Wenn die Mehrheit KI-Agenten mitzieht: ein einziges Gesetz und eine kritische Grenze

Am 14. August 2026 hat Science Advances (Bd. 12, Nr. 33) den Aufsatz «AI agents can coordinate via majority-following beyond human scale» veröffentlicht (DOI 10.1126/sciadv.aea6091). Die Autoren sind Giordano De Marzo (Universität Konstanz, Forschungszentrum Enrico Fermi in Rom, Complexity Science Hub), Claudio Castellano (Forschungszentrum Enrico Fermi und Institut für komplexe Systeme des CNR, Rom) und David Garcia (Universität Konstanz). Die Frage lautet nicht, ob ein einzelnes Modell „aligned“ ist, sondern was geschieht, wenn viele Agenten die Entscheidungen der anderen sehen. Im Experiment stehen Gruppen von LLM-Agenten vor einer binären Wahl ohne richtige Antwort und ohne Belohnung, beobachten die Entscheidungen der anderen und konvergieren spontan zu der Option, die die Mehrheit bereits getroffen hat.

Die Autoren zeigen, dass das Phänomen bei allen getesteten Modellen einer einzigen funktionalen Form folgt, bestimmt von einem einzigen Parameter, der „Mehrheitsstärke“ (β): Konsens entsteht, wenn β > 1 ist. “Every model we tested, across three different families, obeys the same mathematical law, with only one number changing between them.” — Giordano De Marzo, Erstautor der Studie, gegenüber der Presse. Übersetzung: „Jedes getestete Modell aus drei verschiedenen Familien gehorcht demselben mathematischen Gesetz; nur eine einzige Zahl ändert sich.“ Die Mehrheitsstärke nimmt ab, je größer die Gruppe wird: Es gibt also eine kritische Größe Nc, jenseits derer sich kein Konsens mehr bildet.

Laut dem Preprint derselben Autoren (arXiv:2409.02822v3) wächst die kritische Größe exponentiell mit dem Sprachverständnis des Modells: Die Korrelation zwischen β und dem Ergebnis im MMLU-Benchmark beträgt 0,76. Das Preprint nennt kritische Größen von rund 50 Agenten für Llama 3 70B, rund 150 für GPT‑4o und über 1.000 (nur als untere Schranke) für GPT‑4 Turbo und für das Spitzenmodell der Anthropic-Familie. Dem Fact Sheet der Autoren zufolge wurden fünf Versionen der Anthropic-Familie getestet, vier Modelle von OpenAI (GPT‑3.5 Turbo, GPT‑4, GPT‑4o, GPT‑4 Turbo) sowie Llama 3 70B von Meta.

Die Autoren stellen diese Größenordnungen der Dunbar-Zahl gegenüber, etwa 200, dem üblichen Bezugspunkt für informelle menschliche Gruppen. Sie schreiben: “populations of individually aligned agents can settle into stable, collectively misaligned states purely through conformity”. Übersetzung: „Populationen individuell ausgerichteter Agenten können sich allein durch Konformität in stabilen, kollektiv fehlausgerichteten Zuständen einpendeln.“

Die erklärten Grenzen und Unsicherheiten zählen: Die Nc-Schätzungen sind untere Schranken; Budgetgrenzen verhinderten größere Gruppen bei den proprietären Modellen; das Szenario ist idealisiert (binäre Wahl, ohne Gedächtnis, ohne richtige Antwort, ohne Folgen). Hinzu kommt, dass die von der Presse verbreiteten Schwellenwerte vom Preprint abweichen (für Llama 3 70B liest man „etwa 30“ und „etwa 50“, für GPT‑4o „etwa 80“ und „etwa 150“): Die begutachtete Fassung ist ohne Abonnement nicht zugänglich, und die endgültigen Werte stehen im veröffentlichten Artikel; ob die Zahlen zwischen Preprint und Publikation überarbeitet wurden, lässt sich nicht unabhängig prüfen. Zum Zeitpunkt der Verifikation lag keine offizielle Mitteilung des CNR oder der Universität Konstanz vor.

Wer Gruppen von Agenten arbeiten lässt, zieht daraus eine schlichte Konsequenz: Zu entscheiden, ob und wie viel jeder Agent von den Entscheidungen der anderen sieht, ist eine Designentscheidung, kein Detail.

Das Neue ist nicht die nächste „Skalierung“ der Modelle, sondern die Skalierung der Interaktionen: Wächst die Gruppe, ändern sich die Regeln. Sie ausdrücklich zu entwerfen ist klüger, als sie im Produktivbetrieb zu entdecken.