnell das Bild eines einzelnen, tagelang durchlaufenden "Super-Agenten" entsteht. Die Realität ist arbeitsteiliger und näher an dem, was auch in einem gut organisierten Team passiert: viele spezialisierte Bearbeiter, die parallel an Teilaufgaben arbeiten, während ein übergeordneter Prozess die Ergebnisse laufend zusammenführt und gegen die nächsten offenen Teilprobleme abgleicht.

Menschliche Aufsicht gab es dabei durchaus – aber in einer bestimmten, sehr zurückhaltenden Form. Der leitende Anthropic-Forscher Tianyi Peng griff nicht in den Lean-Code selbst ein und korrigierte keine Details am Beweis. Seine Rolle bestand aus gelegentlichen, hochrangigen Priorisierungshinweisen wie "Jacobian as a scheme sollte priorisiert werden" oder "Mazur-Theorem vorantreiben". Er gab also die strategische Richtung vor, ohne jeden einzelnen Arbeitsschritt im Detail zu kontrollieren. Genau dieses Verhältnis – wenige, aber wirksame menschliche Eingriffe auf hoher Flughöhe, keine Detailkorrektur – ist eines der beiden zentralen Muster, die sich aus diesem Projekt auf Ihren Betrieb übertragen lassen.

Die Zahlen hinter der Schlagzeile

Was in elf Tagen tatsächlich entstanden ist, lässt sich in nüchternen Zahlen ausdrücken – und diese Zahlen verdienen mehr Aufmerksamkeit als die Schlagzeile selbst. Im Zuge der Formalisierung wurden rund 13 Millionen Zeilen Lean-Code erzeugt, nach Presseberichten die größte bekannte Datei beziehungsweise Codebasis dieser Art. Insgesamt wurden 30.300 einzelne Theoreme bewiesen, von denen 29.500 tatsächlich im finalen Beweis Verwendung fanden – die Differenz zeigt, dass auch bei einem derart orchestrierten Prozess ein Teil der Arbeit am Ende nicht in das Endergebnis einfließt, sondern Sackgassen oder Zwischenschritte betrifft, die später durch elegantere Beweiswege ersetzt wurden.

Zur Einordnung dieser Größenordnung hilft ein Vergleich: Mathlib selbst ist über viele Jahre hinweg von einer engagierten, weltweiten Community aus Mathematikerinnen, Mathematikern und Informatikerinnen gemeinsam aufgebaut worden – Zeile für Zeile, überprüft und diskutiert in offenen Reviews. Dass eine einzelne, auf ein Projekt fokussierte Agenten-Flotte in elf Tagen einen Code-Umfang erzeugt, der dieses über Jahre gewachsene Gemeinschaftswerk um mehr als das Fünffache übertrifft, zeigt vor allem eines: Wo Zwischenschritte automatisch verifizierbar sind, lässt sich Fließbandarbeit in einem Tempo erledigen, das für Menschen allein unerreichbar wäre. Genau darin – nicht in einem sprunghaften Fortschritt der mathematischen Kreativität – liegt der eigentliche Hebel dieses Projekts.

Für diesen Umfang wurden rund 6 Milliarden Output-Tokens verbraucht, zusammengerechnet über alle parallel arbeitenden Agenten. Zur Einordnung: Mathematikerinnen und Mathematiker hatten vor dem Projekt mit mehreren Jahren Aufwand für eine vollständige Formalisierung gerechnet. Claude erledigte die Aufgabe in elf Tagen Wall-Clock-Zeit.

Diese Größenordnung ist zugleich eine wichtige Relativierung für den Mittelstand: Ein Projekt dieser Skalierung – Dutzende parallele Agenten, Milliarden Tokens, ein eigens dafür bereitgestelltes Forschungsmodell – benötigt aktuell noch massive Rechenressourcen, die in dieser Form kein mittelständischer Betrieb bereithält und auch nicht bereithalten muss. Für Ihren Betrieb relevant sind nicht Projekte dieser Größe, sondern kleinere, klar abgegrenzte Agenten-Einsatzfelder, die nach derselben Verifikationslogik funktionieren, aber mit einem Bruchteil des Rechenaufwands auskommen.

Wie autonom war der Prozess wirklich?

Ein Detail aus dem Anthropic-Beitrag wird in vielen Zusammenfassungen unterschlagen, ist aber gerade für die betriebliche Übertragung besonders lehrreich: Der erste Formalisierungsversuch scheiterte. Erst der Einsatz von Prove2Me, einem Open-Source-Tool aus dem Umfeld der Columbia University, ermöglichte mitten im laufenden Projekt den Abschluss.

Das bedeutet: Selbst ein derart aufwendig orchestriertes, gut finanziertes Vorzeigeprojekt verlief nicht linear von Anfang bis Ende, sondern iterativ – mit einem Fehlschlag, einem Kurswechsel und einem zusätzlichen Werkzeug, das erst nachträglich hinzukam, weil sich mitten im Prozess zeigte, dass es gebraucht wurde. Wer in Ihrem Betrieb den Einstieg in Agenten-Workflows plant, sollte genau diese Erwartungshaltung mitbringen: Der erste Ansatz funktioniert selten sofort perfekt. Entscheidend ist nicht, ob der erste Versuch bereits das Endergebnis liefert, sondern ob der Prozess so aufgebaut ist, dass ein Fehlschlag früh sichtbar wird und nachjustiert werden kann, ohne dass gleich das gesamte Projekt in Frage steht.

Die entscheidende Einschränkung: formale versus inhaltliche Prüfung

Damit sind wir beim eigentlichen Kern dieses Artikels – einer Einschränkung, die in der Berichterstattung häufig zu kurz kommt, für die Übertragung auf Ihren Betrieb aber zentral ist. Lean hat den fertigen Beweis rein formal-logisch anhand seiner drei Standardaxiome verifiziert. Das heißt: Jeder einzelne logische Schritt im Beweis ist nachweisbar korrekt aus dem vorherigen Schritt abgeleitet, ohne Lücke, ohne unbewiesene Zwischenannahme.

Was Lean nicht prüft, ist die semantische Korrektheit – also ob die einzelnen Zwischenaussagen tatsächlich das mathematische Konzept korrekt benennen und abbilden, das sie zu repräsentieren behaupten. Diese inhaltliche Prüfung bleibt laut mehreren Fachberichten weiterhin Aufgabe menschlicher Expertinnen und Experten. Ein System kann also perfekt formal konsistent sein und trotzdem an einer Stelle etwas anderes beweisen, als eigentlich beabsichtigt war – wenn die Definition selbst am Anfang nicht korrekt erfasst wurde. Formale Korrektheit und inhaltliche Richtigkeit sind zwei unterschiedliche Fragen, und nur die erste wird hier vollautomatisch beantwortet.

Kevin Buzzard vom Imperial College London, ein anerkannter Lean- und Mathlib-Experte, bezeichnete die Leistung als "außergewöhnliche Autoformalisierungsleistung" und einen großen Schritt in Richtung automatischer Formalisierung der modernen mathematischen Literatur – der künftig helfen könne, Fehler im mathematischen Corpus aufzuspüren und Gutachterinnen und Gutachter zu entlasten.

Diese Einordnung ist wohlwollend, aber sie bestätigt zugleich die Grenze: Selbst der prominenteste externe Kommentar zu diesem Projekt beschreibt einen Fortschritt bei der Formalisierung – nicht die Ablösung menschlicher Fachprüfung. Claude hat den Beweis von Andrew Wiles nicht neu entdeckt oder ersetzt. Die eigentliche Leistung liegt in der vollständigen, maschinenlesbaren Formalisierung und Verifikation eines bereits bestehenden Beweises, dessen Formalisierung zuvor als mehrjähriges Forschungsziel galt.

Bemerkenswert ist zudem, wie die Faktenlage selbst aussieht: Die zentralen Angaben – die 13 Millionen Zeilen Code, die 30.300 beziehungsweise 29.500 Theoreme, die 6 Milliarden Tokens – stammen im Wesentlichen aus Anthropics eigenem Research-Beitrag, ergänzt um das einzelne externe Zitat von Kevin Buzzard. Eine breitere, unabhängige Drittverifikation dieser Zahlen durch die Fachcommunity oder eine formale Begutachtung des Codes in einem Peer-Review-Journal ist bislang nicht dokumentiert. Auch das ist eine Lehre für den betrieblichen Kontext: Beeindruckende Kennzahlen zu einem KI-Projekt sind zunächst Selbstauskünfte des Anbieters – eine gesunde Portion Nachprüfung gehört dazu, bevor man Entscheidungen darauf aufbaut.

Was das übertragbare Prinzip für Ihren Betrieb ist

Die naheliegende, aber falsche Lehre aus diesem Projekt wäre: "KI kann jetzt selbstständig hochkomplexe Aufgaben lösen, also können wir Agenten auch in unserem Betrieb einfach machen lassen." Die eigentlich relevante Lehre ist präziser und nützlicher: Lange, mehrstufige Aufgaben lassen sich an Agenten delegieren, wenn jeder Zwischenschritt maschinell überprüfbar gemacht wird.

Im Fermat-Projekt übernahm Lean diese Rolle der maschinellen Zwischenprüfung – jeder einzelne logische Schritt musste die Regeln des Systems bestehen, bevor der nächste Schritt darauf aufbauen konnte. In Ihrem Betrieb könnten das andere Mechanismen sein: strukturierte Regelprüfungen in der Buchhaltung, Checklisten in der Auftragsabwicklung, eine definierte Buchungslogik in der Finanzverwaltung oder ein Parser, der Vertragsklauseln systematisch gegen festgelegte Kriterien prüft, bevor ein Dokument freigegeben wird. Der gemeinsame Nenner ist immer derselbe: Ein Agent arbeitet nicht "irgendwie autonom vor sich hin", sondern innerhalb eines Systems, das jeden Zwischenschritt objektiv und automatisiert prüfen kann, bevor der nächste Schritt darauf aufbaut.

Ein konkretes Beispiel macht das greifbar: Ein Agent, der eingehende Lieferantenrechnungen mit Bestellungen und Lieferscheinen abgleicht, kann jede einzelne Position formal gegen hinterlegte Regeln prüfen – stimmen Menge, Preis und Steuersatz überein, liegt eine gültige Kostenstelle vor, ist der Betrag innerhalb des vereinbarten Rahmens. Besteht diese Prüfung, ist damit belegt, dass die Rechnung mit dem hinterlegten Regelwerk konsistent ist – genau wie ein Lean-Beweisschritt formal aus den vorherigen Schritten folgt. Ob das Regelwerk selbst noch aktuell ist, ob eine neue Vertragsklausel berücksichtigt wurde oder ob ein Sonderfall vorliegt, den die Regeln nicht abdecken, bleibt eine andere Frage – und genau das ist die semantische Ebene, die weiterhin in menschlicher Verantwortung liegt.

Das zweite übertragbare Prinzip betrifft die Rolle der Menschen im Prozess. Tianyi Pengs Aufsicht war minimal, aber nicht abwesend – er gab strategische Prioritäten vor, ohne jeden Arbeitsschritt im Detail zu kontrollieren. Das ist ein realistisches Zielbild für den Agenteneinsatz in Ihrem Betrieb: Richtungsvorgabe durch Menschen, Detailausführung durch Agenten, Verifikation eingebaut statt nachträglich aufgesetzt. Nicht die vollständige Abwesenheit menschlicher Kontrolle ist das Ziel, sondern ihre Verlagerung von der Detailebene auf die strategische Ebene – dort, wo menschliches Urteilsvermögen tatsächlich den größten Unterschied macht.

Und drittens: Die semantische Lücke ist die zentrale Warnung, die Sie bei der Übertragung auf Buchhaltung, Vertragsprüfung oder Kundenkommunikation mitnehmen sollten. Ein automatisiert "bestandener" Prüfschritt beweist nicht, dass die zugrunde liegende Fragestellung korrekt formuliert war. Wenn ein Agent beispielsweise eine Rechnung gegen ein Regelwerk prüft und die Prüfung besteht, heißt das nur, dass die Rechnung mit dem formulierten Regelwerk konsistent ist – nicht, dass das Regelwerk selbst die richtige Frage stellt oder den tatsächlichen Geschäftsvorfall korrekt abbildet. Genau deshalb bleibt die inhaltliche Aufgabendefinition und die stichprobenartige Prüfung von Zwischenergebnissen weiterhin Aufgabe Ihrer Fachleute, so wie sie bei Anthropic Aufgabe menschlicher Mathematikerinnen und Mathematiker bleibt.

Der gescheiterte erste Formalisierungsanlauf und der Wechsel auf Prove2Me sind vielleicht das nützlichste Detail dieser ganzen Geschichte für Sie als mittelständisches Unternehmen. Sie zeigen: Selbst ein Team von KI-Forscherinnen und -Forschern mit erheblichen Ressourcen plant nicht jeden Schritt im Voraus perfekt durch. Stattdessen wird iterativ vorgegangen, ein Fehlschlag wird als Information genutzt, und ein zusätzliches Werkzeug wird eingebaut, sobald sich im laufenden Betrieb zeigt, dass es gebraucht wird.

Das ist die Erwartungshaltung, die Sie sich selbst und Ihrem Team mitgeben sollten, wenn Sie mit dem Einstieg in Agenten-gestützte Workflows beginnen: Rechnen Sie mit einem ersten Ansatz, der nachjustiert werden muss. Bauen Sie Prüfpunkte ein, an denen Sie und Ihre Fachleute erkennen können, ob ein Agent tatsächlich das Richtige tut – nicht nur, ob er formal fehlerfrei arbeitet. Und beginnen Sie mit klar abgegrenzten Aufgabenfeldern, bei denen sich Zwischenschritte gut überprüfen lassen, statt gleich einen kompletten, unüberschaubaren Prozess vollständig zu automatisieren. Der Skalenfaktor des Fermat-Projekts – Dutzende Agenten, Milliarden Tokens – sollte Sie dabei nicht einschüchtern: Er zeigt lediglich, was mit maximalem Ressourceneinsatz möglich ist, nicht, was für einen sinnvollen Einstieg nötig wäre.

Fazit: Nicht die Mathematik zählt, sondern das Prinzip dahinter

Claudes Beweis von Fermats letztem Satz in Lean ist eine bemerkenswerte technische Leistung – elf Tage Wall-Clock-Zeit, Dutzende parallele Agenten, 13 Millionen Zeilen Code, 30.300 bewiesene Theoreme, mehr als das Fünffache des Umfangs von Mathlib. Für Ihren Betrieb zählt jedoch nicht die Mathematik, sondern das Muster, das dahintersteckt: Lange Aufgaben werden an Agenten delegierbar, wenn jeder Schritt maschinell überprüfbar bleibt. Menschliche Aufsicht verschiebt sich von der Detailkontrolle zur strategischen Priorisierung, verschwindet aber nicht vollständig. Und eine formal bestandene Prüfung ersetzt keine inhaltliche Prüfung durch Fachleute.

Wer diese drei Prinzipien versteht, kann die Fermat-Geschichte als das lesen, was sie für den Mittelstand tatsächlich ist: kein Beleg dafür, dass Agenten jetzt alles allein können, sondern ein gut dokumentiertes Beispiel dafür, wie eine sinnvolle Arbeitsteilung zwischen Mensch, Agent und eingebauter Verifikation aussehen kann – in einer Größenordnung, die für Anthropics Forschungsziele passend war, und übertragbar auf eine Größenordnung, die für Ihren Betrieb tatsächlich umsetzbar ist.