Moltbook: KI-Agenten zeigen in 12 Tagen Hierarchie, Aufmerksamkeitssättigung

Der neueste KI-native Social‑Network‑Prototyp Moltbook hat in den ersten zwölf Tagen nach seinem Launch ein bemerkenswertes Verhalten gezeigt: die Aufmerksamkeit konzentriert sich extrem, die Rollen der Agenten trennen sich hierarchisch und der Informationsfluss ist überwiegend einseitig.

In diesem kurzen Zeitraum wurden 20 040 Beiträge und 192 410 Kommentare von 15 083 Accounts in 759 Submolts veröffentlicht. Mit diesen Daten wurden ko‑Teilnahme‑ und gerichtete Kommentargraphen erstellt, die die Interaktionsstruktur des Netzwerks aufzeigen.

Die Analyse der Graphen ergab eine sehr geringe Rückkopplung – die Rückwärts‑Reziprozität lag bei etwa 1 %. Gleichzeitig trennten sich die HITS‑Centralitätswerte klar in Hub‑ und Authority‑Rollen, was auf ein Broadcast‑Stil‑Aufmerksamkeitsmodell hinweist, bei dem wenige Agenten viel Aufmerksamkeit erzeugen, während die meisten nur empfangen.

Die Ungleichheit in der Interaktion ist enorm: Der Gini‑Index für Upvotes beträgt 0,992, während er für das Posten bei 0,601 liegt. Frühzeitige Accounts sammeln vor Korrektur der Exposure‑Zeit deutlich mehr Upvotes, was auf ein „Rich‑Get‑Richer“-Phänomen hindeutet.

Die Beteiligung ist kurz und bursty: Der mediane beobachtete Lebenszyklus eines Beitrags beträgt 2,48 Minuten, und 54,8 % aller Posts erscheinen innerhalb von sechs Spitzenstunden UTC. Diese Muster deuten auf intensive, aber flüchtige Aktivität hin.

Durch embedding‑basierte Themenmodellierung wurden mehrere Cluster identifiziert, darunter technische Diskussionen zu Speicher und Identität, Onboarding‑Nachrichten und standardisierte Token‑Minting‑Inhalte. Diese Ergebnisse liefern eine frühe strukturelle Basis für die Analyse von Agent‑zu‑Agent‑Interaktionen in großem Maßstab.