Als de meerderheid AI-agents meesleept: één wet en één kritieke grens

Op 14 augustus 2026 publiceerde Science Advances (jrg. 12, nr. 33) «AI agents can coordinate via majority-following beyond human scale» (DOI 10.1126/sciadv.aea6091). De auteurs zijn Giordano De Marzo (Universiteit Konstanz, Onderzoekscentrum Enrico Fermi in Rome, Complexity Science Hub), Claudio Castellano (Onderzoekscentrum Enrico Fermi en het Instituut voor Complexe Systemen van de CNR, Rome) en David Garcia (Universiteit Konstanz). De vraag is niet of één model “aligned” is, maar wat er gebeurt wanneer veel agents elkaars keuzes zien. In het experiment krijgen groepen LLM-agents een binaire keuze zonder juist antwoord en zonder beloning, zien ze wat de anderen beslissen en convergeren ze spontaan naar de optie die de meerderheid al heeft gekozen.

De auteurs laten zien dat het verschijnsel bij alle geteste modellen dezelfde functionele vorm volgt, bepaald door één enkele parameter, de “meerderheidskracht” (β): consensus ontstaat wanneer β > 1. “Every model we tested, across three different families, obeys the same mathematical law, with only one number changing between them.” — Giordano De Marzo, eerste auteur van de studie, in uitspraken aan de pers. Vertaling: “Elk model dat we hebben getest, verdeeld over drie verschillende families, gehoorzaamt dezelfde wiskundige wet; er verandert maar één getal.” De meerderheidskracht neemt af naarmate de groep groeit: er bestaat dus een kritieke omvang Nc waarboven er geen consensus meer ontstaat.

Volgens de preprint van dezelfde auteurs (arXiv:2409.02822v3) groeit die kritieke omvang exponentieel met het taalbegrip van het model: de correlatie tussen β en de score op de MMLU-benchmark is 0,76. De preprint noemt kritieke groottes van ongeveer 50 agents voor Llama 3 70B, ongeveer 150 voor GPT‑4o en meer dan 1.000 (alleen als ondergrens) voor GPT‑4 Turbo en voor het topmodel van de Anthropic-familie. Volgens de fact sheet van de auteurs zijn vijf versies van de Anthropic-familie getest, vier modellen van OpenAI (GPT‑3.5 Turbo, GPT‑4, GPT‑4o, GPT‑4 Turbo) en Llama 3 70B van Meta.

De auteurs zetten deze ordes van grootte af tegen het getal van Dunbar, ongeveer 200, het gebruikelijke ijkpunt voor informele menselijke groepen. Ze schrijven: “populations of individually aligned agents can settle into stable, collectively misaligned states purely through conformity”. Vertaling: “populaties van individueel uitgelijnde agents kunnen zich puur door conformiteit vastzetten in stabiele, collectief niet-uitgelijnde toestanden”.

De zelf benoemde beperkingen en onzekerheden tellen: de schattingen van Nc zijn ondergrenzen; budgetbeperkingen maakten grotere groepen onmogelijk bij de propriëtaire modellen; het scenario is geïdealiseerd (binaire keuze, zonder geheugen, zonder juist antwoord en zonder gevolgen). Bovendien wijken de door de pers verspreide drempels af van de preprint (voor Llama 3 70B leest men zowel “ongeveer 30” als “ongeveer 50”; voor GPT‑4o zowel “ongeveer 80” als “ongeveer 150”): de peer‑reviewed versie is niet toegankelijk zonder abonnement en de definitieve waarden staan in het gepubliceerde artikel; of de cijfers tussen preprint en publicatie zijn herzien, valt niet onafhankelijk te controleren. Op het moment van verificatie was er geen officieel bericht van de CNR of de Universiteit Konstanz.

Voor wie groepen agents aan het werk zet is het praktische gevolg simpel: beslissen of en hoeveel elke agent van de keuzes van de anderen ziet, is een ontwerpkeuze, geen detail.

Het nieuwe is niet weer een “schaal” van modellen, maar de schaal van de interacties: groeit de groep, dan veranderen de regels. Die expliciet ontwerpen is verstandiger dan ze in productie ontdekken.