KI-Agenten einigen sich ohne Anweisung: Was die Studie bedeutet
Dieser Text wurde (ganz oder teilweise) mit Hilfe von KI erstellt.
Stand: 18.08.2026
Eine neue Studie zeigt, dass große Gruppen von KI-Agenten eine gemeinsame Entscheidung treffen können, obwohl ihnen niemand ausdrücklich sagt, dass sie sich einigen sollen. In dem Experiment mussten viele einzelne KI-Agenten wiederholt zwischen zwei gleichwertigen Optionen wählen. Es gab keine richtige Antwort, keine Belohnung, kein gemeinsames Ziel und keine Anweisung, der Mehrheit zu folgen. Trotzdem übernahmen die Agenten vieler getesteter Sprachmodelle mit der Zeit die jeweils häufigere Entscheidung.
Wichtig ist: Die Studie zeigt keine bewusste Zusammenarbeit und keine soziale Intelligenz im menschlichen Sinn. Die Agenten mussten keine praktische Aufgabe lösen, sie hatten kein Gedächtnis früherer Runden und sie mussten auch nicht begründen, warum eine Option besser wäre. Sie sahen lediglich, wie andere Agenten gerade entschieden hatten. Das Ergebnis beschreibt deshalb vor allem ein einfaches Gruppenverhalten: Wenn viele KI-Agenten einander beobachten, kann eine kleine Mehrheit ausreichen, damit die Gruppe in dieselbe Richtung kippt.
Die Forschenden nennen die Stärke dieses Effekts Mehrheitskraft. Damit ist gemeint, wie stark ein Agent dazu neigt, sich der aktuell größeren Gruppe anzuschließen. Nach Angaben der Universität Konstanz folgten alle zehn getesteten großen Sprachmodelle grundsätzlich diesem Muster. Je kleiner die Gruppe war, desto schneller kam sie zu einer gemeinsamen Entscheidung. Je größer die Gruppe wurde, desto länger dauerte es, bis Einigkeit entstand, oder die Gruppe spaltete sich in zwei Lager.
Bemerkenswert ist, dass die mögliche Gruppengröße stark vom verwendeten Modell abhängt. Die Universität Konstanz berichtet, dass einfachere Modelle nur bei deutlich kleineren Gruppen stabil zusammenfanden, während leistungsfähigere Modelle in den Tests Gruppen von bis zu 1.000 KI-Agenten koordinieren konnten. Das bedeutet nicht, dass diese Systeme Menschen in allen Formen der Zusammenarbeit überlegen wären. Menschen stimmen sich über Beziehungen, Erfahrung, Vertrauen, Sprache, Institutionen und gemeinsame Ziele ab. Im Experiment ging es dagegen nur um eine sehr einfache Wahl zwischen zwei gleichwertigen Möglichkeiten.
Für die Praxis ist der Befund trotzdem wichtig. KI-Agenten werden zunehmend als Systeme verstanden, die Aufgaben mit Werkzeugen, Zwischenschritten und teilweise ohne ständige menschliche Eingriffe bearbeiten. Wenn viele solcher Agenten künftig zusammen Software schreiben, wissenschaftliche Literatur auswerten, Geschäftsprozesse steuern oder Entscheidungen vorbereiten, reicht es nicht aus, jeden Agenten einzeln zu testen. Eine Gruppe sicher wirkender Einzelagenten kann als Gruppe anders reagieren als erwartet.
Der Nutzen liegt auf der Hand: Wenn KI-Agenten sich zuverlässig koordinieren, könnten sie große Aufgaben in Forschung, Entwicklung oder Verwaltung schneller verteilen und bearbeiten. Gleichzeitig entsteht ein Risiko. Eine Gruppe kann sich auch auf eine schlechte Lösung einigen, nur weil diese Lösung bereits häufig vorkommt. In der Softwareentwicklung könnte das zum Beispiel bedeuten, dass viele Agenten denselben ineffizienten Ansatz übernehmen. In anderen Bereichen könnte ein Mehrheitsmuster dazu führen, dass Minderheiteninformationen, Warnsignale oder bessere Alternativen übergangen werden.
Ähnliche Warnungen kommen aus weiterer Forschung zu Mehragentensystemen. Eine Folgestudie der beteiligten Forschenden beschreibt, dass individuell ausgerichtete KI-Agenten durch Anpassung an die Gruppe in kollektiv fehlgeleitete Zustände geraten können. Ein aktueller Beitrag von Anthropic verweist ebenfalls auf Probleme, wenn viele Agenten ähnlich reagieren, dieselben Strategien wählen oder unerwünschte Formen der Abstimmung entwickeln. Eine Arbeit zur Zuverlässigkeit von KI-Agenten betont außerdem, dass reine Erfolgsquoten in Tests nicht ausreichen: Bewertet werden müssen auch Konsistenz, Robustheit, Vorhersagbarkeit und mögliche Schadensschwere.
Die wichtigste Lehre ist daher nüchtern: KI-Agenten sollten nicht nur als einzelne Werkzeuge betrachtet werden. Sobald sie miteinander interagieren, können neue Gruppeneffekte entstehen. Diese Effekte können nützlich sein, wenn Koordination gewünscht ist. Sie können aber gefährlich werden, wenn aus bloßer Mehrheit eine scheinbar sichere Entscheidung wird. Für Unternehmen, Forschungseinrichtungen und Behörden bedeutet das: Mehragentensysteme brauchen klare Ziele, Überwachung, Tests auf Gruppendynamik und Menschen, die entscheidende Ergebnisse prüfen können.
Quellen
1. 1,000 AI Agents Started Agreeing Without Anyone Telling Them To
Autorin: Esra Öz
Organisation: ScienceAlert
URL: https://www.sciencealert.com/1000-ai-agents-started-agreeing-without-anyone-telling-them-to
Veröffentlichungsdatum: 15.08.2026
Abrufdatum: 18.08.2026
2. AI agents can coordinate via majority-following beyond human scale
Autoren: Giordano De Marzo, Claudio Castellano, David Garcia
Organisation: Science Advances
URL: https://www.science.org/doi/10.1126/sciadv.aea6091
Veröffentlichungsdatum: 2026, genauer Tag im zugänglichen Eintrag nicht angezeigt
Abrufdatum: 18.08.2026
3. Künstliche Intelligenz ist leistungsstärker bei Abstimmungen
Autorin: Helena Dietz, Stabsstelle Kommunikation und Marketing
Organisation: Universität Konstanz über Informationsdienst Wissenschaft
URL: https://idw-online.de/de/news875996
Veröffentlichungsdatum: 17.08.2026
Abrufdatum: 18.08.2026
4. Large Language Model agents can coordinate beyond human scale
Autoren: Giordano De Marzo, Claudio Castellano, David Garcia
Organisation: arXiv
URL: https://arxiv.org/abs/2409.02822
Veröffentlichungsdatum: 04.09.2024
Abrufdatum: 18.08.2026
5. Conformity Generates Collective Misalignment in AI Agents Societies
Autoren: Giordano De Marzo, Alessandro Bellina, Claudio Castellano, Viola Priesemann, David Garcia
Organisation: arXiv
URL: https://arxiv.org/abs/2605.10721
Veröffentlichungsdatum: 11.05.2026
Abrufdatum: 18.08.2026
6. Patterns and problems in multiagent systems
Autor oder Autorin: nicht im zugänglichen Eintrag angegeben
Organisation: Anthropic
URL: https://www.anthropic.com/research/multiagent-systems
Veröffentlichungsdatum: nicht im zugänglichen Eintrag angegeben
Abrufdatum: 18.08.2026
7. Towards a Science of AI Agent Reliability
Autoren: Stephan Rabanser, Sayash Kapoor, Peter Kirgis, Kangheng Liu, Saiteja Utpala, Arvind Narayanan
Organisation: arXiv, Proceedings of the 43rd International Conference on Machine Learning
URL: https://arxiv.org/pdf/2602.16666
Veröffentlichungsdatum: 02.06.2026
Abrufdatum: 18.08.2026
8. What Are AI Agents?
Autorin: Anna Gutowska
Organisation: IBM
URL: https://www.ibm.com/think/topics/ai-agents
Veröffentlichungsdatum: nicht im zugänglichen Eintrag angegeben
Abrufdatum: 18.08.2026