Multi-Agent-KI-Systeme können oft bessere Leistungen erzielen als Einzelagenten. Doch oft bleibt unklar, ob sie wirklich als Team arbeiten oder nur nebeneinander agieren. Ein neues Framework soll diese Unterscheidung messbar machen.
Ein Forscher an der Northeastern University in Boston hat eine datengetriebene Methode entwickelt, die auf Informationstheorie basiert und drei Tests kombiniert. Damit lässt sich erkennen, ob Multi-Agent-Systeme emergente Eigenschaften zeigen – also Fähigkeiten entwickeln, die über die Summe ihrer Einzelteile hinausgehen.
Die Methode unterscheidet zwischen verschiedenen Formen der Zusammenarbeit: Agenten können identisch agieren, sich ergänzen oder gegeneinanderarbeiten. Entscheidend ist, ob sie Informationen liefern, die nur gemeinsam verfügbar sind.
Das Verfahren nutzt Partial Information Decomposition (PID) und Time-Delayed Mutual Information (TDMI), um rein datengetrieben zu prüfen, ob Multi-Agent-Systeme emergente Eigenschaften entwickeln. PID zerlegt Information in redundante, einzigartige und synergistische Komponenten. TDMI misst, wie gut aktuelle Zustände der Agenten zukünftige Systemzustände vorhersagen. Dadurch lässt sich Synergie quantifizieren – also Information, die nur durch die Kombination mehrerer Agenten entsteht.
Personas und strategisches Denken fördern Zusammenarbeit
Zur Erprobung ließ die Studie Gruppen von zehn KI-Agenten ein Ratespiel spielen. Sie mussten ohne direkte Kommunikation Zahlen erraten, deren Summe einer versteckten Zielzahl entspricht, und erhielten nur Feedback wie "zu hoch" oder "zu niedrig".
Der Forscher testete drei Ansätze: eine Grundversion ohne besondere Anweisungen, eine Variante mit individuellen Persönlichkeiten und eine Kombination mit der Aufforderung, über die Handlungen anderer nachzudenken.
Nur in der letzten Variante entstanden spezialisierte Rollen und echte Arbeitsteilung. Die Agenten entwickelten unterschiedliche, sich ergänzende Strategien.
Ein Agent begründete seine Wahl etwa so: „Weil andere wahrscheinlich 4 oder 5 wählen, bleibe ich bei 6.“ Ein anderer entschied sich bewusst für 8, um „den unteren Bereich sicher abzudecken“.
Erfolgreiche Agenten-Teams verbinden Synergie – also Vielfalt und kreative Ergänzung – mit klarer Ausrichtung auf gemeinsame Ziele. Erst diese Balance führt zu hoher Gesamtleistung.
Große Sprachmodelle zeigen unterschiedliche Teamfähigkeiten
Der Vergleich verschiedener KI-Modelle offenbart klare Unterschiede. GPT‑4.1-Agenten entwickelten zuverlässig produktive Teamarbeit, während kleinere Llama‑3.1‑8B‑Modelle meist scheiterten – nur jede zehnte Llama-Gruppe löste die Aufgabe.
Die kleineren Modelle zeigten zwar zeitliche Koordination, aber kaum echte Arbeitsteilung. Das deutet darauf hin, dass strategisches Denken über andere Agenten entscheidend für funktionierende KI-Teams ist.
Das steht im Gegensatz zu jüngsten Empfehlungen von Nvidia-Forschenden, die für den Einsatz vieler kleiner Modelle plädierten, um Ressourcen zu sparen. Die Ergebnisse der Studie legen jedoch nahe, dass größere Sprachmodelle bislang deutlich bessere Teamfähigkeiten entwickeln.
Das Framework soll helfen, Multi-Agent-Systeme systematischer zu gestalten. Entwickler:innen können damit prüfen, ob ihre KI-Teams wirklich als integrierte Einheiten funktionieren oder nur parallel arbeiten – besonders relevant für komplexe Anwendungen wie Softwareentwicklung oder Problemlösung.
Die Studie legt zudem nahe, dass sich Teamarbeit durch gezieltes Prompt-Engineering fördern lässt: Agenten mit individuellen Persönlichkeiten und metakognitiven Anweisungen entwickeln eher produktive Rollenverteilung.
Mit dem AgentKit von OpenAI und ähnlichen Werkzeugen hält die Zusammenarbeit mehrerer Agenten zunehmend Einzug in Unternehmensinfrastrukturen. Das vorgestellte Framework könnte die Entwicklung effizienterer Multi-Agent-Architekturen unterstützen, auch wenn seine Anwendung auf bestehende Systeme noch komplex ist.
