Wenn Maschinen die Punkte verbinden

Eine Maschine, die die ganze Bibliothek liest

Diese Woche hat OpenAI 722 Manuskripte veröffentlicht, die ein unveröffentlichtes internes Modell erstellt hat. Sie decken 372 Familien mathematischer Resultate ab und klären Hunderte offener Fragen in rund 17 Gebieten der Mathematik (Business Standard). Einen Monat zuvor wurde demselben Modell das Navier-Stokes-Problem zugeschrieben, wenige Wochen davor mehr als 100 lange offene Probleme in weniger als einem Monat Training. Die mathematische Fachwelt prüft die Behauptungen noch; genau dafür wurde eine unabhängige Beratergruppe am Institute for Advanced Study gebildet.

Die Schlagzeilenzahl beeindruckt. Der Mechanismus dahinter interessiert mich mehr.

Das Modell hat keine neue Mathematik erfunden. Es hat Disziplinen gelesen, die menschliche Spezialisten selten zusammen lesen, und eine Methode aus einem Fach genutzt, um ein Problem in einem anderen zu knacken. Ein frühes Resultat, von professionellen Mathematikern geprüft, beruhte auf einer unerwarteten Verbindung zwischen elementarer Geometrie und algebraischer Zahlentheorie. Diese Verbindung wurde nicht übersehen, weil sie schwer war. Sie wurde übersehen, weil kein einzelner Mensch beide Gebiete gleichzeitig im Arbeitsgedächtnis hatte – und die Geduld, jede Kombination durchzuprobieren.

Das ist die eigentliche Geschichte: ein System, das eine ganze Bibliothek auf einmal im Blick behalten kann und weiter probiert.

Menschen haben das auch versucht. Es dauerte sechzig Jahre.

1967 schrieb ein junger Mathematiker namens Robert Langlands einen Brief an André Weil. Vorsorglich entschuldigte er sich, falls es Unsinn sei. Es war keiner. Der Brief skizzierte ein Netz von Vermutungen, das vier getrennt gewachsene Gebiete verband: Zahlentheorie, die Theorie der automorphen Formen, Darstellungstheorie und algebraische Geometrie. Die Idee: Eine schwere Frage in einem Gebiet lässt sich in eine leichtere Frage in einem anderen übersetzen und dort beantworten.

Aus diesem Netz wurde das Langlands-Programm, manchmal die große vereinheitlichte Theorie der Mathematik genannt. Der Ertrag kam langsam, war aber spektakulär. Andrew Wiles bewies 1995 den Großen Fermatschen Satz, indem er ein Teilstück davon bewies, eine Brücke zwischen elliptischen Kurven und Modulformen. Ngô Bảo Châu erhielt 2010 die Fields-Medaille für das Fundamentale Lemma, ein weiteres Teilstück. Bei jedem Schritt brauchte ein Spezialist Jahre, um ein zweites Fach gut genug zu lernen und eine Methode hinüberzutragen.

Das Rezept ist also alt: Fakten und Methoden aus Fächern sammeln, die niemand für verwandt hielt, nebeneinanderlegen und nach der Übersetzung suchen. Neu in diesem Jahr ist, wer sich das leisten kann – und in welchem Tempo.

Warum die Mathematik den Anfang machte

Mathematik ist, wie Code, das denkbar freundlichste Terrain für solche Suchen. Alles ist aufgeschrieben. Jedes Objekt hat eine präzise Definition. Und jede Kandidatenlösung lässt sich prüfen: Ein Beweis ist richtig oder falsch, ein Test besteht oder fällt durch. OpenAI hat viele der neuen Beweise sogar in Lean formalisiert, sodass ein Computer sie Zeile für Zeile verifizieren kann.

Diese Überprüfbarkeit erlaubt es einem Modell, Tausende Versuche zu fahren und die schlechten zu verwerfen – ohne Mensch im Loop. Struktur plus ein günstiger, ehrlicher Test ergibt kumulativen Fortschritt.

Man könnte schließen, der Trick funktioniere nur dort, wo der Boden so fest ist. Ich halte das für falsch.

Dieselbe Idee, auf eine Sales-Pipeline gerichtet

Eine B2B-Vertriebsorganisation sitzt auf ihrer eigenen verstreuten Bibliothek. CRM-Historie. E-Mail-Threads. Gesprächsnotizen. Externe Marktinformationen. Karriereseiten, Finanzierungsrunden, Produktlaunches, Jobwechsel, Presse, Behördenmeldungen, Partnerankündigungen, Schritte der Wettbewerber. Jedes davon liegt in einem anderen Tool, gehört einem anderen Team und wird, wenn überhaupt, von einer Person zu einem Zeitpunkt gelesen.

Die Zusammenhänge, auf die es ankommt, liegen fast nie in einer einzigen Quelle. Ein neuer VP of Operations beim Interessenten, eine Preisänderung des Wettbewerbers im letzten Quartal, ein Support-Ticket einer Schwesterfirma und ein Konferenzvortrag von vor sechs Monaten sagen zusammen vielleicht: „Dieser Account kauft bald, und hier ist der Grund.“ Kein Vertriebsmitarbeiter hat die Aufmerksamkeitsspanne oder das Verarbeitungsbudget, das zu bemerken. Nicht aus Nachlässigkeit, sondern aus demselben Grund, aus dem kein Zahlentheoretiker die Geometrie-Paper gelesen hat.

Genau das bauen wir bei truffalo.ai. Wir sammeln Informationen aus vielen Quellen, halten sie in historischer Perspektive statt als Momentaufnahme und lassen unsere Modelle kontinuierlich darüber laufen – auf der Suche nach Verbindungen, die aus keiner einzelnen Perspektive sichtbar sind. Aus diesen Verbindungen bauen wir Arbeitsmodelle dafür, wie die Information einem Verkäufer helfen kann: welchen Account er heute öffnet, was er sagt, was der nächste Schritt ist und wann.

Es geht nicht nur darum, dem Vertrieb Routinearbeit abzunehmen, auch wenn das passiert. Es geht um Umsatz: mehr passende Accounts im Funnel, ein höherer Anteil, der in jeder Phase konvertiert, und weniger Deals, die an etwas scheitern, das jemand hätte wissen können.

Business ist keine Mathematik. Das ist in Ordnung.

Für eine Sales-Empfehlung gibt es kein Lean. Eine Prognose zu einem Deal ist am Tag ihrer Abgabe weder wahr noch falsch. Das Mathe-Setup lässt sich also nicht eins zu eins kopieren.

Was wir stattdessen haben, ist ein langsamerer, aber ehrlicher Test: was tatsächlich passiert ist. Hat der Account geantwortet? Wurde der Termin gebucht? Wurde der Deal gewonnen, hat er gestockt oder ist er gestorben – und wann? Jede Prognose, Empfehlung und jedes Artefakt des Systems wird an diesem Ergebnis gemessen und zurückgespielt. Der Loop ist verrauschter als ein Beweisprüfer und dauert Wochen statt Sekunden, aber er läuft für jeden Account, jeden Tag, und er vergisst nichts.

Mit diesem Loop werden die Ergebnisse aus klugen Vermutungen zu verlässlich guten Ergebnissen im geschäftlichen Sinn – und das ist die Messlatte, die zählt. Nicht perfekt. Konstant gut genug, um zu ändern, was ein Vertriebsmitarbeiter am Montagmorgen tut.

Und der Vertriebsmitarbeiter macht weiterhin den entscheidenden Zug. Das Modell findet die Verbindung; ein Mensch greift zum Hörer, betritt den Raum und spricht mit einem anderen Menschen. Diesen Teil wollen wir nicht automatisieren. Wir wollen sicherstellen, dass er dabei schon das weiß, was sonst niemand bemerkt hat.

Das Muster ist größer als das Fachgebiet

Langlands brauchte sechzig Jahre und eine Handvoll Genies, um vier Gebiete zu verbinden. Ein Modell hat das Äquivalent über siebzehn in wenigen Wochen geleistet – die mathematische Welt prüft die Arbeit gerade. Wie auch immer die Bilanz am Ende aussieht, die Lehre ist schon klar: Die wertvollsten Entdeckungen liegen oft zwischen den Disziplinen, in aller Öffentlichkeit, und warten auf etwas mit genug Reichweite und genug Geduld, um hinzusehen.

Vertriebsteams haben ihre eigenen unverbundenen Fachgebiete. Wir glauben, dass derselbe Ansatz dort funktioniert – mit einem Feedback-Loop anstelle des Beweisprüfers und einem Menschen am Ende der Kette.

Wenn Sie ein Vertriebsteam leiten und vermuten, dass der nächste Deal in Informationen steckt, die Sie bereits haben, tausche ich mich gern mit Ihnen aus.