Leiden Declaration: Was das KI-Regelwerk für Mathematik-Teams bedeutet

Am 2. Juni 2026 haben 16 Forschende aus 15 Universitäten ein Dokument veröffentlicht, das in der Mathematik-Community seither zirkuliert wie eine Hausordnung, die vorher gefehlt hat: die Leiden Declaration on Artificial Intelligence and Mathematics. Entstanden ist der Text aus einem Workshop am Lorentz Center der Universität Leiden im September 2025, offiziell unterstützt von der International Mathematical Union. Inzwischen tragen nach Angaben deutschsprachiger Fachmedien mehr als 150 Mathematikerinnen und Mathematiker die Erklärung mit, darunter Terence Tao – ein Name, der in diesem Fach für sich spricht.

Wer jetzt ein Verbotsschild erwartet, liegt falsch. Die Declaration untersagt keine KI-Nutzung in der Mathematik. Sie zieht Leitplanken um etwas, das bisher im Grauen lief: wer Verantwortung trägt, wenn ein Sprachmodell an einem Beweis mitwirkt, und wie verhindert wird, dass Pressemitteilungen den Peer-Review ersetzen. Für Mathematik-Teams an Universitäten, in Forschungseinrichtungen und zunehmend auch in Unternehmen ist das keine akademische Fußnote, sondern eine Blaupause für tägliche Arbeitsprozesse.

Was die Leiden Declaration konkret verlangt

Der Text formuliert vier Grundpfeiler: Offenlegung von KI-Einsatz, menschliche Verantwortung für Ergebnisse, Festhalten am Peer-Review als Qualitätssicherung und faire Rahmenbedingungen gegenüber kommerziellen KI-Anbietern. Keiner dieser Punkte ist technisch revolutionär. Zusammen ergeben sie aber die erste kollektive Antwort eines ganzen Fachs auf die Frage, wie KI in der Mathematik seriös eingebunden wird, ohne die Kultur des Beweisens zu beschädigen.

Bemerkenswert ist der Ton: Die Deklaration warnt explizit vor KI-generierten Beweisen, die plausibel aussehen, aber falsch sind, und vor proprietären Modellen, deren Rechenwege sich nicht nachvollziehen lassen. Das ist keine abstrakte Sorge. Die Mathematik lebt von Beweisketten, die jeder Schritt für Schritt prüfen kann – ein Black-Box-Modell, das ein Ergebnis ausspuckt, ohne dass jemand den Weg dorthin verifizieren kann, unterläuft genau dieses Prinzip.

Transparenzpflicht: Die neue Offenlegungspflicht für Tools

Das praktisch greifbarste Element ist die geforderte Sektion „Tool and computational resource disclosure“. Fachartikel sollen künftig explizit benennen, welche KI-Tools, Machine-Learning-Systeme, Sprachmodelle oder Proof Assistenten in einer Arbeit zum Einsatz kamen. Das klingt bürokratisch, verändert aber die Publikationskultur in der Mathematik grundlegend.

Bislang war der Einsatz von KI in vielen Papern implizit – man hat mit einem Chatbot eine Idee skizziert, ohne das irgendwo zu vermerken. Die Transparenz, die die Leiden Declaration einfordert, macht aus einem stillschweigenden Hilfsmittel einen dokumentierten Teil der Methodik. Für Teams bedeutet das: Wer heute an einem Paper arbeitet, sollte von Anfang an protokollieren, welches Modell, welche Version und welche Rechenressourcen verwendet wurden. Nachträgliches Rekonstruieren ist mühsam und fehleranfällig.

Eine feste Formatvorlage schreibt die Deklaration nicht vor. Das überlässt sie den Journalen und Fachgesellschaften – was in der Praxis zu einem Flickenteppich unterschiedlicher Disclosure-Standards führen wird, bis sich ein gemeinsames Format etabliert. Genau hier liegt eine der ersten offenen Baustellen.

Keine Autorenschaft für Algorithmen

Der zweite Pfeiler ist unmissverständlich: Ein KI-System kann kein Co-Autor eines mathematischen Papers sein. Verantwortung für Korrektheit, Argumentation und Zitation bleibt bei den menschlichen Autorinnen und Autoren. Die Deklaration formuliert das so, dass Anerkennung und Verantwortung bei Menschen verbleiben und nicht auf automatisierte Systeme übertragen werden.

Das ist mehr als eine symbolische Geste. Wenn ein Beweis später als fehlerhaft entlarvt wird – und in der Mathematik passiert das regelmäßig, auch ohne KI-Beteiligung –, muss klar sein, wer dafür geradesteht. Eine Maschine kann nicht zur Rechenschaft gezogen werden, ein Forschungsteam schon. Diese Klarstellung schützt am Ende auch die Autorinnen und Autoren selbst: Wer transparent macht, wo KI half und wo nicht, kann im Streitfall nachweisen, dass die eigentliche mathematische Leistung menschlich verantwortet wurde.

Peer-Review bleibt die Firewall gegen Hype

Der dritte Pfeiler zielt auf ein Problem, das in den letzten Jahren immer wieder für Schlagzeilen sorgte: KI-Unternehmen, die angebliche mathematische Durchbrüche per Pressemitteilung verkünden, bevor überhaupt ein begutachtetes Paper existiert. Die Leiden Declaration positioniert Peer-Review explizit als Standard, an dem sich auch KI-gestützte Ergebnisse messen lassen müssen. Reine Ankündigungen über Blogposts oder Konferenzauftritte gelten nicht als gleichwertiger Ersatz.

Das ist aus meiner Sicht der wichtigste Satz im ganzen Dokument, auch wenn er unspektakulär klingt. Die vergangenen zwei Jahre haben gezeigt, wie schnell aus einem nicht verifizierten KI-Claim eine mediale Erzählung wird, die sich verselbstständigt – lange bevor unabhängige Mathematikerinnen und Mathematiker den Beweis überhaupt nachvollzogen haben. Wer als Journalist oder als Forschungsteam über solche Meldungen berichtet, sollte künftig eine einfache Prüffrage stellen: Existiert ein begutachtetes Paper, oder gibt es nur eine Pressemitteilung?

Formale Beweise gewinnen an Gewicht

Ein Nebeneffekt der Debatte, den die Deklaration verstärkt: Formale Beweise und Proof Assistenten wie Lean, Coq oder Isabelle rücken stärker in den Fokus. Wenn ein Sprachmodell eine Beweisskizze liefert, deren Korrektheit sich nicht ohne Weiteres prüfen lässt, wird die formale Verifikation zur Absicherung. Die Deklaration formuliert das als Empfehlung, formale Beweise dort einzusetzen, wo es machbar und angemessen ist – keine Pflicht, aber ein klarer Fingerzeig.

Für Mathematik-Teams heißt das: Kompetenz in formaler Verifikation wird von einer Nischenfähigkeit zu einem praktischen Werkzeug gegen KI-Unsicherheit. Ein realistischer Arbeitsablauf sieht dann so aus: Ein Sprachmodell hilft bei der Ideenfindung oder bei der Literaturrecherche, ein Proof Assistant übernimmt die Verifikation des eigentlichen Arguments. Beide Schritte werden dokumentiert, beide fließen in die Disclosure-Sektion ein.

In der Praxis dürfte sich das vor allem in größeren Arbeitsgruppen zeigen, die ohnehin arbeitsteilig arbeiten: Eine Person formuliert die mathematische Idee, eine zweite prüft mit einem Proof Assistant, eine dritte pflegt das Disclosure-Dokument. Kleinere Teams oder einzelne Promovierende werden diese Aufteilung kaum in dieser Form leisten können – für sie dürfte die Dokumentationspflicht zunächst als zusätzlicher administrativer Aufwand ankommen, bevor sich Routinen einspielen. Genau deshalb lohnt sich der Blick auf Werkzeuge, die Dokumentation und Versionskontrolle ohnehin schon abbilden, etwa aus der Softwareentwicklung übernommene Workflows für nachvollziehbare Änderungsverläufe.

Das Verhältnis zu den KI-Konzernen

Die Deklaration hat auch eine politische Dimension. Sie kritisiert, dass KI-Unternehmen mathematische Arbeiten teils ohne explizite Zustimmung für das Training ihrer Modelle nutzen und Ergebnisse per Pressemitteilung statt über den üblichen wissenschaftlichen Weg verkünden. Gefordert wird ein fairerer Rahmen: rechtliche Klarheit bei der Nutzung von Forschungsarbeiten als Trainingsdaten und öffentliche Förderung, damit akademische Forschung nicht allein von der Rechenleistung kommerzieller Anbieter abhängt. In der Diskussion fällt dabei häufig der Vergleich mit großen öffentlichen Forschungsinfrastrukturen – die Idee eines offenen, öffentlich finanzierten Pendants zu den geschlossenen Modellen der großen KI-Konzerne.

Man kann das als naive Forderung nach öffentlichem Geld abtun. Ich halte den Vergleich trotzdem für berechtigt: Mathematik ist eine der wenigen Disziplinen, deren komplette publizierte Historie frei zugänglich und maschinenlesbar strukturiert ist – ein Traum für jedes Trainingsdatenset. Dass genau diese Community jetzt verlangt, bei der Verwertung ihrer eigenen Arbeit mitzureden, ist naheliegend und überfällig. Wie stark sich solche Fragen künftig mit allgemeinem Sicherheits- und Haftungsrecht für KI-Systeme überschneiden, zeigt sich derzeit auch in ganz anderen Bereichen, etwa dort, wo es um regulatorische Leitplanken für autonome Systeme geht – ein Feld, das mit ähnlichen Verantwortungsfragen kämpft wie die Mathematik-Community jetzt.

Blick nach Deutschland: Was Fachgesellschaften und Hochschulen jetzt tun sollten

Für den deutschsprachigen Raum ist die Leiden Declaration vor allem deshalb relevant, weil viele Institute noch keine eigenen, verbindlichen Regeln zum Umgang mit KI in Forschung und Lehre haben. Prüfungsordnungen und Promotionsvereinbarungen erwähnen KI-Nutzung, wenn überhaupt, meist nur allgemein und ohne Bezug zu den spezifischen Anforderungen mathematischer Beweisführung. Die Deklaration liefert hier eine Vorlage, an der sich Fachbereiche orientieren können, ohne alles neu erfinden zu müssen.

Konkret heißt das: Fachgesellschaften könnten Musterformulierungen für Disclosure-Sektionen erarbeiten, die Institute in ihre eigenen Publikationsrichtlinien übernehmen. Graduiertenschulen könnten verpflichtende Kurzeinheiten zu KI-Transparenz in ihre Doktorandenprogramme aufnehmen, ähnlich wie es heute schon Pflichtmodule zu guter wissenschaftlicher Praxis gibt. Und Prüfungsausschüsse täten gut daran, frühzeitig zu klären, wie mit KI-unterstützten Herleitungen in Abschlussarbeiten umgegangen wird – bevor der erste strittige Fall auf dem Tisch liegt und improvisiert entschieden werden muss.

Auch für Forschungsförderer ergibt sich Handlungsbedarf. Wer Projekte finanziert, könnte die Offenlegung von KI-Einsatz künftig als Bestandteil des Abschlussberichts verlangen, so wie heute schon Angaben zu Interessenkonflikten oder Datenmanagementplänen üblich sind. Das würde die in der Deklaration formulierten Prinzipien von einer freiwilligen Selbstverpflichtung einzelner Unterzeichnender zu einer strukturellen Erwartung an ganze Förderlinien machen – ein Schritt, der mehr Wirkung entfalten könnte als jede einzelne Institutserklärung.

Was das für Mathematik-Teams in der Praxis bedeutet

Konkret verändert sich der Alltag an mehreren Stellen. Erstens: Wer an einem Paper arbeitet, sollte von Projektbeginn an ein einfaches Log führen – welches Modell, welche Version, welcher Zweck. Zweitens: Betreuende und Promovierende sollten KI-Nutzung explizit besprechen, bevor eine Dissertation entsteht, nicht erst beim Einreichen. Drittens: Teams, die mit proprietären, nicht auditierbaren Modellen arbeiten, sollten sich fragen, ob sich die Ergebnisse später überhaupt nachvollziehbar dokumentieren lassen – wenn nicht, drohen Probleme bei der Begutachtung.

Viertens, und das betrifft vor allem Fachgesellschaften und Journale: Die bisherigen KI-Richtlinien vieler Publikationen sind vage. Die Leiden Declaration liefert Argumente, sie in verbindlichere Disclosure-Regeln zu übersetzen – ähnlich wie es in der Medizin mit Interessenkonflikt-Erklärungen längst Standard ist. Wer als Redaktion oder Institut jetzt eigene Guidelines formuliert, tut gut daran, sich an der Struktur der Deklaration zu orientieren, statt das Rad neu zu erfinden.

Fünftens betrifft es die Kommunikation nach außen: Institute, die regelmäßig mit Presseanfragen zu angeblichen KI-Durchbrüchen konfrontiert sind, könnten von standardisierten Antworten profitieren, die auf den Peer-Review-Status verweisen, statt vorschnell Erfolge zu bestätigen.

Wer die Umsetzung im eigenen Team pragmatisch angehen will, kann sich an einer kurzen Checkliste orientieren:

• Ein zentrales Dokument pro Projekt, in dem jede KI-Interaktion mit Datum, Modellversion und Zweck festgehalten wird.
• Eine klare Absprache im Team, wer für die inhaltliche Prüfung eines KI-unterstützten Arguments verantwortlich zeichnet.
• Ein fester Blick auf den Peer-Review-Status, bevor Ergebnisse extern kommuniziert werden – intern wie über Social Media.
• Wo möglich, der Einsatz eines Proof Assistants für kritische Zwischenschritte, statt sich allein auf die Plausibilität einer Sprachmodell-Ausgabe zu verlassen.

Parallelen zu anderen Wissenschaftsfeldern

Die Mathematik ist nicht die erste Disziplin, die mit dieser Frage kämpft, aber sie geht das Problem vergleichsweise systematisch an. In der Informatik etwa gibt es seit Jahren Debatten darüber, wie stark KI-generierter Code in Konferenzbeiträgen offengelegt werden muss, ohne dass sich bislang ein einheitlicher Standard durchgesetzt hätte. Auch dort zeigt sich immer wieder, dass scheinbar funktionierende, KI-erzeugte Lösungen in der Praxis Schwachstellen enthalten können, die erst bei genauerer Prüfung auffallen – ein Muster, das sich in unterschiedlichen Ausprägungen durch mehrere technische Disziplinen zieht.

Die Medizin hat mit Interessenkonflikt-Erklärungen und Registrierungspflichten für klinische Studien bereits vor Jahrzehnten ähnliche Transparenzmechanismen etabliert, allerdings aus einem anderen Anlass. Die Physik diskutiert im Kontext großer Kollaborationen ebenfalls, wie automatisierte Auswertungsverfahren dokumentiert werden sollten. Was die Leiden Declaration von diesen Vorläufern unterscheidet, ist der explizite Fokus auf die Beweiskultur als Kernidentität eines Fachs – die Mathematik verteidigt hier nicht nur Datenintegrität, sondern das methodische Fundament, auf dem die gesamte Disziplin seit Jahrhunderten steht.

Offene Fragen und Kritik

Ganz reibungslos ist die Sache nicht. Die Deklaration legt keine einheitliche Formatvorlage für Disclosure-Sektionen fest, was in den kommenden Jahren zu uneinheitlichen Standards zwischen Journalen führen dürfte. Auch die Zahl der Unterzeichnenden ist ein bewegliches Ziel – frühe Berichte sprachen von über 130, aktuellere von über 150 –, was zeigt, wie jung diese Bewegung noch ist.

Kritischer ist ein anderer Punkt: Könnte sich die mathematische Forschung durch den verstärkten Fokus auf KI-Tools und formale Verifikation in Richtung jener Probleme verschieben, für die aktuelle Modelle gut funktionieren – statt sich an den wissenschaftlich wichtigsten Fragen zu orientieren? Diese Sorge wird in Fachkreisen durchaus geäußert, und sie lässt sich mit der Deklaration allein nicht auflösen. Regeln für Transparenz und Verantwortung beantworten nicht, welche Probleme ein Fach als nächstes angeht.

Ein weiterer Kritikpunkt betrifft die Durchsetzbarkeit: Eine freiwillige Erklärung entfaltet nur so viel Wirkung, wie Journale, Förderer und Institute bereit sind, ihr durch eigene Regeln Nachdruck zu verleihen. Ohne verbindliche Umsetzung bleibt die Deklaration ein Appell mit hoher symbolischer, aber ungewisser praktischer Reichweite. Genau deshalb dürfte in den kommenden Monaten entscheidend sein, wie viele Fachjournale die geforderten Disclosure-Sektionen tatsächlich in ihre Einreichungsrichtlinien übernehmen – und wie konsequent Gutachterinnen und Gutachter sie einfordern.

Und noch eine Frage bleibt offen, die mich persönlich am meisten interessiert: Wird sich diese Selbstregulierung durchsetzen, bevor die nächste Generation vermeintlicher KI-Durchbrüche wieder über Pressemitteilungen statt über Fachjournale läuft? Die Berichterstattung von Spektrum der Wissenschaft deutet an, dass die Unterzeichnerzahl weiter wächst – ein Indiz dafür, dass die Fachwelt das Thema ernst nimmt. Ob daraus verbindliche Journal-Policies werden, ist eine andere Frage.

Was bleibt?

Die Leiden Declaration ist kein Gesetz und kein AI-Act-Anhang, sondern eine freiwillige Selbstverpflichtung eines Fachs, das gemerkt hat, dass es sonst niemand für sie formuliert. Für Mathematik-Teams läuft das auf eine simple Praxisänderung hinaus: dokumentieren, was KI beigetragen hat, Verantwortung nicht outsourcen, und Ergebnisse erst dann als gesichert behandeln, wenn der Peer-Review sie bestätigt hat. Die internationale Berichterstattung und der offizielle Text der Deklaration zeigen, dass diese Debatte über die Mathematik hinausstrahlen könnte. Welche Disziplin zieht als nächste nach – und schafft es sie, das schneller als die Mathematik zu tun?