Messung der Teamarbeit in Multi-Agenten-KI-Systemen durch ein neues informations-theoretisches Rahmenwerk

Die Entwicklung von Multi-Agenten-KI-Systemen verspricht, komplexe Aufgaben effizienter zu lösen als einzelne KI-Agenten. Allerdings war es bisher oft unklar, ob diese Systeme tatsächlich als Team agieren oder lediglich parallel arbeiten. Eine neue Forschungsarbeit von Christoph Riedl von der Northeastern University stellt nun ein informations-theoretisches Rahmenwerk vor, das darauf abzielt, echte Teamarbeit in agentischen KI-Systemen messbar zu machen.

Grundlagen des neuen Rahmenwerks

Das von Christoph Riedl entwickelte Framework nutzt Prinzipien der Informationstheorie, um zu identifizieren, wann Agentengruppen Fähigkeiten entwickeln, die über die Summe der individuellen Leistungen hinausgehen. Dies ist eine entscheidende Frage für die Entwicklung von KI-Systemen, die komplexe Aufgaben wie Softwareentwicklung oder Problemlösung bewältigen sollen.

Messung der Kooperation

Das Framework unterscheidet drei Arten der Kooperation: Agenten, die identisch agieren, sich gegenseitig ergänzen oder sogar gegensätzliche Ziele verfolgen. Der Schlüssel zur Messung liegt in der Identifizierung von Informationen, die ausschließlich durch die Zusammenarbeit der Agenten entstehen.

Zentrale Bestandteile der Methode sind die Partial Information Decomposition (PID) und die Time-Delayed Mutual Information (TDMI). PID zerlegt Informationen in redundante, einzigartige und synergistische Anteile. TDMI analysiert, wie gut der aktuelle Zustand eines Agenten den zukünftigen Zustand des Gesamtsystems vorhersagt. Durch die Kombination dieser Werkzeuge können Forscher Synergie messen – also jene Informationen, die nur durch die Interaktion der Agenten entstehen.

Experimentelle Validierung: Das Ratespiel

Um das Framework in der Praxis zu testen, führte Riedl ein Ratespiel mit Gruppen von zehn KI-Agenten durch. Die Agenten konnten nicht direkt miteinander kommunizieren. Ihre Aufgabe bestand darin, Zahlen zu erraten, die sich zu einem versteckten Zielwert addieren, wobei das Feedback auf "zu hoch" oder "zu niedrig" beschränkt war.

Drei Konfigurationen im Vergleich

Riedl testete drei unterschiedliche Konfigurationen:

• Eine Basisversion ohne spezielle Anweisungen.
• Eine Version, in der jeder Agent eine einzigartige Persönlichkeit zugewiesen bekam.
• Eine dritte Version, in der die Agenten angewiesen wurden, die möglichen Aktionen der anderen Agenten in ihre Strategie einzubeziehen.

Es zeigte sich, dass nur die dritte Konfiguration zu echter Teamarbeit führte. Wenn Agenten aufgefordert wurden, die Strategien der anderen zu berücksichtigen, nahmen sie spezialisierte Rollen ein und teilten die Problemlösung unter sich auf. Ihre Strategien begannen sich gegenseitig zu ergänzen.

Ein Beispiel hierfür ist die Begründung eines Agenten: „Da es möglich ist, dass andere 4 oder 5 wählen (die absolute Untergrenze oder knapp über dem letzten 'zu niedrig'), und jemand anderes 7 oder 8 wählen könnte, bleibe ich bei der effizientesten Zahl: 6.“ Ein anderer Agent in derselben Gruppe wählte bewusst 8 und erklärte: „Falls jemand anderes in der Gruppe mutig ist und 9 oder 10 wählt, hilft meine 8, den unteren Bereich sicher abzudecken.“ Diese Beispiele illustrieren, wie strategisches Denken über die Teamkollegen zu einer effektiven Aufgabenverteilung führte.

Erkenntnisse zur Teamfähigkeit von Sprachmodellen

Die Studie offenbarte auch signifikante Unterschiede in der Teamfähigkeit verschiedener Sprachmodelle. GPT-4.1-Agenten entwickelten durchweg effektive Teamstrategien, während kleinere Modelle wie Llama-3.1-8B Schwierigkeiten hatten. Nur etwa eines von zehn Llama-Teams konnte die Aufgabe erfolgreich lösen. Kleinere Modelle schafften es zwar manchmal, sich zu koordinieren, zeigten jedoch selten eine echte Arbeitsteilung. Dies unterstreicht die Bedeutung strategischen Denkens über Teammitglieder für eine starke KI-Zusammenarbeit.

Die Ergebnisse Riedls stehen im Gegensatz zu jüngsten Empfehlungen von Nvidia-Forschern, die den Einsatz vieler kleiner Modelle zur Ressourceneinsparung befürworten. In Riedls Forschung übertrafen größere Modelle bei teambasierten Aufgaben konsistent kleinere Modelle.

Die Rolle des Prompt Engineerings

Die Studie hebt zudem den Wert des Prompt Engineerings hervor. Die Zuweisung unterschiedlicher Persönlichkeiten an Agenten und die Aufforderung, die Aktionen der anderen zu berücksichtigen, führte zu einer deutlich besseren Teamarbeit. Dies deutet darauf hin, dass die Art und Weise, wie Anweisungen formuliert werden, entscheidend für die Leistungsfähigkeit von Multi-Agenten-Systemen ist.

Herausforderungen und Ausblick

Mit der Verfügbarkeit von Tools wie OpenAI's AgentKit wird die Zusammenarbeit von Multi-Agenten-Systemen zugänglicher. Das vorgestellte Framework könnte Teams dabei unterstützen, effektivere KI-Systeme zu entwickeln. Die praktische Anwendung bleibt jedoch vorerst eine Herausforderung.

Multi-Agenten-Systeme sind keine Allzwecklösung, sondern eine technische Antwort auf spezifische Problemtypen. Der Erfolg hängt davon ab, ob sie strategisch und basierend auf klaren Geschäftsanforderungen implementiert werden. Es geht nicht darum, das komplexeste System zu bauen, sondern dasjenige, das die spezifischen Probleme am effektivsten löst.

Die Entscheidung für oder gegen ein Multi-Agenten-System sollte stets von den spezifischen Problemanforderungen ausgehen. Es ist ratsam, zunächst mit einem gut konzipierten Einzelagenten zu beginnen und erst bei dessen Leistungsgrenzen über eine Skalierung zu Multi-Agenten-Ansätzen nachzudenken. Die Komplexität eines überdimensionierten Multi-Agenten-Systems lässt sich nur schwer wieder reduzieren.

Schlussfolgerung

Das neue informations-theoretische Framework von Christoph Riedl stellt einen wichtigen Fortschritt im Verständnis und der Gestaltung von Multi-Agenten-KI-Systemen dar. Es bietet Entwicklern die Möglichkeit, die Qualität der Zusammenarbeit von KI-Agenten präzise zu bewerten und gezielt zu verbessern. Die Erkenntnisse aus dieser Forschung werden entscheidend sein, um die nächste Generation von KI-Systemen zu entwickeln, die komplexe Aufgaben durch echte Teamarbeit meistern.

Bibliographie

• Kemper, J. (2025). A new information-theory framework reveals when multi-agent AI systems truly work as a team. The Decoder.
• Aya Data. Multi-Agent AI Systems: When One Agent Isn't Enough (And When It Is).
• Buehler, M. J. (2024). Multi-Agent AI Enables Emergent Cognition and Real-Time Science. LinkedIn.
• Riedl, C. (2025). Measuring Real Teamwork in Multi-Agent AI Systems with Information Theory. arXiv preprint arXiv:2510.05174.