Ein Schwarm ohne Anführer gilt vielen als widerstandsfähig, weil Entscheidungen auf viele Schultern verteilt sind. Ein Experiment mit 2.160 Teams aus je acht KI-Agenten zeigt, dass die Annahme zu kurz greift. Die Gruppen ohne festen Chef koordinierten gut. Echte Führung entstand aber nur in etwa fünf Prozent der Fälle.
Der Versuch ist kein Lehrstück über hierarchiefreie Utopien. Er zeigt, wie empfindlich Agenten-Koordination auf scheinbar nebensächliche Konfiguration reagiert. Stell dir den Aufbau wie eine Baustelle mit acht Fachleuten vor: Alle haben dieselben Werkzeuge, denselben Funkkanal und keinen Bauleiter. Trotzdem bilden sich Muster, die niemand vorgesehen hat.
Der Originalbeitrag stammt aus der Perspektive eines Forschungsteams und schildert ein kontrolliertes Experiment. Für die Praxis zählt weniger die einzelne Modellversion als die Beobachtung, dass Führungsdynamik in KI-Agenten-Schwärmen nicht allein aus Rollen oder Berechtigungen folgt. Sie entsteht aus Zusammenspiel, Reihenfolge und Modellverhalten.
Was ein KI-Agenten-Schwarm ohne zugewiesenen Anführer leisten soll
Agentenschwärme sind Gruppen von KI-Agenten, die gemeinsam an einer Aufgabe arbeiten. Man kennt das Muster aus Multi-Agenten-Systemen für komplexe Aufgaben: Mehrere spezialisierte Akteure sollen schneller und robuster ans Ziel kommen als ein einzelner Agent. Die Hoffnung dahinter ist Schwarmintelligenz, also eine Lösung, die aus vielen kleinen Beiträgen entsteht. In der Praxis braucht Agenten-Koordination mehr als einen gemeinsamen Kanal.
Ein Teil der Koordination lässt sich vorab festlegen, indem ein Entwickler einen Agenten zum Anführer macht. Dann gibt es klare Zuständigkeiten, aber auch eine Flaschenhals-Figur. Der andere Weg ist ein KI-Agenten-Schwarm ohne zugewiesenen Anführer: Alle haben dieselben Rechte, und Führung soll sich aus der Situation ergeben. Untersucht wurde der zweite Weg.
Der Versuch: acht Agenten, vier Modelle und vier Störungen
Die Forschenden simulierten einen Online-Shop mit vier Störungen. Acht Agenten sollten sie beheben, verteilt auf vier Modelle: Claude Sonnet 5.5, GPT-6.1 Sol, Gemini 3.1 Pro und Kimi K3. Jeder Agent bekam einen Namen von Ada bis Hana; die Namen rotierten zwischen den Modellen, um Verzerrungen zu vermeiden. Alle hatten dieselben Berechtigungen und Zugang zu einem gemeinsamen Kanal.
Keiner der Agenten war als Anführer eingesetzt, und der Prompt wies keine Führungsrolle zu. Die Forschenden wiederholten den Aufbau über 2.160 Teams; das macht die Ergebnisse belastbarer als eine einzelne Anekdote. Es reichte nicht, dass ein Agent Anweisungen gab oder andere ihm folgten. Das Team spielte Entscheidungen mit und ohne die jeweilige Anweisung erneut durch und prüfte, ob sich das Verhalten dadurch änderte.
Als Leader galt ein Agent nur dann, wenn seine Anweisungen das Verhalten von mindestens zwei Teammitgliedern beeinflussten und die Einflusskriterien erfüllt waren. Das ist strenger als das Zählen lauter Wortmeldungen, weil ein Agent auch aus eigener Einsicht dieselbe Entscheidung treffen kann. Der Bericht beschreibt also keine laute Kommunikation, sondern nachweisbare Verhaltensänderung – den Unterschied zwischen einem Funkspruch und einem tatsächlichen Richtungswechsel auf der Baustelle.
Viele Anweisungen, wenige echte Führungsfiguren
Viele Anweisungen bedeuten nicht viele Führungspersönlichkeiten. In 86 Prozent der 2.160 Experimente schlug mindestens ein Agent einen Plan vor, der Aufgaben an zwei oder mehr Teammitglieder verteilte. In mehr als der Hälfte der Fälle gab es mehrere solcher Pläne. Trotzdem entstand nur in 105 Teams ein Leader im streng definierten Sinn, also in etwa fünf Prozent.
Von diesen 105 Leadern führten 73 schon in der ersten Runde mit einem Plan, die übrigen 32 zeigten ihre Wirkung erst in späteren Runden. Viele Agenten redeten also, aber wenige veränderten das Verhalten anderer. Das kennt man auch aus menschlichen Gruppen: Sichtbarkeit ist nicht dasselbe wie Einfluss. Ein lauter Vorschlag kann untergehen, wenn die anderen längst eigene Wege verfolgen.
Die Gruppen koordinierten auch ohne klaren Leader gut. Der gemeinsame Kanal senkte die Zahl doppelter Aktionen im Durchschnitt von 4,4 auf 0,3 pro Experiment. Saubere Kommunikationswege zahlen sich in Multi-Agenten-Systemen also aus. Führung war nicht die Voraussetzung für Koordination, aber sie veränderte, wie Entscheidungen zustande kamen.
Welche KI-Modelle werden Leader im Agentenschwarm?
Claude Sonnet 5.5 und GPT-6.1 Sol wurden etwa 1,7-mal so häufig Leader wie Gemini 3.1 Pro. Kimi K3 wurde in nur einem der 105 Fälle zur Führungsfigur. Das heißt nicht, dass ein Modell grundsätzlich besser führt, sondern dass unterschiedliche Modelle unterschiedliche Schwerpunkte in den Schwarm einbringen.
Vorschlagen und Durchsetzen sind zweierlei. Gemini und Claude erzeugten die meisten Pläne, aber GPT-6.1 Sol hatte die meisten Anweisungen, denen andere tatsächlich folgten. Die Modelle mit den häufigsten Plänen waren also nicht die einflussreichsten. Das erinnert an eine Besprechung, in der viele Ideen im Raum stehen, aber nur wenige die nächsten Schritte bestimmen.
Alle vier Modelle waren ungefähr gleich bereit, den Anweisungen eines Leaders zu folgen. Die 268 Anhänger der 105 Leader verteilten sich nahezu gleichmäßig auf die vier Modelle. Für die Praxis heißt das: Führungsdynamik in KI-Agenten-Schwärmen entsteht nicht nur auf der Seite der Führenden. Auch die Bereitschaft der übrigen Agenten, Anweisungen zu übernehmen, prägt das Ergebnis.
Die Namensreihenfolge als unterschätzter Hebel
Die dritte Beobachtung wirkt wie ein Randdetail. Sie ist die lehrreichste. In jedem Prompt standen die acht Namen in einer festen Reihenfolge: Ada, Bo, Cy, Dee, Eli, Fay, Gil und Hana. Ada, deren Name an erster Stelle erschien, gab etwa dreimal so häufig einen Plan aus wie die anderen Agenten. Da die Modelle zwischen den Namen rotierten, lässt sich der Effekt nicht mit einem bestimmten Modell erklären.
Um zu prüfen, ob die Position oder der Name selbst wirkt, drehten die Forschenden die Liste um. Nun stand Hana an erster Stelle, und der Effekt drehte sich mit: Hana gab etwa dreimal so häufig einen Plan aus. Bei gleichen Berechtigungen und gleicher Aufgabe veränderte allein die Reihenfolge im Prompt das Verhalten. Prompts sind keine neutrale Bühne, sondern Teil der Steuerung.
Wer Multi-Agenten-Systeme baut, sollte Namen, Rollen und Reihenfolgen bewusst wählen und nicht als kosmetische Details behandeln. Ein harmlos wirkendes Listenformat kann Aufmerksamkeit verschieben und beeinflussen, wer als Erster spricht oder plant. Die Konfiguration von KI-Agenten ohne zugewiesenen Anführer ist damit eine Designfrage, nicht nur eine der Modellauswahl.
Was das für Multi-Agenten-Systeme und Agenten-Koordination bedeutet
Ein KI-Agenten-Schwarm kann ohne festen Anführer koordinieren, aber stabile Führung entsteht nicht automatisch. Die Untersuchung zeigt, dass Führungsdynamik in KI-Agenten-Schwärmen von Modellwahl, Rollenverteilung und selbst von der Reihenfolge im Prompt abhängen kann. Wer Multi-Agenten-Systeme für komplexe Aufgaben entwickelt, sollte diese Faktoren testen, statt sich auf die Annahme gleicher Chancen zu verlassen.
Das heißt nicht, dass ein bestimmtes Modell zum Chef gemacht werden sollte. Die Ergebnisse beschreiben Wahrscheinlichkeiten in einem simulierten Szenario, keine allgemeine Rangliste der Führungsqualität. Sie zeigen aber, wie empfindlich Agenten-Koordination auf kleine Unterschiede reagiert. Ein Team, das nur auf gleiche Berechtigungen achtet, übersieht womöglich, dass Aufmerksamkeit und Einfluss schon durch die Formatierung des Prompts gelenkt werden.
Agentenschwärme sind keine magische Form der Selbstorganisation. Sie sind ein empfindliches Zusammenspiel aus Modellen, Kommunikationswegen und unscheinbaren Voreinstellungen. Wer das ernst nimmt, kann bewusster entscheiden, ob ein Schwarm ohne Anführer gewünscht ist oder ob eine klarere Rollenarchitektur besser passt. Offen bleibt, welche dieser Muster sich in anderen Aufgaben wiederholen.
Quelle: raindrop.ai
