The Solver Threat: AI Math Assistance in 2026 and What Actually Resists It

Ergebnisse

1. Verbraucher‑Mathe‑Löser: Fähigkeiten und Reichweite

Photomath kombiniert ein Computer‑Algebra‑System mit OCR (seit 2016 um Handschriftenerkennung erweitert), um ein gedrucktes oder handgeschriebenes Problem – einschließlich Textaufgaben – zu scannen und in Sekunden eine schrittweise Lösung zu erzeugen, die von Grundschule bis Hochschule reicht: Arithmetik, Algebra, Geometrie, Trigonometrie, Statistik und Analysis [4][5]. Das Volumen ist groß: Stand 2021 gab es über 220 Millionen Downloads und etwa 2,2 Milliarden gelöste Probleme pro Monat [4]. Symbolab wirbt ausdrücklich mit der Akzeptanz von „geschriebenen Seiten und Screenshots“ neben getippter Notation und Anfragen in natürlicher Sprache und deckt Vor‑Algebra bis Analysis, Trigonometrie, Physik und Statistik ab, wobei die Ausgabe als schrittweise und nicht nur als reine Antwort dargestellt wird [6]. Die Stärke von Wolfram|Alpha liegt in symbolischer/geschlossener‑Form‑Berechnung mit freier Eingabe – sehr stark bei kanonischer Algebra, Analysis und Gleichungslösung, historisch schwächer bei Problemen, die ein semantisches Parsen einer mehrdeutigen Textaufgabe erfordern. Kamera‑zuerst‑Apps wie Gauth (und Microsoft Math Solver, das Handschriftenerkennung und Graphen zu einer ähnlichen OCR‑plus‑Solver‑Pipeline hinzufügt) folgen demselben Muster: Kamera rein, schrittweise Antwort heraus in Sekunden, mehrere mit einem Live‑Chat‑Tutor (Mensch oder KI) überlagert für alles, was der automatische Solver nicht sauber parsen kann. Der gemeinsame Nenner ist, dass diese Werkzeuge genau dort am stärksten sind, wo Schul‑ und Übungs‑App‑Probleme per Design am schwächsten sind: einzelne, eindeutig formulierte, geschlossene Probleme mit einer einzigen korrekten Endantwort.

2. Allgemeine KI‑Assistenten: von AIME bis IMO‑Gold

Frontier‑LLMs haben die Wettbewerbs‑Mathematik‑Stufe, die einst eine bedeutende Obergrenze darstellte, durchlaufen und übertroffen. AIME (ein US‑qualifizierender Olympiade‑Test) wird von mindestens einem Benchmark‑Tracker jetzt als „archiviert“ oder gesättigter Benchmark geführt, weil „die Leistung auf diesem Benchmark gesättigt ist“ und Anbieter aufgehört haben, neue Releases dagegen zu testen, mit einer Höchstpunktzahl von 98,12 % für Gemini 3.1 Pro Preview und dem Hinweis, dass neun der zehn bestplatzierten Modelle im Leaderboard Reasoning‑Modelle sind [12]. Die wettbewerbsfähige, natürliche‑Sprach‑Beweis‑Generierung, die härtere Grenze, ist ebenfalls stärker zurückgefallen als erwartet. 2024 erreichten DeepMinds AlphaProof und AlphaGeometry 2 28 von 42 Punkten (Silber‑Standard) bei der IMO, jedoch erst, nachdem die Aufgaben manuell in die formale Sprache Lean übersetzt worden waren, und das schwierigste Problem bis zu drei Tagen Rechenzeit erforderte [3]. Ein Jahr später, im Juli 2025, erreichte eine fortgeschrittene Version von Gemini mit „Deep Think“ 35 von 42 Punkten (Gold‑Standard), löste fünf von sechs Aufgaben perfekt, end‑to‑end in natürlicher Sprache – ohne Formalisierungsschritt – innerhalb des gleichen 4,5‑Stunden‑pro‑Sitzung‑Limits, dem menschliche Wettkämpfer ausgesetzt sind [2]. Die eigene IMO‑Bewertung bestätigte, dass die eingereichten Lösungen „vollständig und korrekt“ seien, stellte jedoch fest, dass „ihre Bewertung nicht die Validierung unseres Systems, unserer Prozesse oder des zugrunde liegenden Modells umfasst“ [2] – das sind bewertete Artefakte, keine auditierten Systeme, und das Ergebnis erforderte nach wie vor umfangreiche menschliche Kuratierung von Trainingsdaten und allgemeinen Problemlösungs‑Hinweisen [2]. OpenAI berichtete separat über vergleichbare Gold‑Standard‑Ergebnisse für ein experimentelles Modell im selben Zeitraum, jedoch nicht über den offiziellen IMO‑Koordinationsprozess; diese Behauptung sollte als richtungsweisend im Einklang mit DeepMinds verifiziertem Ergebnis, nicht als unabhängig auditierter Score, betrachtet werden. Wo allgemeine Modelle noch scheitern, ist die echte Forschungsgrenze: Epoch AI’s FrontierMath bezieht Aufgaben von professionellen Mathematikerinnen aus Zahlentheorie, reeller Analysis, algebraischer Geometrie und Kategorientheorie, die Expertinnen mehrere Stunden kosten, wobei ein oberster „Tier 4“‑Abschnitt mehrere Tage Expertenaufwand erfordert – konzipiert, um Frontier‑Systeme zu testen, während leichtere Benchmarks gesättigt sind [11]. Das liegt deutlich über dem, was eine K‑12‑/Universitäts‑Übungs‑App zuweisen würde, ist aber für die Ambition von Math Challenge, Inhalte auf Doktorats‑Niveau zu erreichen, relevant: irgendwo zwischen „schwerem Aufgabensatz“ und „offener Forschungsfrage“ hören Solver auf, zuverlässig zu sein, und diese Grenze sollte genau bekannt sein, bevor Top‑Tier‑Inhalte gestaltet werden.

3. Multimodale Screenshot‑zu‑Antwort: warum Kameras In‑App‑Abwehrmaßnahmen überwinden

Der Mechanismus, der die meisten In‑App‑Anti‑Cheat‑Designs irrelevant macht, ist simpel: Ein Foto eines Bildschirms ist ein Out‑of‑Band‑Kanal. Es gelangt nie in das DOM der App, löst nie ein Tastatur‑ oder Einfüge‑Ereignis aus, berührt nie deren Netzwerk‑Requests und ist für jede JavaScript‑basierte Abwehr unsichtbar (Deaktivierung von Kopieren/Einfügen, Obfuskation des Quellcodes, Unschärfe beim Tab‑Wechsel, Wasserzeichen, selbst die meisten In‑Browser‑Proctoring‑Lösungen). Das Foto verlässt das Gerät über die Kamera und eine zweite App oder ein zweites Gerät – eine Oberfläche, die die Übungs‑App überhaupt nicht instrumentieren kann. Jeder oben genannte Verbraucher‑Solver ist exakt um diesen Workflow herum gebaut – Kamera rein, schrittweise Antwort raus, in Sekunden [4][5][6]. Die neuere Wendung für 2026 ist, dass dieser Prozess nicht mehr einen diskreten „Foto, OCR‑Wartezeit“‑Schritt benötigt: Live‑multimodale Assistenten (Screen‑Share oder kontinuierliche Kamera‑/Visions‑Modi über GPT, Gemini und vergleichbare Produkte) lassen einen Lernenden den Bildschirm in Echtzeit teilen und erhalten eine gesprochene Antwort im Dialog, inklusive einer Erläuterung des nächsten Schrittes – das Lesen einer Aufgabe von einem sich bewegenden oder teilweise verdeckten Bildschirm, mitten in der Interaktion. Keine rein client‑seitige oder rein zeitbasierte Abwehr ist allein dauerhaft wirksam; die beiden Gegenmaßnahmen, die nicht vom „kann der Lernende ein Foto herausbekommen“‑Faktor abhängen, sind (a) das Verlangen nach einem eingereichten Artefakt, das nicht ein einzelner reproduzierbarer String ist – ein Prozess, ein UI‑Manipulations‑Zustand, ein Dialog – und (b) das Erhöhen der Kosten einer externen Rundreise so, dass sie kumulativ die gewonnenen Punkte übersteigt, mittels adaptiver Rückfragen (§6 und Design‑Implikationen unten).

4. Wie verbreitet KI‑Nutzung bereits unter Studierenden ist

Dies ist kein Randverhalten. Die HEPI‑Umfrage vom Dezember 2024 unter 1.041 UK‑Vollzeit‑Studierenden (durchgeführt von Savanta) ergab, dass 92 % irgendein KI‑Werkzeug genutzt hatten und 88 % generative KI speziell für Prüfungen verwendet hatten, ein starker Anstieg gegenüber 53 % ein Jahr zuvor; Zeiteinsparungen (51 %) und wahrgenommene Qualitätsverbesserungen (50 %) waren die angegebenen Motivationen, während Angst vor Betrugsvorwürfen (53 %) und Halluzinationsrisiken (51 %) die wichtigsten Abschreckungsfaktoren waren – nicht ein Mangel an Fähigkeit oder Bewusstsein [1]. Pew Researchs Januar‑2025‑Veröffentlichung (Ipsos, Sep–Oct 2024, n=1.391 US‑Teenager 13–17) zeigte, dass 26 % ChatGPT für Schulaufgaben genutzt hatten, doppelt so viel wie die 13 % aus 2023 – und die eigene Bewertung der Akzeptabilität variiert stark nach Aufgabe: 54 % halten es für akzeptabel, ein Thema zu recherchieren, nur 29 % für das Lösen von Mathe‑Aufgaben (28 % halten es für inakzeptabel) und 18 % für das Schreiben von Aufsätzen [10]. Diese Asymmetrie ist hier bedeutsam: Mathematik ist das Fach, bei dem die Studierenden am stärksten gespalten sind, ein echtes Schlupfloch für ein Produkt, dessen bewertete/rangierte Oberflächen glaubwürdig behaupten können, den lockeren Solver‑Einsatz zu widerstehen. Die Nutzung unter Personen, die bereits KI‑Zugang haben, tendiert zu direkter Antwortsuche: Anthropics Analyse von rund 575.000 akademischen Claude.ai‑Konversationen zeigte, dass Informatik und MINT stark überrepräsentiert waren im Vergleich zu den Immatrikulationen (Informatik allein 36,8 % der Konversationen bei 5,4 % der US‑Abschlüsse), und fast die Hälfte (~47 %) der Gespräche waren „Direct“ – die Suche nach einer Antwort oder fertigem Inhalt mit minimalem Hin‑und‑Her [9]. Die Aufgabenverteilung neigte zu höherwertiger Arbeit (Erstellung 39,8 %, Analyse 30,2 %) und weg von Wiederabruf (Erinnern 1,8 %) [9], konsistent mit dem Standard „Tool denken lassen, ich nehme das Ergebnis“ – genau das Verhalten, das eine Übungs‑App unattraktiv machen muss.

5. Das Versagen von KI‑Textdetektoren und was das bedeutet

Zwei Forschungsstränge untergraben die Annahme, dass ein Detektor Betrug zuverlässig blockieren kann. Erstens sind Detektoren nachweislich voreingenommen: Studien zu GPT‑Detektoren zeigen, dass sie „systematisch nicht‑native englische Schreibproben fälschlich als KI‑generiert klassifizieren, während native Schreibproben korrekt identifiziert werden“, und dieselben einfachen Prompt‑Strategien, die diese Voreingenommenheit reduzieren, ermöglichen einem Nutzer, die Erkennung vollständig zu umgehen – derselbe Hebel wirkt in beide Richtungen [7]. Zweitens sind Detektoren allgemein fragil gegenüber adversarialer Umgehung: Forschungen, die die Erkennung von ChatGPT‑ und Claude‑Texten testeten, fanden heraus, dass Paraphrasieren, zufällige Leerzeichen und adversariale Perturbationen „die Erkennungswirksamkeit signifikant verringern“ können, und schlussfolgerten, dass aktuelle Methoden keine Robustheit gegenüber selbst unsophistizierter Umgehung besitzen [8]. Die direkte Implikation lautet: jedes Feld „Erkläre deine Vorgehensweise“ kann keinen KI‑Detektor als automatisiertes Pass‑/Fail‑Tor sicher einsetzen – das wäre trivial umgehbar und würde unverhältnismäßig häufig echte Arbeiten von spanisch‑ersten oder sonstigen nicht‑muttersprache‑Schreiber*innen in einem Produkt markieren, das zweisprachige UX verlangt. Wo Detektoren überhaupt eingesetzt werden, sollten sie als weiches Signal zur menschlichen Prüfung dienen, niemals als automatischer Block.

6. Entwerfen Sie Antworten, die tatsächlich dem Kontakt mit einem Solver standhalten

Der rote Faden bei jeder wirksamen Gegenmaßnahme ist derselbe: Aufhören, ein einziges, reproduzierbares Endergebnis zu bewerten, und stattdessen etwas zu bewerten, das ein Solver nicht in einem Schritt übergeben kann — einen Prozess mit abgestuften Zwischenschritten, ein Urteil über die Arbeit anderer, eine live‑adaptive Nachverfolgung oder einen manipulierten UI‑Zustand. Keine dieser Maßnahmen macht einen entschlossenen Schüler solver‑sicher; sie erhöht die Rundreisen, den Übersetzungsaufwand und die Zeitkosten pro verdientem Punkt — die einzige Stellschraube, die eine selbstbedienbare PWA tatsächlich kontrolliert. Die nachfolgende Tabelle und die Design‑Implikationen verwandeln dies in einen konkreten Baukatalog.

Was einem Solver standhält

Item-Format	Wie leicht ein Solver es besiegt	Bewertbarkeit
Plain final answer (“solve for x”)	Trivial — Sekunden, nahezu vollständiger Erfolg [4][5][6]	Vollständig automatisch bewertbar; schwächstes Format
Single-step word problem	Einfach für multimodale LLMs; OCR‑only Solver schwächer, schließen aber auf	Automatisch bewertbar mit einem Parser
Multi-step word problem, named sub-quantities	Noch immer besiegt, erfordert jedoch das Abschreiben des gesamten Problems	Automatisch bewertbar pro Schritt; Reibung, keine Immunität
“Show your work” / full process	Solver erzeugt einen vollständigen Prozess, den er wortwörtlich kopiert	Benötigt menschliche/AI‑Bewertung; kopierter Text nicht zuverlässig erkennbar [7][8]
“Spot the error in this solution”	Schwieriger — Solver muss ein Argument bewerten, nicht nur eines erzeugen	Automatisch bewertbar (welche Zeile, welcher Fehler)
Estimation / order-of-magnitude only	Allein schwach — eine exakte Solver‑Antwort erfüllt trivial eine Bereichsprüfung	Einfach automatisch bewertbar; mit Begründung kombinieren
Interactive manipulation (drag point, build graph, balance equation)	Solver kann das Ziel beschreiben, aber die UI‑Aktion muss weiterhin vom Schüler durchgeführt werden	Bewertet nach dem finalen UI‑Zustand, nicht nach einer Zeichenkette
Multi-answer / select-all, misconception distractors	Mittel — brutales Lösen erhält das Set, aber gezielte Ablenkungen schwächen die Abkürzung	Vollständig automatisch bewertbar
Adaptive follow-up (new numbers, same method)	Stark — erfasst „einmal beantwortet“ vs. „kann wiederholt werden“; nur durch jedes Mal erneutes Abfragen besiegt	Automatisch bewertbar, vollständig app‑gesteuert
Socratic in-app tutor dialogue	Stark gegenüber statischen Screenshots; verschlechtert sich, wenn Solver‑Text eingefügt wird	Benötigt eigenen Bewertungsmechanismus — derselbe Arms Race, eine Ebene höher
Live oral defense / synchronous check	Sehr stark	Benötigt Live‑Personal/Infra; wenig geeignet für eine selbstbedienbare PWA
Original/novel research-level proof	Widersteht Solvern und allgemeinen LLMs an der wahren Grenze [11][2][3]	Nicht skalierbar bewertbar; nur Expertenreview

Designimplikationen

1. Standard‑Hinweis/‑Herausforderungsformat: Zeige eine ausgearbeitete Lösung mit einem falschen Schritt und frage, welche Zeile und warum — ein Argument zu bewerten schlägt das reine Produzieren eines Schrittes.
2. Ersetze das Einzel‑Antwort‑Feld durch einen strukturierten mehrfeldigen Prozess (jede Operation plus ihr Zwischenergebnis), der pro Schritt bewertet wird, sodass eine kopierte Endantwort ohne passende Zwischenschritte automatisch fehlschlägt.
3. Obligatorisches adaptives Nachfragen: Folge einer korrekten Antwort sofort mit einem isomorphen Problem (gleiche Methode, neue Zahlen); „einmal richtig, beim Variant falsch“ ist ein echtes Signal, besonders in Rang‑/Leaderboard‑Modi.
4. Multi‑Answer/Select‑All‑Items mit Ablenkungen, die aus dokumentierten, fachspezifischen Fehlvorstellungen stammen, nicht aus generischen „nahen Zahlen“, sodass brutales Lösen eine schwächere Abkürzung zum vollständigen korrekten Set darstellt.
5. Gate‑Exaktwert‑Fragen hinter einem Schätzer‑Schritt (bewerte einen Bereich oder eine Größenordnung, bevor die präzise Frage enthüllt wird), belohne Zahlengefühl, das ein Solver nicht benötigt.
6. Interaktive Manipulationen — Punkt auf einer Zahlenlinie ziehen, Punkte setzen, um einen Graphen zu bauen, Terme verschieben, um eine Gleichung zu balancieren — bewertet nach dem resultierenden UI‑Zustand, nicht nach einer getippten Zahl: das einzige Format, das ein Solver nicht als kopierbare Zeichenkette zurückgeben kann, selbst wenn er die Antwort beschreiben kann.
7. In‑App Socratic‑Tutor‑Chat als primärer Hinweis‑Pfad, sodass das Bitten um Hilfe einen bewerteten Dialog erzeugt statt einer screenshot‑extrahierbaren Zeichenkette; Teilbewertung nach Kohärenz und Spezifität der eigenen Nachfragen des Schülers.
8. Ein kurzes Feld „Erkläre es in deinen eigenen Worten“ vor der Annahme einer Antwort; nutze AI‑Text‑Signale nur als weichen Hinweis für menschliche Prüfung, niemals als automatischen Block, da Detektoren gegenüber nicht‑muttersprache‑Schreibern voreingenommen sind und durch Paraphrasieren umgangen werden können [7][8].
9. Rang‑Modus‑Zeitbudgets kurz genug, dass ein kompletter externer Rundweg (Foto, OCR/Lösen, Rückkopieren) teurer ist als direktes Lösen; unbegrenzter Übungs‑Modus bleibt die offen‑friktionsarme, nicht‑kompetitive Oberfläche.
10. Numerische Parameter serverseitig pro Schüler/Versuch randomisieren, sodass ein Screenshot, ein geteilter Lösungsschlüssel oder ein zwischengespeichertes Web‑Ergebnis nicht auf ein identisches Item eines anderen Schülers übertragbar ist.
11. Gewichtung des Scorings hin zu Konsistenz über viele kleine Items (Streaks, Portfolios) statt einzelner hoch‑wertiger Items, wodurch der Nutzen, ein einzelnes Item über externe Hilfe zu lösen, reduziert wird.
12. Selbst‑Einschätzung des Vertrauens (1‑5) neben jeder Antwort; überhöhtes Vertrauen bei nicht übereinstimmender Begründung ist ein nützliches, nicht‑strafendes Signal.
13. Aufteilung der Integritäts‑Story nach Modus: Übungs‑Modus macht keinen Solver‑Widerstands‑Anspruch; Rang‑/Leaderboard‑Modus konzentriert adaptive Nachfragen, Prozess‑Bewertung und kurze Timer, da dort die Integrität für andere Nutzer entscheidend ist.
14. PhD‑nahe „erstelle einen neuartigen Beweis“‑Items an asynchrone menschliche oder Peer‑Review weiterleiten statt automatisch zu bewerten — das einzige Format, das sowohl Verbraucher‑Solver als auch Frontier‑Modelle noch abwehrt [11][2][3] und das einzige Format, das nicht skaliert automatisch bewertet werden kann.

Was wir nicht verhindern können, klar formuliert: Jede Aufgabe, die vollständig als Klartext oder ein einzelnes Bild mit einer verifizierbaren Endantwort spezifizierbar ist und ohne erforderlichen Prozess oder Nachverfolgung eingereicht wird, wird in Sekunden von bereits weit verbreiteten Student‑Tools gelöst — weil der Foto‑ oder Live‑Vision‑Kanal die App nie berührt. Live‑multimodale Assistenten untergraben zudem Zeit‑Druck‑Verteidigungen, da ein Schüler gesprochene Anleitung erhalten kann, während der Bildschirm sichtbar bleibt, anstatt einen statischen Screenshot zu runden. Keine detektor‑basierte Sperre ist sicher für punitive Nutzung. Keine dieser Probleme lässt sich rein durch Engineering beheben; man kann sie nur weniger lohnend (nicht die bewertete Oberfläche) oder kostenintensiver pro Punkt (adaptive Gestaltung) machen. Ein gegenteiliger Anspruch ist Marketing, keine Tatsache.

Offene Fragen für den Projekt‑Owner

1. Sollten Rang‑/Leaderboard‑Modi eine harte Zeitobergrenze pro Item durchsetzen, die kürzer ist als ein typischer Foto‑und‑Löse‑Rundweg — und welche Ausnahmeregelungen gibt es für Schüler, die tatsächlich mehr Zeit benötigen?
2. Wie viel der Roadmap geht an einen internen Socratic‑Tutor (eigene LLM‑Kosten, Moderation, Latenz) versus an adaptive‑Item‑ und Prozess‑Bewertungs‑Design ohne generativen Baustein?
3. Soll das Produkt jemals AI‑Text‑Ähnlichkeits‑Signale in einem bilingualen EN/ES‑Kontext nutzen, angesichts dokumentierter Detektor‑Voreingenommenheit gegenüber nicht‑muttersprache‑Schreibern — oder ist diese Prüfungs‑Klasse durch Richtlinien ausgeschlossen?
4. Für Inhalte auf PhD‑Niveau, ist manuelle/Peer‑Review offener Beweise im Rahmen, oder bleibt die oberste Ebene auf automatisch bewertbare Formate (Beweis‑Kritik, Fehlersuche) beschränkt, selbst wenn das die „PhD‑Tiefe“ begrenzt?
5. Soll der Übungs‑Modus ausdrücklich externe Tool‑Nutzung erlauben als bewusste Design‑Entscheidung, die Erzählung zur Integrität um Rang‑Modus und Meisterschaft‑über‑Zeit neu zu rahmen, anstatt implizit zu suggerieren, dass Übungs‑Antworten solver‑resistent sind, obwohl sie strukturell nicht sein können?