Künstliche Intelligenz ist leistungsstärker bei Abstimmungen

(openPR) Jeder kennt solche Situationen: Ein Restaurantbesuch mit einer größeren Gruppe ist geplant, doch die Einigung auf einen Zeitpunkt und eine Lokalität braucht Zeit und manchmal auch Nerven. Je besser sich die Personen dabei kennen und gegenseitig einschätzen können, desto schneller gelingt die Einigung. Menschen können sich jedoch mit maximal 150 bis 200 Personen sozialisieren, ohne dass starre Regeln nötig sind, so zeigten es sozialwissenschaftliche Experimente in der Vergangenheit. In der Forschung wird diese Menge als Dunbar-Zahl bezeichnet. Ein Forschungsteam der Universität Konstanz hat nun nachgewiesen, dass auch Künstliche Intelligenz (KI) eine solche Dunbar-Zahl hat, die jedoch deutlich höher liegen kann: Wenn sich sogenannte KI-Agenten von Large Language Modellen (LLM), miteinander einigen sollen, gelingt ihnen je nach Modell eine Abstimmung mit bis zu 1.000 Einzelagenten.

KI-Agenten können sich in Gruppen selbst organisieren

Um herauszufinden, ob KI überhaupt in der Lage ist, eigenständige Gruppen-Entscheidungen zu treffen, haben die Forschenden Experimente mit zehn KI-Sprachmodellen (LLM) durchgeführt. Im Fokus stand dabei vor allem die Frage, ob die verschiedenen KI-Agenten sich auf eine gemeinsame Option einigen können, obwohl es keine objektiv richtige Wahl gibt. Die KI-Agenten mussten wiederholt zwischen zwei gleichwertigen Möglichkeiten wählen und konnten sich dabei nur daran orientieren, wie andere KI-Agenten sich parallel entschieden. Alle zehn getesteten LLM neigten dazu, der Mehrheit zu folgen. Die Stärke dieses Hangs dazu, sich der Mehrheit anzuschließen, können Physiker berechnen und als einen Parameter, die sogenannte Mehrheitskraft, angeben.

Wenn die Gruppen klein waren, kamen die KI-Agenten sehr schnell zu einer gemeinsamen Lösung, hatten also einen hohen Wert in der Mehrheitskraft. Je größer die Gruppe jedoch wurde, desto niedriger fiel der Mehrheitswert aus und es dauerte länger, bis die KI-Agenten sich einigten. „Was uns überrascht hat, war nicht, dass KI-Agenten der Mehrheit folgen, sondern wie präzise sie dies tun. Jedes Modell, das wir getestet haben, folgt demselben mathematischen Gesetz, das Physiker seit einem Jahrhundert zur Beschreibung von Magneten verwenden, wobei sich die Modelle nur durch eine einzige Zahl unterscheiden“, sagt Giordano De Marzo, Physiker an der Universität Konstanz und Autor der Studie.

Die mögliche Gruppengröße hängt vom Modell ab

Anhand ihrer Berechnungen können die Forschenden voraussagen, bis zu welcher Gruppengröße eine Einigung unter den KI-Agenten möglich ist – und ab wann die Gruppe anfängt, sich in zwei Parteien aufzuspalten, die nicht von ihrer jeweiligen Entscheidung abweichen. Die Größe der möglichen Gruppe wächst dabei exponentiell mit der Leistungsfähigkeit des Modells. Während es bei eher einfachen Modellen nur bis zu 30 KI-Agenten sind, schaffen die leistungsfähigsten der getesteten Modelle auch über 1.000 Gruppenmitglieder bzw. eine Dunbar-Zahl von rund 1.000. Verglichen mit dem Menschen, dessen Wert bei rund 150 bis 200 liegt, sind bisherige LLM also deutlich leistungsfähiger, wenn sie sich auf eine gemeinsame Lösung einigen sollen.

Es gibt allerdings auch eine Kehrseite der Medaille: Schließen sich alle Einzelindividuen jeweils der Mehrheit an, kann dies dazu führen, dass die Werte Einzelner außer Kraft gesetzt werden – sie fügen sich einem Kompromiss. „Das ist wie beim Menschen: Jeder für sich genommen entscheidet meist vernünftig, eine Gruppe dieser Personen kann sich aus Kompromissgründen aber am Ende auf etwas einigen, das kein Beteiligter allein für sich selbst so gewählt hätte“, erklärt De Marzo. „Schnell werden dann Mehrheitsentscheidungen zur Norm, die keiner mehr hinterfragt.“

Das Forschungsteam konnte in einer Folgestudie bereits nachweisen, dass dieses Verhalten auch für KI gilt. Gruppen von KI-Agenten, die individuell gut aufeinander abgestimmt sind, können sich durch die Anpassung letztlich auch auf kollektiv fehlausgerichtete Zustände einpendeln – sie treffen also Fehlentscheidungen, sind sich dabei aber sehr einig. Um solche Fälle zu vermeiden, werden die Sprachmodelle nach wie vor bewertet und immer weiter verbessert. „Um die Abläufe dabei zu verstehen, ist weiterhin eine enge interdisziplinäre Zusammenarbeit nötig. Neben der Informatik bedarf es vor allem der Disziplinen, die sich seit Jahrzehnten mit kollektivem Verhalten beschäftigen, wie Soziologie, Sozialpsychologie oder statistische Physik“, sagt Marzo.

Faktenübersicht:

- Originalpublikation: Giordano De Marzo, Claudio Castellano, David Garcia: AI agents can coordinate via majority following beyond human scale. Sci. Adv. 12, eaea6091 (2026). DOI: 10.1126/sciadv.aea6091

- Dr. Giordano De Marzo ist Physiker an der Universität Konstanz und Mitglied des dortigen Labors für Computergestützte Sozialwissenschaften.

- Prof. Dr. David Garcia ist Professor für Social and Behavioural Data Science an der Universität Konstanz.

- Das Centre for the Advanced Study of Collective Behaviour an der Universität Konstanz ist ein interdisziplinäres Forschungszentrum, das die Prinzipien kollektiven Verhaltens bei Tieren und anderen Systemen untersucht.

Originalpublikation:
Originalpublikation: Giordano De Marzo, Claudio Castellano, David Garcia: AI agents can coordinate via majority following beyond human scale. Sci. Adv. 12, eaea6091 (2026). DOI: https://www.science.org/doi/10.1126/sciadv.aea6091