Research Report II · August 2026 · MaierZone

Kollektive Intelligenz

Vom Ochsen auf dem Jahrmarkt zum Agenten-Schwarm: Warum viele einfache Einheiten zusammen klüger sind als das klügste Einzelteil — und wann die Masse kippt.

Stichtag
2026-08-05
Vorgänger
Emergenz & Vernetzung (Teil I)
Design-System
mzone-ui 1.2.0 · fx-hero, fx-decrypt, fx-scroll, fx-magnify, chart-preset
Quellen
14 Primärquellen, 1785–2024
Schätzungen in Galtons Experiment (1906)
787
Median der Masse: 1207 lb
Fehler der Vox Populi
8‰
wahres Gewicht: 1198 lb — unter 1 % daneben
Agenten, bis 13B ≈ 70B
15×
Sampling-and-Voting auf GSM8K (Li et al. 2024)
Surowiecki-Bedingungen
4
Diversität · Unabhängigkeit · Dezentralisation · Aggregation

01 · Vox Populi — die Stimme der Masse

1906 wollte Francis Galton auf einem Jahrmarkt in Plymouth beweisen, dass der Durchschnittsbürger urteilsunfähig ist. Das Ergebnis zwang ihn zum Gegenteil — und begründete die Wissenschaft der kollektiven Intelligenz.

Rund 800 Besucher schätzten das Schlachtgewicht eines Ochsen; 787 Zettel waren auswertbar. Der Median aller Schätzungen — 1207 Pfund — lag nur 0,8 % neben dem wahren Gewicht von 1198 Pfund, näher am Ziel als die meisten Experten. Kein Einzelner war so gut wie die Mitte aller. Galton publizierte das 1907 in Nature unter dem Titel Vox Populi — wider seine eigene Erwartung.

Der Mechanismus dahinter war 121 Jahre älter: Das Jurys-Theorem von Condorcet (1785) zeigt mathematisch, dass die Mehrheitsentscheidung einer Gruppe gegen Sicherheit konvergiert, sobald jeder Einzelne auch nur minimal besser rät als der Zufall — vorausgesetzt, die Stimmen sind unabhängig. Genau an dieser Voraussetzung entscheidet sich alles, wie Abschnitt 04 zeigt.

Surowiecki 2004
Vier Bedingungen machen Massen weise: Diversität der Meinungen, Unabhängigkeit der Urteile, Dezentralisation des Wissens — und ein Mechanismus, der alles aggregiert.

Fehlt eine Bedingung, kippt Weisheit in Herdenverhalten.

Hayek 1945
Märkte als Aggregatoren: Preise verdichten lokal verstreutes Wissen, das kein Planer je sammeln könnte — kollektive Intelligenz ohne Absicht.

„The Use of Knowledge in Society“, American Economic Review.

Woolley et al. 2010
Gruppen haben einen messbaren „c-Faktor“ — kollektive Intelligenz, die nicht aus dem IQ des besten Mitglieds folgt, sondern aus sozialer Sensibilität und fairer Redezeit.

Science 330: 686–688.

02 · Das Small-World-Labor — Vernetzung live verstellen

Watts und Strogatz zeigten 1998: Schon ein Hauch Zufall macht aus einem starren Ring ein kleines Weltnetz. Hier ist das Modell als echte Simulation — keine Illustration, sondern live gerechnet.

Interaktiv · Watts–Strogatz-Modell · N = 24 Knoten, Grad 4
Clustering C / C₀
1.00
lokale Verklumpung, relativ zum regulären Ring
Pfadlänge L / L₀
1.00
mittlere kürzeste Distanz (BFS, exakt gerechnet)
Abkürzungen
0
umverdrahtete Kanten (blau gezeichnet)

Ziehe p langsam hoch: Die Pfadlänge kollabiert schon bei p ≈ 0,05–0,1, während das Clustering fast intakt bleibt — genau dieser Sweet Spot ist die Small-World-Zone, die Gehirne, soziale Netze und das Web teilen.

03 · Der Agenten-Schwarm — kollektive Intelligenz aus Silizium

2024 bewies Li et al. mit dem denkbar simpelsten Verfahren — dieselbe Frage an viele Modell-Instanzen, dann Mehrheitsvotum — dass „mehr Agenten“ skaliert wie „mehr Parameter“. Condorcet in der GPU.

Schematische Darstellung nach Li et al. 2024 (GSM8K): Mit ~15 Instanzen erreicht Llama2-13B per Sampling-and-Voting das Niveau eines einzelnen Llama2-70B. Lupe: Maus über dem Diagramm bewegen, Rad zoomt.

Sampling & Voting · 2024
„More Agents Is All You Need“: Die Genauigkeit steigt logarithmisch mit der Agentenzahl — über Modelle und Aufgaben hinweg, ohne komplexe Orchestrierung.

arXiv:2402.05120

Konversations-Frameworks · 2023
AutoGen (Microsoft), CAMEL und MetaGPT lassen spezialisierte Agenten miteinander reden: Rollen, Kritik, Arbeitsteilung — ein Ameisenhaufen aus Prompts.

arXiv:2308.08155 · 2303.17760 · 2308.00352

Minsky 1986
„The Society of Mind“: Der Geist selbst ist eine Gesellschaft einfacher Agenten ohne eigenes Verständnis. Die älteste Formulierung der These — 37 Jahre vor den LLM-Schwärmen.

04 · Wann die Masse kippt — die Grenzen der Kollektivität

Kollektive Intelligenz ist kein Naturgesetz, sondern eine Ingenieursleistung. Vier Befunde aus der Forschung:

  1. B1kritisch
    Korrelierte Fehler zerstören das Condorcet-Theorem. Sobald die Masse voneinander abschaut, sind die Stimmen nicht mehr unabhängig: Lorenz et al. (PNAS 2011) zeigten experimentell, dass sozialer Einfluss die „Weisheit der Masse“ systematisch untergräbt — die Gruppe wird sicherer, aber nicht treffender.
  2. B2hoch
    Informationskaskaden. Frühe Stimmen lenken spätere: Aus Reihenfolge wird Meinung. Märkte blasen Blasen, Plattformen erzeugen Echokammern — Aggregation ohne Unabhängigkeit verstärkt den Fehler statt ihn zu mitteln.
  3. B3hoch
    Homogene Agenten sind ein Manko, kein Feature. Ein Schwarm identischer LLM-Instanzen teilt dieselben Trainingsverzerrungen — Diversität muss aktiv erzeugt werden (Temperatur, Rollen, verschiedene Modelle), sonst votiert der Schwarm elegant in dieselbe falsche Richtung.
  4. B4lösbar
    Die Bedingungen sind designbar. Unabhängige Erstbeurteilung vor der Diskussion, Diversität als Architekturentscheidung, saubere Aggregation (Median statt Mittel, Voting statt Konsens-Druck) — wer Surowieckis vier Kriterien ernst nimmt, kann Schwärme bauen, die wirklich klüger sind als ihre Teile.

Quellen & Referenzen

  1. Condorcet, M. de (1785). Essai sur l'application de l'analyse à la probabilité des décisions rendues à la pluralité des voix. Paris. Jury-Theorem (Überblick)
  2. Galton, F. (1907). Vox Populi. Nature 75, 450–451. doi:10.1038/075450a0
  3. Hayek, F. A. (1945). The Use of Knowledge in Society. American Economic Review 35(4), 519–530. econlib.org
  4. Surowiecki, J. (2004). The Wisdom of Crowds. Doubleday. en.wikipedia.org
  5. Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N. & Malone, T. W. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science 330, 686–688. doi:10.1126/science.1193147
  6. Lorenz, J., Rauhut, H., Schweitzer, F. & Helbing, D. (2011). How social influence can undermine the wisdom of crowd effect. PNAS 108(22), 9020–9025. doi:10.1073/pnas.1008636107
  7. Minsky, M. (1986). The Society of Mind. Simon & Schuster. en.wikipedia.org
  8. Watts, D. J. & Strogatz, S. H. (1998). Collective dynamics of ‚small-world‘ networks. Nature 393, 440–442. doi:10.1038/30918
  9. Bonabeau, E., Dorigo, M. & Theraulaz, G. (1999). Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press. global.oup.com
  10. Li, J., Zhang, Q., Yu, Y., Fu, Q. & Ye, D. (2024). More Agents Is All You Need. arxiv.org/abs/2402.05120
  11. Wu, Q., et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arxiv.org/abs/2308.08155
  12. Li, G., et al. (2023). CAMEL: Communicative Agents for ‚Mind‘ Exploration of Large Language Model Society. arxiv.org/abs/2303.17760
  13. Hong, S., et al. (2023). MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework. arxiv.org/abs/2308.00352
  14. Wei, J., et al. (2022). Emergent abilities of large language models. TMLR. arxiv.org/abs/2206.07682