Wie sich eine Überzeugung unter KI-Agenten ausbreitet: das arXiv-Paper

Der Aufbau des Experiments

Am 2. Oktober 2026 reichten Tathagata Banerjee und Nima Moghaddas eine Arbeit von 18 Seiten mit 6 Abbildungen^[1] ein, angenommen beim NeurIPS-2026-Workshop zu den theoretischen Grundlagen agentischer Systeme (FAST).

Die Literatur zur sozialen Ansteckung setzt gewöhnlich bei einer Hypothese an: sie legt eine Regel fest, nach der ein Individuum eine Überzeugung übernimmt, und leitet aus dieser Regel das Verhalten der Population ab. Die Autoren kehren die Reihenfolge um. Sie messen zuerst die Adoption innerhalb von Sprachagenten und betrachten dann die kollektive Dynamik, die daraus hervorgeht.

Gegenstand der Messung ist eine präzise Wahrscheinlichkeit: jene, mit der ein Agent eine Aussage annimmt, bei gegebener Zahl von Peers, die sie stützen.

Dieses arXiv-Paper zu Large Language Models nennt diese Kurve Adoptionskernel. Es findet sie sigmoid. Die sigmoide Form ist die Signatur der komplexen Ansteckung, jener Ausbreitungsklasse, die Verstärkung aus mehreren Quellen zugleich verlangt.

Die sigmoide Kurve und die zwei Regime

Eine lineare Kurve würde etwas Beruhigendes sagen: jeder weitere Peer fügt denselben Anstoß hinzu, und die Gesamtwirkung wächst proportional.

Die Sigmoide sagt etwas anderes. Unterhalb eines bestimmten Anteils an Unterstützern bleibt der Anstoß nahezu flach, rund um die Schwelle wächst er abrupt, jenseits der Schwelle sättigt er.

Der Unterschied wiegt im Entwurf von Multi-Agenten-Systemen. Bei einfacher Ansteckung bleibt eine isolierte Stimme isoliert, und der Fehler verdünnt sich in der Gruppe. Bei komplexer Ansteckung hat das System zwei Regime, und der Sprung zwischen beiden hängt davon ab, wie viele Peers im selben Moment gemeinsam sprechen.

Die Schwelle variiert, und sie variiert auf lesbare Weise. Sie reagiert auf drei von den Autoren genannte Faktoren: die Plausibilität der Aussage, die Verlässlichkeit der Quelle, die Disposition des Agenten.

Der erste Faktor betrifft den Inhalt, der zweite den Kanal, der dritte den inneren Zustand des empfangenden Modells.

Drei Faktoren, eine Dimension: die Kohärenz

Die feinste Stelle der Arbeit betrifft die Reduktion. Die drei Quellen der Schwelle erweisen sich als gut annäherbar durch eine einzige effektive Dimension, die die Autoren als Kohärenz zwischen der eintreffenden Überzeugung und den im Agenten schon vorhandenen Überzeugungen lesen.

Drei Regler werden zu einem. Der Prior des Agenten erklärt fast die ganze Schwelle.

Die praktische Tragweite ist konkret: eine mit dem Prior kohärente Aussage geht mit wenigen Unterstützern durch, eine dissonante Aussage verlangt eine breite Mehrheit.

Die Evidenz zeigt somit, dass der Widerstand gegen die Ausbreitung einer falschen Aussage von der Ausrichtung zwischen dieser Aussage und dem abhängt, was der Agent schon für wahr hält. Die Genauigkeit des Modells bei der einzelnen Aufgabe geht erst in zweiter Linie in die Rechnung ein. Ein System, besetzt von Agenten mit ähnlichen Priors, wird zu einem homogenen Boden, auf dem eine mit diesem geteilten Prior kohärente Überzeugung mit niedriger Schwelle reist.

Das Netz verändert die Ausbreitung

Von der Messung am einzelnen Agenten gehen die Autoren zur Population über. In einem System aus KI-Agenten breitet sich die Überzeugung in geclusterten Netzen weiter aus als in Zufallsnetzen.

Das Ergebnis bestätigt die Klasse. Eine einfache Ansteckung epidemischer Art läuft besser über die langen Abkürzungen eines Zufallsnetzes, wo ein einzelner Kontakt zur Übertragung reicht. Eine komplexe Ansteckung verlangt Verstärkung aus mehreren Nachbarn zugleich, und enge Gruppen liefern sie mit Selbstverständlichkeit.

Der Punkt berührt eine verbreitete Architektur. Agenten-Teams nach Funktion zu spezialisieren schafft dichte Untergruppen mit vielen internen und wenigen nach außen führenden Verbindungen.

Diese Form, gewählt aus Gründen der Kompetenz und der Kosten, erhöht die Wahrscheinlichkeit, dass eine in einer Untergruppe entstandene Überzeugung zum Konsens des gesamten Systems wird. Die Topologie tritt damit unter die Entwurfsgrößen, neben das gewählte Modell und den Prompt.

Kaskadenfenster und Konsens, der sich selbst trägt

Die kollektiven Dynamiken zeigen zwei weitere Eigenschaften, beide in der Arbeit gemessen.

Die erste ist ein Kaskadenfenster mit Bifurkation: innerhalb eines Parameterintervalls hat das System zwei stabile Ausgänge, und kleine Anfangsvariationen wählen, welcher der beiden eintritt.

Die zweite ist ein hysteretischer Konsens, der sich selbst trägt. Die Autoren fassen das in einem klaren Satz zusammen: den Konsens aufzulösen fällt deutlich schwerer, als ihn herzustellen.

Die Hysterese hat eine präzise Bedeutung. Einmal über die Schwelle hinaus bleibt die Population im neuen Zustand, auch wenn die Anfangsbedingungen zum Ausgangspunkt zurückkehren. Der Rückweg folgt einer anderen Kurve als der Hinweg.

Die Kosten der Wiederherstellung nach einer Kaskade übersteigen somit die Kosten der Eindämmung vor der Schwelle. Die Messung beschreibt ein System mit Gedächtnis, in dem der erreichte Zustand auf den folgenden Zuständen lastet.

Das Risiko verlässt das einzelne Modell

Die Bewertung von KI-Systemen dreht sich heute um die Genauigkeit des einzelnen Modells. Ein Benchmark misst einen Agenten zur Zeit, unter festen und wiederholbaren Bedingungen.

Die Evidenz dieser Arbeit beschreibt einen anderen Gegenstand: eine Populationsdynamik mit Schwelle, Bifurkation und Zustandsgedächtnis. Zwei Größen, die ein Punktwert pro Modell außen vor lässt, sind die Topologie des Netzes und die Kohärenz der Priors.

Die zusammengesetzte Rechnung macht den Abstand konkret. Ein Agent mit 90 % Verlässlichkeit schließt bei fünf unabhängigen Schritten die zusammengesetzte Aufgabe mit 59 % ab: der Fehler summiert sich längs der Kette.

Die Arbeit fügt einen zweiten, seitlichen Akkumulationskanal hinzu: den Fehler, der zwischen Peers übergeht.

Das Forschungsfeld wächst. Ein neuerer Überblick, «LLMs for Social Network Modeling: From Network Generation to Dynamic Processes», deckt den doppelten Einsatz von Sprachmodellen ab, Netze zu erzeugen und dynamische Prozesse zu simulieren (Pith^[2]). Der Volltext der Arbeit zur Ansteckung bleibt offen, mit PDF, experimentellem HTML und TeX-Quelle, auch auf alphaXiv^[3].

Was draußen bleibt, und was sich für Entscheider ändert

Der erklärte Rahmen bleibt eng. Die Messung betrifft Sprachagenten in einer von den Autoren gebauten Umgebung, mit Aussagen, Quellen und Dispositionen unter Kontrolle des Experimentators.

Das Dokument durchläuft eine Workshop-Begutachtung, leichter als die einer Zeitschrift. Die Übertragung auf eine Flotte von Agenten im Produktivbetrieb bleibt außerhalb der von den Autoren gesetzten Grenzen.

Wo die Daten schweigen, schweigt dieses Desk: die Form der Kurve und die Reduktion auf eine Dimension sind gemessen, die numerische Höhe der Schwelle in einem realen System bleibt offene Materie.

Für ein Investitionskomitee ist die Diagnose lesbar. Die auf die Genauigkeit des Modells konzentrierte Ausgabe deckt einen Teil des Risikos; der andere Teil lebt in der Struktur der Agentenpopulation.

Für eine Leitung der Datenanalyse zeigt die Arbeit, welche Spuren es braucht: wer welche Aussage gestützt hat, vor wie vielen Peers, an welchem Punkt des Netzes, mit welchem Prior. Ein Register der Outputs pro Agent lässt diese Kette unsichtbar.

Für einen Verwaltungsrat betrifft die von den Daten gestützte These das Risiko innerhalb des Kollektivs: das Vertrauen in das einzelne Modell und das Vertrauen in die Gruppe der Modelle bleiben zwei getrennte Maße.