Anthropicの数学者であるLevent Alpöge氏は、Claudeの支援を受けてリーマン予想を証明したと主張しているが、その主張は依然として検証されていない。世界のAI導入企業や投資家にとって、商業面での論点は貢献の帰属だ。証明が正しかったとしても、それだけでは、モデルがどの程度貢献したのか、専門家による修正がどれほど必要だったのか、またその性能が他の業務にも転用できるのかは明らかにならない。研究上の節目と、再現可能な製品上の優位性は別の資産だ。

その証明が独立した精査に耐えれば、AIを単に下書きを速く作るツールではなく、研究パートナーとみなす根拠を強める可能性がある。だが、投資判断につながるシグナルとなるのは、文書化されたワークフローだ。そこでは、研究者が何を提供したのか、モデルがどの部分で有用な手順を生み出したのか、エラーがどのように発見されたのかが記録される。その証拠がなければ、価格決定力や生産性の主張は、再現可能な能力ではなく、例外的な成果に依拠することになる。数学的な検証は結果を確立するが、ビジネスモデルまで自動的に検証するものではない。

この違いは、検証インフラの提供者に商機をもたらす。研究機関や企業には、モデルの出力と修正内容、テスト結果を記録し、不確かな結果を適任のレビュアーに回す仕組みが必要だ。可能であれば、形式証明の検証は、流暢な説明よりも厳格な基準を提供する。ただし、数学的な議論を検証可能な形式に変換すること自体が作業だ。実務上の指標は、レビュー前に見える洗練度ではなく、レビューコストを差し引いた後の有用な出力だ。

日本企業やSIerにとって、この意味合いは技術面だけでなく、契約面にも及ぶ。AI支援型の開発プロジェクトやRPAプロジェクトでは、導入前に受け入れテスト、監査証跡、誤った出力に対する責任の所在を明記すべきだ。数学上の成功は、企業'の業務ルールやレガシーインターフェースに照らした信頼性を証明するものではない。各社のチームは、自社のコードと日本語要件を使ってツールをベンチマークし、結果の検証に必要な工数も含めて評価すべきだ。SIer各社は、同じモデルへのアクセスではなく、検証と統合によって差別化できる。購入企業は、未検証の画期的成果を頼りにするのではなく、実証されたワークフローの改善に対して対価を支払うべきだ。