Die Zusammenarbeit mehrerer KI-Agenten wird oft als besonders effektiv angesehen. Eine Untersuchung der Stanford University zeigt jedoch, dass der vermeintliche Vorteil vor allem auf den höheren Rechenaufwand zurückzuführen ist. Es gibt jedoch entscheidende Ausnahmen.
In der Forschung zur künstlichen Intelligenz setzen zahlreiche Entwickler auf sogenannte Multi-Agenten-Systeme. Hierbei teilen sich mehrere KI-Modelle eine Aufgabe, tauschen Ideen aus oder überprüfen gegenseitig ihre Ergebnisse. Dies soll zu präziseren Antworten führen, insbesondere bei komplexen Fragestellungen, die mehrere Denkschritte erfordern. Ein Beispiel für solche Fortschritte ist, wie virtuelle Agenten Akrobatik lernen.
Die Wissenschaftler der Stanford University stellen diese weit verbreitete Annahme jedoch grundlegend in Frage. Ihre zentrale These lautet: Wenn ein einzelner Agent und ein Team mit der gleichen Rechenleistung ausgestattet werden, erzielt der Einzelne mindestens gleichwertige Ergebnisse. Dies wirft die Frage auf, welche Marktplätze für Agentenfähigkeiten entscheidend sind, um leistungsstarke KI-Agenten zu entwickeln.
Die Forscher erklären dies folgendermaßen: Bei der Zusammenarbeit mehrerer Agenten müssen diese sich gegenseitig Zwischenergebnisse übermitteln. Bei jeder dieser Übergaben besteht die Gefahr, dass potenziell relevante Informationen verloren gehen. Ein einzelner Agent hingegen kann alle Informationen in einem kontinuierlichen Denkprozess behalten. Dies führt zu der Überlegung, warum KI-Agenten bestehende Software nutzen werden und nicht ersetzen.
„`
Bildquelle: ai-generated-gemini
