
KI und Mathematik: Wenn Prüfen mehr kostet als Produzieren
OpenAI hat 722 Mathematik-Manuskripte auf einmal veröffentlicht, die Mathematiker kommen nicht mehr hinterher. Ihre Krise zeigt, wohin sich Arbeit verlagert.
Am 6. Oktober 2026 stellte OpenAI 722 Manuskripte mit mathematischen Ergebnissen auf GitHub, erzeugt von einem seiner internen Modelle. Am Tag darauf führte ein Vorzeichenfehler in einem von ihnen dazu, dass drei zurückgezogen wurden. Zwei Tage nach der Veröffentlichung sprach Hugo Duminil-Copin, Fields-Medaillenträger 2022, beim Schweizer Sender RTS von einem „monumentalen Schock“: Sechzehn der Manuskripte berührten sein eigenes Forschungsgebiet. Zwischen KI und Mathematik hat sich das Verhältnis binnen weniger Wochen grundlegend verändert.
Einen Beweis zu erzeugen, ist nicht kostenlos geworden. Für Navier-Stokes ließ OpenAI rund 10.000 Agenten parallel laufen, für Millionen Dollar. Pro Ergebnis gerechnet ist es aber schnell und weit günstiger als die Arbeit eines Forschers: Das OpenAI-Repository nennt im Schnitt drei Stunden Rechenzeit pro Ergebnis. Knapp wird die Zeit der Forscher: um diese Beweise zu prüfen, sie zu verstehen und vorab die Probleme auszuwählen, die es wert sind, gestellt zu werden. Am Tag nach der Veröffentlichung waren nur etwa 42 % der Hauptergebnisse per Computer verifiziert.
Die Mathematiker erleben diesen Umbruch nicht als Erste. Die Entwickler haben ihn vor ihnen erlebt, und die Wissensberufe, vom Recht bis zur Wirtschaftsprüfung, folgen. Überall verlagert sich der Wert von der Produktion auf das, was sie umgibt: entscheiden, was produziert wird, prüfen, verstehen, beurteilen, was im konkreten Fall gilt. Die Mathematik ist der reinste Fall, weil sich die Prüfung dort automatisieren lässt und der Rest nicht.
Was haben OpenAI und Anthropic in der Mathematik tatsächlich angekündigt?
Vier Ankündigungen folgten in drei Monaten aufeinander. Sie sagen nicht alle dasselbe, und mehrere wurden in der Presse falsch zusammengefasst.
| Datum | Ankündigung | Was tatsächlich geleistet wurde |
|---|---|---|
| 10. August 2026 | Anthropic, Riemannsche Zeta-Funktion | Eine Schranke für den Anteil der Zeta-Nullstellen von 41,6 % auf 67,2 % angehoben. Kein Beweis der Riemannschen Vermutung. |
| 4. September 2026 | Anthropic, Großer Fermatscher Satz | Der bestehende menschliche Beweis in Lean übertragen und per Computer verifiziert. Kein neuer Beweis. |
| 8. September 2026 | OpenAI, Navier-Stokes-Gleichungen | Ein Ergebnis zum Blow-up in endlicher Zeit bei einem Millennium-Problem, erzielt mit rund 10.000 Agenten. |
| 6. Oktober 2026 | OpenAI, GitHub-Repository | 722 Manuskripte, 372 Ergebnisfamilien, rund 4.000 dem Modell gestellte Probleme. |
Riemann: eine verbesserte Schranke, nicht die Vermutung
Anthropic gab im August bekannt, dass Claude eine alte untere Schranke verbessert hat: Der Anteil der Nullstellen der Zeta-Funktion auf der kritischen Geraden steigt von 41,6 % auf 67,2 %. Das ist ein echtes Ergebnis, in Lean formalisiert. Es entstand aus einem gescheiterten Versuch, die Vermutung selbst zu beweisen, und Anthropic warnt: „We don't expect that the techniques Claude used will lead to proving the Riemann hypothesis.“
Fermat: eine Verifikation, kein Beweis
Im September veröffentlichte Anthropic den ersten vollständigen, per Computer verifizierten Beweis des Großen Fermatschen Satzes. Claude hat keinen Beweis entdeckt: Es hat den Beweis von Andrew Wiles in der von Darmon, Diamond und Taylor vereinfachten Fassung in der Sprache Lean neu geschrieben. Die Arbeit bleibt gewaltig: 13 Millionen Zeilen Lean in 11 Tagen, laut Anthropic mehr als das Fünffache der maßgeblichen Bibliothek des Fachgebiets. Kevin Buzzard, der am Imperial College das menschliche Projekt zur Formalisierung von Fermat leitet, würdigt „this extraordinary autoformalization achievement“ und fügt vorsichtig hinzu: „which Anthropic researchers say only took 11 days“. Sein Projekt verfügt seit 2024 über eine Million Pfund für fünf Jahre.
Auch diese 11 Tage waren nicht kostenlos: Claude erzeugte rund sechs Milliarden Tokens, die Texteinheiten, die ein Modell abrechnet. Da das Modell intern ist, werden die tatsächlichen Kosten nicht veröffentlicht; zum öffentlichen Tarif eines vergleichbaren Modells schätzt das Portal TNW sie zur Veranschaulichung auf 300.000 Dollar. Der Mensch ist deshalb nicht verschwunden. Laut Anthropic beschränkte sich der mathematische Beitrag von Menschen auf „occasional high-level instructions“ eines Forschers, der etwa vorgab, welcher Teil des Beweises vorrangig zu bearbeiten war. Wenige Nachrichten, aber sie geben die Richtung vor.
Navier-Stokes: ein Ergebnis und eine Kontroverse
Am 8. September verkündete OpenAI ein Ergebnis zu einem der sieben Millennium-Probleme. Am Vortag hatte der Mathematiker Tristan Buckmaster verwandte Ergebnisse veröffentlicht und öffentlich eine Frage aufgeworfen: Er und sein Koautor hatten alle ihre Entwürfe in Codex abgelegt, das Programmierwerkzeug von OpenAI. Hatte das Modell darauf Zugriff? Man antwortete ihm mit Nein, ohne auf seine Frage zum Training einzugehen. Buckmaster fügt hinzu: „I am not accusing anyone of anything.“
Laut MIT Technology Review erklärten Sébastien Bubeck und Mark Chen von OpenAI, das Team sei nur ans Ziel gekommen, indem es rund 10.000 Agenten parallel laufen ließ, zu Kosten von mehreren Millionen Dollar. Buckmaster und sein Koautor Levent Alpöge hatten fast ein Jahr lang mit den öffentlichen Modellen an dem Problem gearbeitet, ohne es zu Ende zu bringen. Falls die Modelle von OpenAI mit ihren Arbeiten trainiert wurden oder Zugriff darauf hatten, so die Journalistin Grace Huckins, spräche das dafür, dass die Arbeit der beiden Forscher für das Ergebnis wesentlich war. Derselbe Artikel zieht daraus eine breitere Bilanz: „Mathematics is quickly becoming the province of frontier AI companies“.
Die Veröffentlichung vom 6. Oktober: Rohdaten
OpenAI präsentiert seine 722 Manuskripte als „a form of raw research data, rather than polished academic papers“ und räumt ein, dass „some of the unformalized results could have issues“. AGMAI, eine unabhängige Beratungsgruppe von Mathematikern, die auf eine Anfrage von OpenAI hin entstand, fasste die Lage in einem Satz zusammen: „This release is the beginning, not the completion, of the process of human understanding (…)“. Die Arbeit des Verstehens beginnt nach der Veröffentlichung, und sie bleibt Aufgabe der Menschen.
Lean: der Beweisassistent, der die Beweise der KI prüft
Ein Beweisassistent ist eine Software, in der man einen Beweis schreibt, den der Computer Schritt für Schritt prüft. Hakt eine Argumentation, lehnt er den Beweis ab, so wie ein Compiler ein fehlerhaftes Programm ablehnt. Lean, einer der heute meistgenutzten, ist eine freie Sprache mit einer Community-Bibliothek, Mathlib, die mehr als eine Million Zeilen formalisierter Mathematik enthält.
Für Entwickler liegt die Analogie auf der Hand: Lean spielt für einen Beweis die Rolle, die Compiler und Tests für Code spielen. Deshalb können KI-Unternehmen Hunderte von Ergebnissen veröffentlichen und behaupten, dass zumindest ein Teil davon garantiert ist. Für das OpenAI-Repository wurde der Anteil am 7. Oktober berechnet: 300 Hauptergebnisse von 719 formalisiert, etwa 42 %. Der Rest war zum Zeitpunkt der Veröffentlichung nicht in Lean formalisiert.
Lean hat jedoch eine Grenze: Es garantiert, dass ein Beweis korrekt ist, nicht, dass er verstanden wird. Die Jacobi-Vermutung, im Juli 2026 mithilfe von Claude Fable, einem Modell von Anthropic, widerlegt, ist ein Beispiel dafür. Terence Tao, einer der renommiertesten Mathematiker der Welt, merkt an, dass sich das Gegenbeispiel „by a brief calculation“ überprüfen lässt. Er fügt hinzu: „I do not have a completely satisfactory geometric explanation for this miracle.“ Das Ergebnis war richtig und verifiziert. Es zu verstehen, war eine andere Arbeit, die andere Mathematiker im Nachhinein übernommen haben.
Warum Mathematiker so heftig reagieren
Weil ihre Disziplin auf einer einfachen Idee beruht: Ein Ergebnis ist nur etwas wert, wenn man versteht, warum es wahr ist. Matthieu Alfaro, Professor an der Universität Rouen Normandie, bringt es so auf den Punkt (eigene Übersetzung): „An dem Tag, an dem man beweist, dass eine Vermutung wahr ist, ist das keine Überraschung. Interessant ist, wie man es bewiesen hat.“
Hugo Duminil-Copin sprach am 8. Oktober, zwei Tage nach der Veröffentlichung, mit RTS: „Ich habe sogar geweint, um ehrlich zu sein“, „wir sind am Tag danach“. Am selben Tag sprach Cédric Villani im französischen Radiosender France Inter von der „radikalsten Veränderung in der Mathematik seit mindestens vier Jahrhunderten“ und fügte hinzu, dass „keine Universität der Welt Mathematik auf höchstem Niveau in einem solchen Tempo hervorbringt“.
Die gemeinsamen Reaktionen gingen der Veröffentlichung voraus. Am 11. September veröffentlichten 25 Fields-Medaillenträger eine Erklärung, „A Severe Misalignment of AI in Mathematics“, die inzwischen 28 von ihnen unterzeichnet haben und nach der „the goals of the AI companies and the goals of the mathematical community are severely misaligned“. Sie wird laut Telos inzwischen von mehr als 8.000 Mathematikern unterstützt. Der Vorstand der Société mathématique de France, der französischen mathematischen Gesellschaft, sah im Ergebnis zu Navier-Stokes „zweifellos“ „einen bedeutenden Fortschritt“, prangerte aber zugleich eine „Plünderung der Fachliteratur“ und ein „völliges Fehlen einer gemeinsamen Strategie“ an. Nach der Veröffentlichung ging die Association for Human Mathematics, die mehr als 1.000 Mitglieder zählt, weiter: „Releasing over 700 files at once is not a demonstration of scholarship, but a demonstration of power“. Sie ruft Mathematiker auf, die Zusammenarbeit mit OpenAI einzustellen.
Dazu kommt ein sehr konkretes Mengenproblem. Laut einem Preprint stiegen die Mathematik-Einreichungen auf arXiv, der wichtigsten Preprint-Plattform der Wissenschaft, zwischen Januar und August 2026 gegenüber 2025 um 33,5 %. Matthieu Alfaro beobachtet, dass Fachzeitschriften „doppelt so viele Artikel“ erhalten wie noch vor einigen Monaten, begutachtet von Forschern, die schon vorher kaum hinterherkamen.
Bleibt die Frage der Mittel. „What is clear is that very few mathematicians will have resources of that scale“, sagt Javier Gómez-Serrano in MIT Technology Review über die Mittel, die OpenAI für Navier-Stokes aufgewendet hat. Christophe Besse, Direktor von CNRS Mathématiques, dem Mathematikinstitut des französischen Forschungszentrums CNRS, sieht darin eine Frage der „wissenschaftlichen Unabhängigkeit“ und will „eine öffentliche und akademische Fähigkeit bewahren, diese Werkzeuge zu entwickeln, zu untersuchen und zu nutzen“. Es ist dieselbe Frage der Abhängigkeit, die souveräne KI für Unternehmen aufwirft.
Verteidigen sie ihre Wissenschaft oder ihren Beruf?
Die Frage stellt sich, und die Fakten stützen zwei Lesarten.
Erste Lesart: Sie verteidigen die Wissenschaft
Massenhaft erzeugte Beweise sind oft unlesbar, selbst für Fachleute. Drei wurden am Tag nach der Veröffentlichung zurückgezogen, und mehr als die Hälfte war nicht in Lean formalisiert. Die Erklärung der Fields-Medaillenträger erinnert daran, dass „the most precious resources of our profession are students and ideas“ und dass eine Massenproduktion wahrer oder falscher Aussagen „could destroy fertile ground“. Duminil-Copin spricht davon, Probleme „mit dem Bulldozer“ zu erledigen: Wird eine Frage gelöst, ohne dass man versteht, wie, entstehen die Ideen nicht, die unterwegs entstanden wären.
Zweite Lesart: Sie verteidigen auch einen Beruf
Matthieu Alfaro sagt es ohne Umschweife: Forschungsprojekte, die von der KI hinweggefegt werden, wie die von Duminil-Copin, finanzieren Stellen für Doktoranden und Postdocs. Und der Wettbewerb ändert seine Größenordnung (eigene Übersetzung): „Wenn ich meinem Studenten sage, keine KI zu nutzen, und daneben gibt es zehn, die den ganzen Tag KI nutzen, dann haben die anderen dreißig Artikel geschrieben, wenn er drei geschrieben hat.“
Unsere Lesart
Wir halten die Frage für teilweise falsch gestellt. In der Mathematik sind Wissenschaft und Beruf dasselbe: verstehen. Aufschlussreicher ist, was jeder mit einem richtigen, aber unverständlichen Ergebnis macht: es ablehnen oder es zum Rohstoff neuer Arbeit machen. Duminil-Copin selbst lehnt das Werkzeug nicht ab: „Künstliche Intelligenz revolutioniert die Art, wie wir Ideen entdecken“, sagt er. Er plädiert für einen Einsatz, den eine Gemeinschaft steuert, die die Probleme auswählt.
Diese Arbeit beschränkt sich nicht aufs Prüfen. MIT Technology Review erinnert daran, dass Experten im „research taste“, der Fähigkeit, vielversprechende Fragen und Forschungsrichtungen zu wählen, seit Langem eines der größten Hindernisse für KI sehen. Terence Tao erklärt dort, dass ein Problem in der reinen Mathematik meist nicht gestellt wird, weil man seine Lösung verzweifelt braucht, sondern weil die Versuche, es zu lösen, das ganze Gebiet voranbringen. Probleme auswählen, die Richtung vorgeben, beurteilen, was nützt: Dorthin verlagert sich der Wert der Forscher, ebenso wie zur Prüfung.
Andere französische Stimmen sind deutlich aufgeschlossener. François Charles, Leiter des Fachbereichs Mathematik an der École normale supérieure, sagt, er sei „überhaupt nicht pessimistisch“, was die Wissenschaft angeht: „Als Wissenschaftler müssen wir ehrgeiziger sein.“ Stéphane Mallat, Träger der Goldmedaille des CNRS, erinnert in derselben AFP-Meldung daran, dass „man Mathematiker brauchen wird, weil die Mathematik im Zentrum unserer Fähigkeit steht, die Dinge klar zu verstehen“. Und Terence Tao liefert die nützlichste Regel der ganzen Debatte, in einer von ihm gegengelesenen Zusammenfassung seiner Positionen: KI nur dort zu vertrauen, wo man das, was sie produziert, angreifen und kontrollieren kann.
Derselbe Engpass, vom Code bis zum Recht
Die Entwickler haben es zuerst erlebt
Im Juli 2026 schrieb Claude rund 80 % des bei Anthropic gemergten Codes. In seinem Haupt-Repository stieg die Zahl der gemergten Codeänderungen zwischen Mai und September von 2.500 auf mehr als 30.000 pro Tag, sodass Anthropic dieses Repository aus Git herausgelöst und auf ein hauseigenes Tool namens Scion umgestellt hat. Das Team, das es gebaut hat, prüft inzwischen die Absicht jeder Änderung statt jeder Zeile. Das Team fasst es so zusammen: „the role of the engineers was to tell Claude "no."“
Auf ganz GitHub wurden in den zwölf Monaten bis Ende September 2026 1,3 Milliarden Pull Requests gemergt, gegenüber 538 Millionen im Vorjahr, und mehr als 40 % werden inzwischen von einem Agenten angestoßen. Irgendjemand muss sie prüfen. Laut der Telemetrie von Faros AI, einem Anbieter von Messwerkzeugen, hat sich die mediane Review-Zeit verfünffacht, bei 28 % mehr Bugs pro Pull Request. In der Umfrage 2026 von Stack Overflow sagen 48 % der Entwickler, dass sie der KI vertrauen, wenn sie ihre Antwort leicht überprüfen können: Das Vertrauen folgt der Prüfbarkeit.
Die IT-Sicherheit erlebt seit dem Frühjahr dasselbe. Bis zum 2. November hatte Anthropic 5.087 mit seinen Modellen gefundene Schwachstellen an 680 Open-Source-Projekte gemeldet, und nur 629 waren behoben. In unserem Artikel über Claude Mythos haben wir beschrieben, wie der Engpass vom Finden zum Beheben gewandert ist.
Die Wissensberufe folgen, ohne Lean
Code hat seine Tests und die Mathematik hat Lean. Recht, Wirtschaftsprüfung oder Beratung haben nichts Vergleichbares: Die Prüfung bleibt dort menschlich, langsam und teuer. Fällt sie weg, wird der Schaden sichtbar.
Damien Charlotin, französischer Jurist und Forscher, erfasst Gerichtsentscheidungen, in denen es um von einer KI erfundene Inhalte geht, etwa Rechtsprechung, die es nicht gibt. Zum 12. November 2026 zählt seine Datenbank 2.292, davon 912 mit Anwälten und 14 in Frankreich. Am 4. Juni verhängte das Verwaltungsgericht Grenoble eine Geldbuße von 200 Euro wegen missbräuchlicher Klage gegen einen Kläger, dessen Schriftsatz von mehr als 300 Seiten „offenkundig mithilfe künstlicher Intelligenz erzeugt“ worden war, mit nicht existierenden Gerichtsentscheidungen.
In der Beratung musste Deloitte 2025 der australischen Regierung 97.587 australische Dollar erstatten, bei einem Auftrag von rund 440.000, für einen Bericht voller nicht existierender Quellenangaben. 2026 prüfte das Unternehmen GPTZero, das einen Detektor für KI-generierte Texte verkauft, einen Bericht von KPMG: 5 korrekte Zitate von 45.
In Unternehmen ist das Phänomen diffuser, aber messbar. Laut einer Umfrage von Workday unter 3.200 Beschäftigten geht fast 40 % der durch KI gewonnenen Zeit wieder verloren, weil ihre Ergebnisse korrigiert, umgeschrieben und geprüft werden müssen. Der ausgewiesene Nutzen eines KI-Tools ist nicht sein tatsächlicher Nutzen.
Was ein Unternehmen daraus mitnehmen kann
Die Mathematiker erleben mit einigen Monaten Vorsprung, was viele Rechts-, Finanz- oder Technikabteilungen erleben werden. Ihre Krise liefert fünf praktische Lehren.
- Experten vorne und hinten einsetzen. Die richtigen Fragen wählen, den Auftrag eingrenzen, beurteilen, ob ein Ergebnis auf den realen Fall passt: Dort ist ihre Zeit am meisten wert, wie die wenigen Vorgaben des Anthropic-Forschers bei Fermat. Produzieren ist nicht mehr der Kern ihres Werts.
- Die Prüfzeit in den Return on Investment einrechnen. Ein Tool, das einen Bericht in zehn Minuten erstellt und zwei Stunden Kontrolle verlangt, spart nicht die Zeit, die es verspricht. Ehrlich gemessen zählt der Nettogewinn, wie die Umfrage von Workday zeigt.
- Prüfbare Ergebnisse bevorzugen. Eine Antwort, die ihre Quellen nennt, eine Berechnung durch ein Programm statt durch ein Modell, Code mit Tests: Alles, was die Prüfung mechanisch macht, senkt ihre Kosten. Deshalb raten wir dazu, so wenig KI wie möglich einzusetzen, wenn ein klassischer Algorithmus genügt.
- Nach Risiko prüfen. Alles Zeile für Zeile zu prüfen, ist bei diesen Mengen nicht mehr haltbar, gar nichts zu prüfen ebenso wenig. Vercel mergt 58 % der Pull Requests seines größten Repositorys ohne menschliches Review: Eine KI stuft jede Änderung nach vorab festgelegten Risikokriterien ein, und heikle Fälle werden weiterhin von einem Menschen geprüft. Ein Vertrag, eine Vorlage für den Vorstand oder ein Kundenangebot können derselben Logik folgen.
- Jemanden behalten, der versteht. Zu bestätigen, dass ein Ergebnis richtig ist, reicht nicht immer: Man muss es einem Kunden, einem Richter oder einem Prüfer erklären können. Berufseinsteiger sind am stärksten betroffen, wie die Doktoranden, von denen Alfaro spricht, und genau daran sollten KI-Schulungen zuerst arbeiten.
Häufige Fragen zu KI und Mathematik
Hat eine KI den Großen Fermatschen Satz bewiesen?
Nein. Im September 2026 veröffentlichte Anthropic den ersten vollständigen, per Computer verifizierten Beweis des Fermatschen Satzes. Claude hat, laut dem Unternehmen in 11 Tagen, den menschlichen Beweis von Andrew Wiles in der von Darmon, Diamond und Taylor vereinfachten Fassung in die Sprache Lean übertragen. Das ist eine Formalisierung, also die automatische Prüfung eines bereits existierenden Beweises, und kein neuer Beweis.
Was ist Lean in der Mathematik?
Lean ist ein freier Beweisassistent: eine Software, in der man einen Beweis schreibt, den der Computer Schritt für Schritt prüft, so wie ein Compiler ein Programm prüft. Seine Community-Bibliothek Mathlib enthält mehr als eine Million Zeilen formalisierter Mathematik. KI-Unternehmen nutzen Lean, um zu garantieren, dass die Beweise ihrer Modelle korrekt sind, ohne dass sie dadurch verständlich werden.
Wie viele mathematische Ergebnisse hat OpenAI veröffentlicht?
Am 6. Oktober 2026 stellte OpenAI 722 Manuskripte auf GitHub, gruppiert in 372 Ergebnisfamilien und hervorgegangen aus rund 4.000 Problemen, die einem internen Modell gestellt wurden. Drei Manuskripte wurden am nächsten Tag nach Entdeckung eines Vorzeichenfehlers zurückgezogen, womit die Gesamtzahl auf 719 sank; am 26. Oktober kamen zwei hinzu (721). Am 7. Oktober waren etwa 42 % der Hauptergebnisse in Lean verifiziert. Die oft genannte Zahl 377 ist die Nummer der letzten Familie, keine Zählung.
Wird KI Mathematiker ersetzen?
Nicht nach Ansicht der Mathematiker, die sich geäußert haben, auch der besorgtesten. Stéphane Mallat erinnert daran, dass man Mathematiker brauchen wird, um zu verstehen, und François Charles hält es für möglich, dass manche Blockaden überwunden werden. Was sich ändert, ist der Beruf: weniger Zeit fürs Beweisen, mehr für die Wahl der Probleme und Forschungsrichtungen, für das Prüfen, Sortieren und Verstehen maschinell erzeugter Ergebnisse. Matthieu Alfaro beschreibt bereits eine Forschung mit mehreren Geschwindigkeiten, zwischen denen, die KI den ganzen Tag nutzen, und denen, die sie ablehnen.
Warum kritisieren Mathematiker OpenAI?
Sie werfen OpenAI vor, Ergebnisse massenhaft zu veröffentlichen, schneller, als die Fachwelt sie prüfen und verstehen kann. Die Association for Human Mathematics sieht darin „eine Demonstration von Macht“ statt von Wissen. Der Mathematiker Tristan Buckmaster fragte zudem öffentlich, ob die Entwürfe seines Teams, die im OpenAI-Tool Codex lagen, dem Modell gedient hatten. Man antwortete ihm, das Modell habe keine Nutzerdaten eingesehen, ohne auf das Training einzugehen.
Die Mathematik hat einen Vorteil, den die meisten Berufe nicht haben: ein Werkzeug, Lean, das unmissverständlich sagt, ob ein Beweis richtig ist. Selbst damit ist die Fachwelt überfordert, weil Prüfen nicht dasselbe ist wie Verstehen. In einer Kanzlei, einer Finanzabteilung oder einer Rechtsabteilung gibt es kein Lean. Bevor ein Tool eingeführt wird, das schneller produziert, gehen deshalb zwei Fragen allem anderen vor: Wer entscheidet, was es produzieren soll, und wer prüft, was es produziert, und in welcher Zeit?


