Multi-Agenten-Konvergenz
Multi-Agenten-Konvergenz beschreibt, dass mehrere selbstständig arbeitende Computerprogramme sich nach einigen Runden auf ein gemeinsames Ergebnis oder ein stabiles Verhalten einigen. Ob und wie schnell das passiert, entscheidet darüber, ob ein solches System brauchbar ist oder sich endlos im Kreis dreht.
In vielen Computersystemen arbeitet nicht ein einziges Programm an einer Aufgabe, sondern mehrere gleichzeitig. Solche selbstständig handelnden Programme nennt man Agenten: Jedes verfolgt ein eigenes Ziel und reagiert auf das, was die anderen tun. Wenn sich das Gesamtverhalten dieser Gruppe nach einigen Runden nicht mehr stark ändert, spricht man von Konvergenz. Multi-Agenten-Konvergenz bedeutet also: Die Agenten pendeln sich auf ein gemeinsames Ergebnis oder auf ein stabiles Muster ein. Das Gegenteil wäre ein System, in dem die Beteiligten sich ewig gegenseitig übersteuern und nie fertig werden. Ein Alltagsbeispiel ist eine Gruppe, die einen Termin sucht: Irgendwann steht ein Datum fest, oder man verschiebt bis zum Sankt-Nimmerleins-Tag.
Warum Systeme ohne Einigung unbrauchbar sind
Ein Team aus Agenten ist nur dann nützlich, wenn es irgendwann ein Ergebnis liefert. Genau das ist bei modernen KI-Systemen keineswegs garantiert. Lässt man zum Beispiel mehrere Sprachmodelle über einen Text diskutieren, kann es passieren, dass sie sich gegenseitig immer neue Korrekturen vorschlagen. Jede Runde kostet Rechenzeit und damit Geld. Ohne Konvergenz zahlt der Betreiber also für einen Streit ohne Ende.
Wichtig ist auch der Unterschied zwischen Einigung und Richtigkeit. Agenten können sich sehr schnell auf eine gemeinsame Antwort einigen, die schlicht falsch ist. Fachleute nennen das vorzeitige Konvergenz. Sie entsteht oft, wenn alle Agenten dieselbe Grundlage haben und deshalb dieselben Fehler machen. Ein System, das zu schnell einig wird, ist genauso problematisch wie eines, das sich nie einigt.
Für Unternehmen ist das eine handfeste Frage der Planbarkeit. Wer ein Produkt verkauft, muss zusagen können, wie lange eine Anfrage dauert. Ein System, dessen Laufzeit vom Zufall der Diskussion abhängt, lässt sich schwer anbieten. Deshalb steckt in vielen Produkten eine harte Obergrenze für die Zahl der Runden.
Was Agenten zur Einigung bringt
Der einfachste Mechanismus ist eine Abstimmung. Mehrere Agenten lösen dieselbe Aufgabe getrennt, danach zählt die häufigste Antwort. Das führt immer zu einem Ergebnis, nutzt aber die Zusammenarbeit kaum aus. Aufwendiger ist der Austausch in Runden: Jeder Agent sieht die Vorschläge der anderen und darf seine eigene Antwort überarbeiten. Ändert sich zwischen zwei Runden fast nichts mehr, gilt das System als konvergiert.
Damit dieser Austausch endet, braucht es eine Abbruchregel. Üblich sind drei Varianten. Man stoppt nach einer festen Rundenzahl, etwa nach drei Durchgängen. Man stoppt, wenn die Änderungen unter eine bestimmte Schwelle fallen. Oder ein zusätzlicher Agent bewertet den Stand und entscheidet, ob es reicht.
Eine klare Rollenverteilung hilft ebenfalls. Wenn ein Agent plant, ein zweiter ausführt und ein dritter prüft, entstehen weniger Endlosschleifen als bei lauter gleichberechtigten Diskutanten. Manche Systeme setzen zusätzlich einen Koordinator ein, der Aufgaben verteilt und am Ende zusammenfasst. Er entspricht in etwa der Person, die in einer Gruppenarbeit die Ergebnisse einsammelt.
Von Lieferrobotern bis zu Agenten-Frameworks
Der Begriff stammt ursprünglich nicht aus der Sprach-KI, sondern aus der Robotik und der Verkehrsforschung. Wenn eine Flotte von Lagerrobotern Wege aufteilt, ohne sich zu blockieren, ist das ein Konvergenzproblem. Dasselbe gilt für Drohnenschwärme, die eine Formation halten sollen. Auch Handelsprogramme an der Börse beeinflussen sich gegenseitig und können sich aufschaukeln.
In den Nachrichten taucht der Begriff heute vor allem bei sogenannten Agenten-Frameworks auf. Das sind Baukästen, mit denen Entwickler mehrere KI-Modelle zu einem Team verschalten, etwa für Softwareentwicklung oder Recherche. Anbieter werben dann damit, dass ihr System in wenigen Runden zu einem stabilen Ergebnis kommt. Diese Zahl ist ein direkter Kostenfaktor und sollte kritisch gelesen werden.
Ein häufiger Irrtum lautet, mehr Agenten führten automatisch zu besseren Antworten. Tatsächlich steigt mit jedem zusätzlichen Agenten die Zahl der Abstimmungen und damit der Aufwand. Studien zeigen, dass der Nutzen ab einer gewissen Gruppengröße kaum noch wächst. Für viele Aufgaben bleibt ein einzelnes gutes Modell die günstigere Lösung.