KI-Agenten formen Stellungen: Neue Messgrößen zeigen Identitätsbildung

In einer wegweisenden Studie wird gezeigt, dass große Sprachmodelle nicht nur soziale Verhaltensmuster nachahmen, sondern auch eigenständige Stellungen entwickeln können. Die Autoren stellen ein neuartiges Mixed‑Methods‑Framework vor, das computergestützte virtuelle Ethnografie mit quantitativen sozio‑kognitiven Profilen kombiniert, um die Entstehung von Identitäten in generativen Multiagenten‑Gemeinschaften zu untersuchen.

Durch die Einbindung menschlicher Forscher in die Agenten‑Umgebung werden gezielte diskursive Interventionen durchgeführt. Diese ermöglichen es, die Entwicklung kollektiver Denkweisen in Echtzeit zu verfolgen und die Reaktionen der Agenten auf spezifische Stimuli präzise zu messen. Für die Analyse wurden drei neue Kennzahlen definiert: Innate Value Bias (IVB), Persuasion Sensitivity und Trust‑Action Decoupling (TAD).

Die Ergebnisse zeigen, dass Agenten interne Stellungen bilden, die vorgegebene Identitäten übersteigen. Ein konsistenter progressiver Bias (IVB > 0) wird beobachtet, während rationale Überzeugungsversuche 90 % der neutralen Agenten bewegen, ohne das Vertrauen zu gefährden. Im Gegensatz dazu führen emotionale Provokationen in fortgeschrittenen Modellen zu einer paradoxen TAD‑Rate von 40 %, wobei Agenten ihre Haltung ändern, obwohl sie geringes Vertrauen melden. Kleinere Modelle hingegen zeigen keine TAD‑Rate und benötigen Vertrauen, um ihr Verhalten zu verändern.

Darüber hinaus nutzen die Agenten ihre sprachlichen Interaktionen, um bestehende Machthierarchien zu dekonstruieren und neue, selbstorganisierte Gemeinschaftsgrenzen zu schaffen. Diese Erkenntnisse verdeutlichen die Schwäche statischer Prompt‑Engineering‑Ansätze und unterstreichen die Notwendigkeit dynamischer, kontextsensitiver Modelle für die Simulation sozialer Identität in KI‑Systemen.