KI für Wissenschaft und Mathematik 2026: Von Benchmarks zu echten Entdeckungen

Zwei Zahlen derselben Forschungsgruppe fassen zusammen, wo KI in der Wissenschaft Ende 2026 steht. Bei FrontierMath Tier 4, den Mathematikaufgaben auf Forschungsniveau, die Epoch AI gezielt KI-resistent geschrieben hat, stieg das beste Modell von 0 % im Januar 2025 auf 100 % im September 2026. Bei FrontierMath: Erdős, 68 tatsächlich offenen Problemen, die mit einem maschinell geprüften Beweis gelöst werden müssen, erreicht das beste System 4,4 %. Zwischen diesen beiden Zahlen liegt die eigentliche Frage für jedes F&E-Team: Welche Teile der Forschung erledigt KI schon besser als Menschen, und mit welchen hat sie gerade erst begonnen?

Mathematik-Benchmarks auf Forschungsniveau fielen in unter zwei Jahren

Epoch AI startete FrontierMath Ende 2024 mit mehreren hundert unveröffentlichten Aufgaben, geschrieben von Mathematikern, vom fortgeschrittenen Bachelor-Niveau (Tiers 1–3) bis zu Problemen, an denen ein Spezialist Tage sitzt (Tier 4). Die Antworten werden automatisch geprüft, die Ergebnisse sind also schwer zu manipulieren. Beim Start löste das beste Modell rund 2 % der Aufgaben. Im Juni 2026 veröffentlichte Epoch eine korrigierte Version („v2") und testete die Modelle erneut, daraus ergibt sich eine saubere Zeitreihe für das Diagramm unten.

Entscheidend ist das Tempo. GPT-5 (August 2025) löste 22 % von Tier 4; GPT-5.2 Pro (Dezember 2025) 46 %; GPT-5.5 Pro (April 2026) 78 %; Claude Fable 5 (Juni 2026) 90 %; GPT-6 Astra (September 2026) 98 %; und GPT-6.1 Sol löste alle Aufgaben. Bei Tiers 1–3 liegt der Bestwert bei 94 %. Zum Vergleich: Der ursprüngliche Tier-4-Satz erreichte im Mai 2026 maximal 48 %, und zwar mit Google DeepMinds System AI co-mathematician statt eines einzelnen Modells.

Außerhalb der Mathematik sieht es ähnlich aus. Bei GPQA Diamond, dem Test zu Biologie, Chemie und Physik auf Promotionsniveau, liegt der Bestwert bei 96,4 % (Gemini 4 Argon), und elf Labore liegen über 90 %. Bei Humanity's Last Exam beträgt der Bestwert in Epochs Daten 54,8 % (GPT-6 Astra). Diese Tests sind praktisch gelöst oder kurz davor, deshalb behandelt unser Benchmark-Vergleich sie inzwischen als Eintrittskarte, nicht als Unterscheidungsmerkmal.

Die Labore: OpenAI und Anthropic vorn, Mistral eine Generation zurück

• OpenAI führt bei FrontierMath (93,7 % bei Tiers 1–3, 100 % bei Tier 4) und HLE. Von OpenAI stammen auch die sichtbarsten Ergebnisse bei offenen Problemen (siehe unten).
• Anthropics Claude Opus 5.5 liegt knapp dahinter (91,2 % und 95,0 %), Claude Fable 5 hielt im Juni 2026 kurz den Tier-4-Rekord. Anthropic setzt in der Wissenschaft auf Produkte: Claude for Life Sciences (Oktober 2025), das eigenständige Produkt Claude Science (Juni 2026) und ein Programm mit 10.000 Plätzen für Forschende.
• Google DeepMind führt bei GPQA Diamond (96,4 %) und beim Physik-Benchmark CritPt (36,0 %), und sein spezialisierter AI co-mathematician hielt den Rekord auf dem ursprünglichen Tier 4.
• Mistral AI ist mit Mistral Large 4 (Oktober 2026) bei GPQA konkurrenzfähig (90,2 %), erreicht aber 58,6 % bei Tiers 1–3, 26,8 % bei Tier 4 und 10,6 % bei CritPt. Das entspricht etwa dem Stand von OpenAI im zweiten Halbjahr 2025: eine gute Option, wenn Daten in der EU bleiben müssen, aber nicht das Werkzeug für Spitzenforschung in der Mathematik.

Die Treppe: Tests gegenüber offener Forschung

Das Diagramm zeigt, warum beide Aussagen stimmen: „KI löst Forschungsmathematik" und „KI hat die Forschungsmathematik nicht gelöst". Aufgaben mit bekannter Antwort, die ein Testautor prüfen kann, sind inzwischen weitgehend in Reichweite. CritPt, aufgebaut aus unveröffentlichten Forschungsproblemen der Physik, endet bei 36 %. Und bei FrontierMath: Erdős, für das Thomas Bloom (Betreiber von erdosproblems.com) 68 offene Probleme auswählte und jedes System 300 USD Budget pro Problem für einen Lean-Beweis hatte, löste GPT-6.1 Sol 3 (4,4 %), GPT-6 Astra, Claude Opus 5.5 und Claude Sonnet 5.5 je 2 (2,9 %), Gemini 4 Argon und GPT-6 Sol je 1, Claude Fable 5.1, Claude Opus 5 und GPT-5.6 Sol keines.

Echte Entdeckungen: Was 2026 tatsächlich passiert ist

Mathematiker machen zwei Einschränkungen. Erdős-Probleme sind sehr unterschiedlich schwer, und viele KI-Erfolge betreffen Probleme, die Standardtechniken lösen, sobald jemand genau hinsieht; mehrere Ergebnisse sind noch nicht begutachtet. Zudem häufen sich die Beweise schneller, als Menschen sie lesen können. Die Richtung ist trotzdem klar: 2024 und in den ersten acht Monaten 2025 wechselten 111 Erdős-Probleme von offen zu gelöst, und 2026 kamen KI-gestützte Ergebnisse Monat für Monat.

Jenseits der Mathematik: Proteindesign und Laboranalytik

In Anthropics Experiment steuerte Claude den Designzyklus selbst (wählte Werkzeuge, erzeugte und filterte Kandidaten), ein Nasslabor testete die Ergebnisse. 22–35 % der Designs banden an ihr Target, gegenüber 10–15 % in heutigen Kampagnen, und für mindestens sechs Targets entwarf Claude Binder mit nanomolarer Affinität. Beim Target RBX1 banden 40 % seiner Designs, gegenüber 3,7 % der Beiträge in einem öffentlichen Wettbewerb, und sein bestes Design übertraf den Sieger. Es gab auch Fehlschläge: Keines von 90 Designs gegen MBP wurde bestätigt.

Derselbe Beitrag zeigt die weniger glamouröse, aber leichter übertragbare Anwendung. Claude Opus 5 analysierte NMR- und LC-MS-Daten einer Verbindung in 23 bzw. 19 Minuten und meldete 96,4 % Reinheit, gegenüber 96,33 % laut Labor. Manuelle Analyse dauert eine halbe bis eine Stunde pro Probe, und der fertige Laborbericht kam vier Tage nach dem ersten Spektrum. Dieses Muster können die meisten Unternehmen heute übernehmen, es ist dasselbe wie in Pharma und Wirkstoffforschung: KI verkürzt Analyse und Iteration, Menschen behalten Urteil und Labor.

Was das für F&E-Teams in Kroatien und der DACH-Region bedeutet

1. Nutzen Sie KI schon jetzt für die Ebene der „bekannten Antworten". Herleitungen, Literatursynthese, Statistik, Spektren und Simulationscode sind Bereiche, in denen Modelle auf oder über Expertenniveau liegen. Kombinieren Sie sie mit Reasoning-Modellen auf hoher Stufe und verlangen Sie, dass das Modell seinen Lösungsweg zeigt.
2. Bauen Sie die Prüfung in den Prozess ein. Die stärksten Ergebnisse 2026 kamen mit einem Prüfer: Lean-Beweise, Laborassays, Epochs automatische Bewertung. Behandeln Sie jede Behauptung zu einem offenen Problem als Hypothese, bis ein Mensch oder ein Werkzeug sie geprüft hat.
3. Planen Sie lange, autonome Läufe ein. Die Proteinkampagnen liefen 24–48 Stunden ohne Menschen in der Schleife, passend zum Wachstum des Zeithorizonts von KI-Agenten. Legen Sie Rechenbudget und Abbruchkriterien vorher fest.
4. Wählen Sie das Modell pro Aufgabe, nicht pro Anbieter. OpenAI führt in formaler Mathematik, Google in Physik und GPQA, Anthropic hat die stärksten veröffentlichten Ergebnisse bei agentischer Laborarbeit, und Mistral Large 4 ist die in der EU gehostete Option für weniger anspruchsvolle Analysen.

Fazit

2026 ging KI vom Bestehen wissenschaftlicher Prüfungen zu Ergebnissen über, die Fachleute prüfen und anerkennen: eine 80 Jahre alte Vermutung widerlegt, Erdős-Probleme jeden Monat geschlossen, Protein-Binder besser als ein öffentlicher Wettbewerb. Benchmarks mit bekannten Antworten sind gesättigt. Offene Forschung liegt noch im einstelligen Prozentbereich, wenn der Beweis maschinell geprüft werden muss. Für Unternehmen ist das eine gute Nachricht: Der verlässliche Teil ist groß genug, um die Arbeit von F&E-Teams zu verändern, und der unzuverlässige Teil ist klar markiert.