Der Maßstab von draußen

Wenn Organ­i­sa­tion zur lern­baren Fähigkeit von KI-Agen­ten wird, hängt alles daran, wer entschei­det, was richtig ist.

Drei Sprach­mod­elle bekom­men eine Wet­tbe­werb­sauf­gabe aus der Math­e­matik, und alle drei liegen daneben. Dann sprechen sie miteinan­der. o3-mini liefert die tra­gende Invari­ante, zählt aber falsch. DeepSeek-V3 kor­rigiert die Zäh­lung. Claude Son­net 4 prüft die über­ar­beit­ete Rech­nung. Das Ergeb­nis, 3840, ste­ht in kein­er der drei Aus­gangsant­worten. So schildern es Aneesh Pap­pu, Mirac Suz­gun, James Zou und weit­ere Autorin­nen und Autoren von Stan­ford, Togeth­er AI und der Emory Uni­ver­si­ty in ihrem Paper „Self-Orga­niz­ing Agent Teams Learn to Rea­son Togeth­er” (arX­iv, 19. Sep­tem­ber 2026). Ihre These: Organ­i­sa­tion selb­st kann zur Fähigkeit von Agen­ten wer­den. Ein fes­ter Kreis von Mod­ellen lernt, wie er gemein­sam denkt, und löst damit, was kein Mit­glied allein löst.

Für diese Seite stellt sich die Frage, ob das ohne insti­tu­tionelle Ein­bet­tung trägt. Die Dat­en leg­en eine enge Antwort nahe: nur dort, wo die Ein­bet­tung bere­its in der Auf­gabe steckt.

Was gelernt wird

Der Mech­a­nis­mus ist schlicht. Ein Mit­glied des Teams, das mit der besten Tre­f­fer­quote auf den Train­ingsauf­gaben, wertet frühere Gespräch­spro­tokolle aus und entwirft daraus Team­strate­gien: Rollen, Gespräch­sphasen, Beteili­gung, Infor­ma­tions­fluss. Keine Strate­gie legt eine Lösung oder eine Zer­legung der Auf­gabe fest. Jede wird an weit­eren Auf­gaben erprobt, bis zu zehn kom­ple­men­täre bleiben übrig und wer­den einge­froren. Bei ein­er neuen Auf­gabe laufen alle zehn. Jede liefert eine Lösung samt „Zer­ti­fikat”, ein­er kurzen, Schritt für Schritt nach­prüf­baren Begrün­dung. Ein einzel­ner Richter, wiederum ein Mit­glied des Teams, wählt die am besten gestützte Antwort.

Das Math­e­matik­team (o3-mini, Claude Son­net 4, DeepSeek-V3) lernte an 15 Auf­gaben des US-Wet­tbe­werbs AIME 2024. Das Wis­sensteam (Gemini‑2.5‑Flash, Lla­ma-4-Mav­er­ick, GPT‑4.1) lernte an 25 Auf­gaben aus GPQA Dia­mond, einem Test natur­wis­senschaftlich­er Fra­gen auf Hochschul­niveau.

Auf fünf Math­e­matik- und Physik-Bench­marks erre­icht das Math­e­matik­team im Schnitt 66,7 Prozent. Das stärk­ste Mit­glied kommt auf 48,8. Ein einzelnes Mod­ell, das bei etwa gle­ichem Rechenaufwand alle Rollen und Phasen nacheinan­der selb­st durch­spielt (die „Lin­earisierung”), erre­icht 58,7. Ein „Rout­ing-Orakel”, das je Auf­gabe die richtige Einze­lant­wort eines Mit­glieds her­aus­greift, sofern es eine gibt, liegt bei 59,0. Dass das Team darüber liegt, zeigt: Im Gespräch entste­hen Lösun­gen, die vorher nie­mand hat­te.

Zwei Werte ver­lan­gen Genauigkeit, weil sie in Kurz­fas­sun­gen größer wirken, als sie sind. Auf AIME 2026 liegt das Team 29,0 Punk­te über dem besten Mit­glied (71,2 gegen 42,2), aber nur 2,7 Punk­te über der Lin­earisierung (68,5). Auf HMMT 2026, einem weit­eren Math­e­matik­wet­tbe­werb, gibt es einen Gle­ich­stand bei 39,4. Schon die Lin­earisierung liegt im Schnitt 9,9 Punk­te über dem besten Mit­glied. Ein großer Teil des Gewinns steckt dem­nach in der gel­ern­ten Struk­tur, die auch ein einzelnes Mod­ell abar­beit­en kann. Der Mehrw­ert mehrerer ver­schieden­er Mod­elle beträgt im Schnitt 8,0 Punk­te. Gel­ernt wird also zunächst ein Ver­fahren, und erst in zweit­er Lin­ie etwas, das sich nur zwis­chen mehreren Akteuren abspielt. Das ist eine Lesart der Zahlen, keine Aus­sage der Autoren.

Der Befund, der die Frage beantwortet

Beim Wis­sensteam kippt das Bild. Es erzeugt in 87,9 Prozent der Auf­gaben min­destens eine richtige Lösung, gibt aber nur in 72,8 Prozent die richtige als Endant­wort aus. Der Vor­sprung vor der Lin­earisierung (72,1) beträgt 0,7 Punk­te. Auf MMLU-Pro, einem bre­it­en Wis­senstest, liegt Mix­ture of Agents vorn, ein Ver­fahren, bei dem mehrere Mod­elle Entwürfe liefern und ein weit­eres sie zusam­men­führt. Auf BBEH, einem Test für anspruchsvolle logis­che Auf­gaben, liegen das homo­gene Team, die Debat­te und Mix­ture of Agents vorn. Die Autoren fol­gern, dass Richtiges zu erzeu­gen nicht genügt. Das Team muss es auch erken­nen.

Dazu führen sie die Kenn­zahl der Demon­stra­bil­ität ein, ein Kon­strukt der Organ­i­sa­tion­spsy­cholo­gie (Laugh­lin und Ellis, 1986): ob sich richtiges Argu­men­tieren von falschem unter­schei­den lässt. Gemessen wird sie, indem ein Gremi­um aus zehn Mod­ellen außer­halb bei­der Teams je ein richtiges und ein falsches Teamz­er­ti­fikat ohne Kennze­ich­nung beurteilt. Über acht Bench­marks fol­gt der Zugewinn gege…