Fields-Medaillenträger vs. KI-Benchmarks: Eine Lehre für Marketer

Mathematiker schreiben normalerweise keine offenen Briefe über Marketing. Doch das Argument, das eine Gruppe von Fields-Medaillenträgern im September vorbrachte, lässt sich fast wörtlich darauf übertragen, wie unsere Branche KI misst. Ihr Punkt: Probleme zu lösen ist ein Stellvertreter, das eigentliche Ziel ist Verständnis. Wer beides verwechselt, kann genau das beschädigen, was er verbessern wollte.

Was passiert ist

Laut The Next Web wurde am 11. September auf mathandai.org eine Erklärung mit dem Titel A Severe Misalignment of AI in Mathematics veröffentlicht. Die Website nennt 25 Unterzeichner, darunter Terence Tao, Peter Scholze, Maryna Viazovska, Cédric Villani, Pierre Deligne, Manjul Bhargava und Martin Hairer. Die Erklärung argumentiert, dass das Lösen von Problemen ein Werkzeug und ein Stellvertreter sei, während das primäre Ziel der Mathematik konzeptionelles Verständnis und Einsicht sei. Sie warnt, dass die Massenproduktion wahrer oder falscher Aussagen in steigendem Tempo „fruchtbaren Boden zerstören könnte“. TNW beschreibt sie als Stellungnahme zu Benchmarks; sie nennt kein bestimmtes Ereignis.

In derselben Woche kritisierte ein separater offener Brief einen von Studierenden organisierten KI-„Mathathon“ am Caltech, nannte das Format „slop mathematics“ und argumentierte, dass die Arbeit des Überprüfens und Korrigierens von KI-Ergebnissen „unbezahlt, ungenannt und ungewürdigt“ bleibe. TNW berichtet, dass OpenAI am 10. September seine Credits im Wert von 1 Mio. US$ für die Veranstaltung zurückzog, während Anthropic seinen Beitrag beibehielt, und dass die Organisatoren Auflagen ergänzten, die Veranstaltung aber nicht absagten.

Warum das wichtig ist

Die Beschwerde der Mathematiker betrifft eine bekannte Falle. Wenn ein schwieriges, berühmtes Problem zum Benchmark wird, optimieren Labore darauf, Antworten darauf zu produzieren. Antworten sind messbar. Verständnis nicht. Mit der Zeit verdrängt das Messbare das Wertvolle, und jemand anderes muss die Ergebnisse prüfen.

Marketing-KI hat genau dieses Problem. Wir messen Tools an dem, was sich leicht zählen lässt: Zahl der generierten Assets, eingesparte Zeit, Klickrate, Anteil der KI-Antworten, die die Marke erwähnen. Diese Zahlen sind wichtig. Doch das Ziel des Marketings ist nicht Output; es ist, Kunden gut genug zu verstehen, um ihnen zu dienen, und eine Marke aufzubauen, der Menschen vertrauen. Ein System, das Kanäle mit Inhalten flutet und bei Stellvertreterkennzahlen gewinnt, kann beides schleichend aushöhlen.

Auch der Punkt der unbezahlten Überprüfung trifft. Generierte Inhalte sind billig in der Herstellung und teuer in der Prüfung. Wenn die Prüfung in Ihren Kennzahlen unsichtbar ist, sind Ihre „Produktivitätsgewinne“ zum Teil ein Buchhaltungstrick.

Was meine Forschung sagt

Meine jüngste Forschung baut auf dieser Unterscheidung auf. In unserem SIGIR-2026-Paper SOMIN: Agentic AI for Automating Professional Visibility and Countering Content Homogenization gehen wir genau das Problem an, dass KI-geschriebene Inhalte sich angleichen: Jeder Assistent produziert dieselben kompetenten, generischen Beiträge. Unser Ansatz ist, vor dem Schreiben echte Kontextdaten abzurufen, damit das Ergebnis unverwechselbar bleibt. Menge ohne Unverwechselbarkeit ist die Marketing-Version von „Slop“.

Zur Messung habe ich auf e27 argumentiert, dass jedes Dashboard grün ist, aber niemand sagen kann, was funktioniert hat. Stellvertreterkennzahlen, die alle nach oben zeigen, sind nicht dasselbe wie das Wissen, was Ergebnisse verursacht hat. Und in unserer Arbeit zu erklärbarer KI, von Against Opacity bis MindFuse, ist das Ziel nicht nur eine bessere Vorhersage, sondern eine Erklärung, aus der ein Marketer lernen kann. Das ist das Marketing-Pendant zum „konzeptionellen Verständnis“ der Mathematiker.

Was Marketingteams daraus mitnehmen können

• Benennen Sie das Ziel hinter jeder Kennzahl. Schreiben Sie für jeden KI-KPI einen Satz dazu, für welches reale Ergebnis er stehen soll, und prüfen Sie regelmäßig, ob dieser Zusammenhang noch besteht.
• Erfassen Sie die Prüfkosten. Messen Sie die menschliche Zeit, die für die Prüfung und Korrektur von KI-Ausgaben aufgewendet wird, und beziehen Sie sie in Ihren ROI ein.
• Messen Sie Unverwechselbarkeit. Vergleichen Sie Ihre KI-gestützten Inhalte mit denen der Wettbewerber. Wenn sie ununterscheidbar werden, gewinnen Sie bei einem Stellvertreter und verlieren die Marke.
• Ziehen Sie Erklärungen Scores vor. Ein Tool, das Ihnen sagt, warum etwas funktioniert hat, baut Wissen im Team auf; eines, das Ihnen nur sagt, dass es funktioniert hat, schafft Abhängigkeit.
• Würdigen Sie die Menschen. Wenn Menschen KI-Ausgaben nachbessern, machen Sie diese Arbeit sichtbar und wertgeschätzt, statt sie vorauszusetzen.

Die Mathematiker schützen ihr Fach vor einer Benchmark-Kultur, die Antworten mit Verständnis verwechselt. Das Marketing sollte sich vor demselben Fehler schützen.

FAQ