Toen AI de wetenschap niet langer hielp, maar haar zelf ging bedrijven

Er is iets gebeurd dat meer aandacht verdient dan het nu krijgt.

Op 6 oktober publiceerde OpenAI 722 wiskundige manuscripten in een openbare GitHub-repository. De papers zijn gemaakt door een intern grensverleggend model dat niet is uitgebracht en waarvan het publiek de naam niet kent. De resultaten bestrijken 17 deelgebieden van de wiskunde, onderverdeeld in 372 afzonderlijke families. Sommige beweringen zouden, als ze worden bevestigd, echte vooruitgang betekenen bij problemen die al tientallen jaren openstaan.

De eerste reacties vielen, zoals altijd, uiteen in twee kampen. Het ene kamp noemde dit buitengewoon en baanbrekend. Het andere zei: rustig aan; niets hiervan is door vakgenoten beoordeeld en we weten niet of er ook maar iets van klopt.

Beide reacties zijn terecht, maar ze missen allebei de belangrijkere vraag: kloppen de resultaten, en wie controleert dat?

Twee vragen. Slechts één is beantwoord.

Ik wil twee zaken uit elkaar halen die in de berichtgeving op één hoop zijn gegooid, maar die een nadere analyse verdienen omdat ze heel verschillende implicaties hebben.

De eerste vraag: kloppen deze wiskundige resultaten? Dat is een vraag voor wiskundigen, en het zal maanden duren om die te beantwoorden. Ongeveer een vijfde van de 722 manuscripten bevat Lean-bewijzen: formele verificaties die machinaal zijn gecontroleerd. De overige circa 580 hebben die niet, en OpenAI erkent zelf in het README-bestand van de repository dat er problemen kunnen zitten in sommige resultaten die niet zijn geformaliseerd. De wiskundige gemeenschap zal dit zorgvuldig onderzoeken. Sommige resultaten zullen standhouden. Andere waarschijnlijk niet. Dat proces is essentieel, maar heeft nog niet plaatsgevonden.

De tweede vraag is anders: wat betekent het dat een AI-model 722 wiskundige manuscripten heeft gemaakt, verspreid over 17 deelgebieden, met per resultaat een hoeveelheid rekenkracht die overeenkomt met ongeveer drie uur denkwerk?

Een AI-systeem fungeerde als een echte motor voor wiskundige ontdekkingen: het stelde zichzelf ongeveer 4.000 problemen en leverde nieuw wiskundig werk op het gebied van de getaltheorie, meetkunde, theoretische informatica, mathematische fysica en logica. De verificatievraag is van belang voor de wiskunde, maar de prestatie en de achterliggende capaciteit zijn van belang voor al het overige.

Het model dat niemand kan gebruiken

Wat ik het opvallendst vind, zijn niet de 722 papers, maar het model dat ze heeft gemaakt: het heeft geen naam en er is geen API voor beschikbaar. Geen enkele klant, onderzoeker buiten OpenAI of bedrijf dat erop wil voortbouwen, kan het gebruiken. OpenAI heeft de resultaten gepubliceerd van een capaciteit die de markt nog niet heeft gezien en waartoe die nog geen toegang heeft.

In beleggingstermen is dat een heel specifiek signaal. Het bedrijf heeft een grensverleggende capaciteit aangetoond die per definitie verder gaat dan waar de markt al rekening mee houdt. Door deze prestatie is de kloof groter geworden tussen wat de interne modellen van OpenAI kunnen en wat de markt denkt dat die modellen kunnen.

Maar die kloof blijft niet eeuwig zo groot. Ze wordt kleiner zodra het model wordt uitgebracht, concurrenten het inhalen of de resultaten nieuwe benchmarks opleveren waarop iedereen zich gaat richten. Maar op dit moment, in oktober 2026, is er een gedocumenteerde openbare demonstratie van een wiskundige capaciteit in een AI-systeem dat niemand buiten het bedrijf kan gebruiken of volledig kan beoordelen.

Wat dit verandert aan de beleggingsthese

In Investing in Revolutions beschrijf ik het convergentie-effect als het principe dat wanneer transformerende technologieën samenkomen, het resultaat niet additief maar multiplicatief is. Twee plus twee is niet gelijk aan vier. Het levert iets op wat geen van beide technologieën afzonderlijk tot stand had kunnen brengen.

Al twee jaar schrijf ik over AI in combinatie met wetenschappelijke ontdekkingen als een beleggingsthema voor de toekomst. De tijd die nodig is voor geneesmiddelenontwikkeling, teruggebracht van jaren tot weken dankzij hybride AI en quantumcomputing. De vooruitgang in de materiaalkunde dankzij moleculaire simulaties die door AI zijn gegenereerd. De verandering van de cryptografie door AI-ondersteunde analyse van wiskundige grondslagen.

Dat waren voorspellingen op basis van vroege signalen. Deze week is een ervan uitgekomen.

Een AI-model dat daadwerkelijk wiskundige ontdekkingen doet en daarbij 722 manuscripten produceert op 17 deelgebieden, vertegenwoordigt een fundamenteel andere relatie tussen AI en wetenschappelijke kennis dan de relatie waarvan we tot nu toe zijn uitgegaan. Juist de deelgebieden waar dit het belangrijkst is, houd ik al in de gaten. De getaltheorie is de wiskundige basis van de cryptografie, waarop elk blockchainsysteem en elk veilig communicatieprotocol berust. De mathematische fysica vormt de basis voor de materiaalkunde en hardware voor quantumcomputing. De theoretische informatica is de ruggengraat van de ontwikkeling van algoritmen. Vooruitgang op elk van deze gebieden werkt door in producten, bedrijven en complete industrieën.

Wanneer AI op die gebieden sneller vooruitgang kan boeken dan menselijke onderzoekers die alleen werken, versnelt ook de doorwerking ervan. Voor beleggers is de vraag wat er gaat versnellen, wat die versnelling aanjaagt, hoe snel dat gebeurt en wie zich op het pad ervan bevindt.

De economie rond verificatie die nog niet bestaat

In dit verhaal zit een specifieke beleggingsimplicatie die ik nog niemand duidelijk heb zien benoemen.

Van de 722 manuscripten bevatten er 162 bewijzen in Lean die machinaal zijn gecontroleerd. De overige niet. OpenAI vertrouwde voor het eerste toezicht op een adviesgroep van het Institute for Advanced Study. De groep omschreef de publicatie als een eerste stap die het werk om de resultaten in de wiskundige kennis op te nemen in gang zet, maar niet voltooit.

Wat dat in de praktijk betekent: we leven nu in een wereld waarin AI-systemen wiskundige en wetenschappelijke beweringen sneller kunnen produceren dan de bestaande menselijke infrastructuur ze kan verifiëren. Die kloof tussen productie en verificatie is geen tijdelijk probleem. Ze groeit mee met de capaciteiten. Elke verbetering in het vermogen van AI om wetenschappelijke resultaten te produceren, vergroot de verificatiekloof, tenzij er iets wordt ontwikkeld om die te dichten.

Dat vraagt om een nieuwe categorie infrastructuur: formele verificatietools, AI-ondersteunde bewijscontrole en geautomatiseerde processen om wiskundige beweringen te toetsen aan bekende resultaten en intern consistente raamwerken. Het bewijssysteem Lean is een begin, maar dekt slechts 22% van deze publicatie en is niet ontworpen voor de hoeveelheid die eraan komt.

De economie rond de verificatie van door AI gegenereerde wetenschap zal aanzienlijk zijn, maar bestaat vandaag de dag nauwelijks. De bedrijven die deze infrastructuur ontwikkelen, voorzien in een werkelijke noodzaak en leveren niet slechts iets op dat handig is. Dat is de meest duurzame vorm van infrastructuur om te bouwen.

De grens die al 80 jaar verschuift

Toen computers voor het eerst sneller dan mensen numerieke berekeningen uitvoerden, deden de meeste wiskundigen dat af als rekenwerk in plaats van wiskunde. Machines konden rekenen. Ontdekkingen doen konden ze niet. Dat was de grens.

Sindsdien is die grens steeds verder verschoven. Computerondersteunde bewijzen van belangrijke resultaten, zoals de vierkleurenstelling, leidden in de jaren tachtig en negentig tot controverse, omdat een mens het bewijs niet volledig kon controleren. In de jaren 2000 en 2010 maakten automatische bewijsassistenten grote vorderingen. Telkens wanneer de grens verschoof, klonk hetzelfde argument: dit is geen echte wiskunde, maar gewoon rekenwerk.

De grens is opnieuw verschoven, zichtbaarder dan in jaren en moeilijker af te doen als onbelangrijk, omdat de resultaten in een openbare GitHub-repository staan die iedereen kan bekijken.

Ik beweer niet dat alle 722 resultaten de kritische toets zullen doorstaan. Ik stel dat de capaciteiten die nodig waren om ze te produceren, een echte en blijvende verandering laten zien in wat AI op wetenschappelijk gebied kan doen.

Het kantelpunt voor beleggers

In Investing in Revolutions betoog ik dat de grootste beleggingskansen ontstaan op kantelpunten, wanneer transformatieve technologieën een drempel overschrijden die fundamenteel verandert wat mogelijk wordt. Dit is zo’n moment.

Het groeiende vermogen van AI om originele wetenschappelijke ontdekkingen te doen, wijst op een verandering in de manier waarop innovatie tot stand komt en waar waarde zal worden gecreëerd. De gevolgen reiken verder dan AI-ontwikkelaars en betreffen ook geneesmiddelenonderzoek, geavanceerde materialen, energie, cryptografie en industriële R&D. Versneld onderzoek kan daar de ontwikkeltijd verkorten, de kosten verlagen en geheel nieuwe markten ontsluiten.

Voor beleggers ligt de kans erin dit kantelpunt te herkennen voordat de commerciële gevolgen ervan duidelijk worden. Dat betekent dat ze moeten vaststellen welke infrastructuur nodig is om door AI gegenereerde ontdekkingen te valideren, en welke bedrijven het best in staat zijn om die ontdekkingen om te zetten in eigen technologieën, schaalbare bedrijven en een blijvend concurrentievoordeel.

De afzonderlijke bevindingen moeten nog worden geverifieerd, maar het bredere signaal is duidelijk: AI verschuift van het ondersteunen van wetenschappelijke ontdekkingen naar het mogelijk zelf aansturen ervan. Beleggers die de betekenis van die verandering begrijpen en weten waar de gevolgen ervan samenkomen, zijn het best gepositioneerd om de waarde te benutten die ze creëert.