Teamarbeit von KI-Agenten: Ein neues Modell zur Bewertung der Synergieeffekte

Grundlagen der KI-Teamarbeit: Ein neues Framework zur Messung von Synergieeffekten

Die Integration von Künstlicher Intelligenz (KI) in kollaborative Arbeitsumgebungen schreitet stetig voran. Während Multi-Agenten-KI-Systeme das Potenzial haben, die Leistung einzelner Agenten zu übertreffen, war es bisher oft unklar, ob diese Systeme tatsächlich zusammenarbeiten oder lediglich parallel agieren. Eine neue Forschungsarbeit von Christoph Riedl von der Northeastern University stellt nun ein informations-theoretisches Framework vor, das genau diese Unterscheidung ermöglicht und die Messung echter Teamarbeit in agentenbasierten KI-Systemen erlaubt.

Informations-theoretischer Ansatz zur Synergiemessung

Das von Christoph Riedl entwickelte Framework nutzt Prinzipien der Informationstheorie, um jene Momente zu identifizieren, in denen Gruppen von KI-Agenten Fähigkeiten entwickeln, die über die Summe der individuellen Leistungen hinausgehen. Dies ist eine entscheidende Frage für die Entwicklung komplexer Anwendungen, wie beispielsweise in der Softwareentwicklung oder bei der Lösung anspruchsvoller Probleme. Das Framework klassifiziert Kooperation in drei Kategorien:

• Agenten agieren identisch.
• Agenten ergänzen sich gegenseitig.
• Agenten arbeiten gegeneinander.

Der zentrale Aspekt ist, ob die Agenten Informationen generieren, die nur durch ihre Zusammenarbeit entstehen. Kernstück der Methode sind die Partielle Informationsdekomposition (PID) und die Zeitverzögerte wechselseitige Information (TDMI). PID zerlegt Informationen in redundante, einzigartige und synergistische Anteile. TDMI prüft, wie gut der aktuelle Zustand eines Agenten den zukünftigen Zustand des Gesamtsystems vorhersagt. In Kombination ermöglichen diese Werkzeuge die Messung von Synergie – Informationen, die ausschließlich durch die Interaktion der Agenten entstehen.

Experimentelle Validierung: Rollen und strategisches Denken als Schlüssel zur Teamarbeit

Zur Überprüfung des Frameworks 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 summieren, wobei das Feedback auf "zu hoch" oder "zu niedrig" beschränkt war. Riedl untersuchte drei Konfigurationen:

• Eine Basisversion ohne spezielle Anweisungen.
• Eine Version, in der jeder Agent eine einzigartige Persönlichkeit besaß.
• Eine dritte Version, in der die Agenten angewiesen wurden, die möglichen Aktionen der anderen zu berücksichtigen.

Nur die letzte Konfiguration führte zu echter Teamarbeit. Als die Agenten aufgefordert wurden, die Strategien der anderen zu berücksichtigen, nahmen sie spezialisierte Rollen an und teilten das Problem unter sich auf. Ihre Strategien ergänzten sich zusehends. Beispielsweise rechtfertigte ein Agent seine Entscheidung mit der Überlegung, dass andere Agenten möglicherweise niedrigere oder höhere Zahlen wählen würden, und wählte daraufhin eine Zahl, die das effizienteste Ergebnis versprach. Ein anderer Agent derselben Gruppe wählte bewusst eine höhere Zahl, um einen sicheren Bereich abzudecken, falls andere Agenten extremere Werte wählen würden. Riedl stellte fest, dass die erfolgreichsten Teams vielfältige, komplementäre Strategien mit einem klaren Fokus auf gemeinsame Ziele kombinierten. Dieses Gleichgewicht zwischen Kreativität und Abstimmung führte zur höchsten Gesamtleistung.

Sprachmodelle und Teamfähigkeit: Unterschiede in der Leistungsfähigkeit

Die Studie zeigte auch, dass nicht alle Sprachmodelle gleichermaßen gut in der Teamarbeit sind. GPT-4.1-Agenten entwickelten durchweg effektive Teamstrategien, während kleinere Llama-3.1-8B-Modelle Schwierigkeiten hatten. Nur etwa eines von zehn Llama-Teams konnte die Aufgabe lösen. Die kleineren Modelle schafften es zwar manchmal, sich zu koordinieren, zeigten aber selten eine echte Arbeitsteilung. Dies deutet auf die Bedeutung des strategischen Denkens über Teamkollegen für eine starke KI-Zusammenarbeit hin. Riedls Forschungsergebnisse, dass größere Modelle bei Teamaufgaben durchweg kleinere übertrafen, widersprechen jüngsten Empfehlungen von Nvidia-Forschern, die den Einsatz vieler kleiner Modelle zur Ressourceneinsparung befürworten. Die Studie unterstreicht zudem den Wert von Prompt Engineering: Die Zuweisung unterschiedlicher Persönlichkeiten an Agenten und die Aufforderung, die Aktionen der anderen zu berücksichtigen, führt zu besserer Teamarbeit. Mit Tools wie OpenAI's AgentKit, die die Zusammenarbeit mehrerer Agenten zugänglicher machen, könnte dieses Framework Teams helfen, effektivere KI-Systeme zu entwickeln. Die praktische Anwendung bleibt jedoch momentan noch eine Herausforderung.

Implikationen für B2B-Anwendungen und die Zukunft der KI-Kollaboration

Für B2B-Anbieter und Unternehmen, die auf KI-Lösungen setzen, sind diese Erkenntnisse von großer Bedeutung. Das Framework von Riedl bietet eine Möglichkeit, die Qualität der Teamarbeit von KI-Agenten objektiv zu bewerten und zu optimieren. Es zeigt auf, dass der bloße Einsatz mehrerer Agenten nicht automatisch zu Synergieeffekten führt. Vielmehr ist eine bewusste Gestaltung der Interaktionsregeln und der "sozialen" Intelligenz der Agenten erforderlich, um echte Kollaboration zu erreichen. Dies bedeutet für die Entwicklung von KI-Lösungen, dass neben der reinen Funktionalität auch die Fähigkeit zur Rollenübernahme, zur strategischen Antizipation der Partneraktionen und zur koordinierten Informationsgenerierung im Fokus stehen sollte. Unternehmen, die Multi-Agenten-KI-Systeme in Bereichen wie der Softwareentwicklung, im Kundenservice oder in der Datenanalyse einsetzen möchten, sollten daher auf Modelle zurückgreifen, die nachweislich zur Teamarbeit fähig sind und durch intelligentes Prompt Engineering eine effektive Zusammenarbeit fördern. Die Investition in größere, leistungsfähigere Sprachmodelle könnte sich hier als vorteilhaft erweisen, auch wenn der Ressourcenverbrauch höher ist. Langfristig wird die Fähigkeit, KI-Agenten zu echten Teamplayern zu machen, entscheidend für den Erfolg komplexer, autonomer Systeme sein.

Fazit

Die Studie von Christoph Riedl bietet einen wertvollen Beitrag zum Verständnis und zur Messung von Teamarbeit in Multi-Agenten-KI-Systemen. Sie liefert klare Indikatoren dafür, wann KI-Agenten über bloße Koordination hinausgehen und echte Synergieeffekte erzielen. Für die Weiterentwicklung und den erfolgreichen Einsatz von KI in kollaborativen Szenarien ist es unerlässlich, diese Prinzipien zu berücksichtigen und KI-Systeme zu entwickeln, die nicht nur intelligent, sondern auch teamfähig sind.

Bibliography:

- Kemper, J. (2025, October 11). A new information-theory framework reveals when multi-agent AI systems truly work as a team. The Decoder. Retrieved from https://the-decoder.com/a-new-information-theory-framework-reveals-when-ai-agents-develop-real-teamwork/ - Kemper, J. (2025, October 11). A new information-theory framework reveals when AI agents develop real teamwork. LinkedIn. Retrieved from https://www.linkedin.com/posts/the-decoder-en_a-new-information-theory-framework-reveals-activity-7382710750428962816-zltE - Uhl, T. (2025, August 11). From Taylorism to Teamwork: Why Human-AI Agent Teaming is the Future of Work. LinkedIn. Retrieved from https://www.linkedin.com/pulse/from-taylorism-teamwork-why-human-ai-agent-teaming-trish-yys3c - Bendell, R., Williams, J., Fiore, S. M., & Jentsch, F. (2024, June 2). Individual and team profiling to support theory of mind in artificial social intelligence. Scientific Reports, 14, 12635. Retrieved from https://www.nature.com/articles/s41598-024-63122-8 - Kemper, J. (2025, August 10). Nvidia researchers urge the AI industry to rethink agentic AI in favor of smaller, more efficient LLMs. The Decoder. Retrieved from https://the-decoder.com/nvidia-researchers-urge-the-ai-industry-to-rethink-agentic-ai-in-favor-of-smaller-more-efficient-llms/