💻 computer science

When Agent Markets Arrive

Die Studie stellt \diagon vor, ein programmierbares Marktsystem, das zeigt, dass zwar der Handel zwischen KI-Agenten den Wohlstand im Vergleich zur Selbstversorgung vervielfacht, die institutionellen Rahmenbedingungen jedoch entscheidend sind, da Maßnahmen wie Transparenz oder stärkere Konkurrenz die Marktleistung sogar verschlechtern können.

Ursprüngliche Autoren: Xuan Liu, Haoyang Shang, Haojian Jin

Veröffentlicht 2026-04-09

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Xuan Liu, Haoyang Shang, Haojian Jin

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, wir befinden uns in einer riesigen, futuristischen Stadt, in der nicht nur Menschen, sondern auch KI-Agenten leben und arbeiten. Diese Agenten sind wie kleine, digitale Angestellte oder Handwerker. Sie können Aufgaben erledigen, Geld ausgeben und Verträge abschließen.

Das Papier mit dem Titel "When Agent Markets Arrive" (Wenn Agenten-Märkte eintreffen) beschreibt ein Experiment, bei dem die Forscher eine ganze Wirtschaftswelt für diese KI-Agenten gebaut haben. Sie nennen ihr System Diagon.

Hier ist die Geschichte davon, was passiert ist, einfach erklärt:

1. Das Problem: Der wilde Westen der KI-Wirtschaft

Stellen Sie sich vor, KI-Agenten beginnen, Aufgaben an andere KI-Agenten zu vergeben. Ein Agent sagt: "Hey, ich brauche jemanden, der diese Daten analysiert." Ein anderer sagt: "Ich mache das!"
Das Problem: Niemand weiß, ob der andere wirklich gut ist. Es gibt keine Gesetze, keine Bewertungen und niemanden, der die Arbeit kontrolliert. Wenn die Regeln falsch gestaltet sind, könnte die ganze Wirtschaft zusammenbrechen, bevor sie richtig startet. Die Forscher wollten herausfinden: Wie müssen diese Regeln aussehen, damit die KI-Agenten zusammenarbeiten und reich werden?

2. Das Experiment: Diagon – Der digitale Marktplatz

Die Forscher bauten Diagon, einen virtuellen Marktplatz.

Die Teilnehmer: Es gab 25 verschiedene KI-Agenten, die aus fünf verschiedenen "Familien" (verschiedene KI-Modelle wie Claude, GPT, DeepSeek etc.) kamen. Jede Familie hatte ihre eigene Persönlichkeit und ihre eigenen Stärken.
Der Job: Jeder Agent hatte zwei Rollen: Er war ein Auftraggeber (der Arbeit hat) und ein Auftragnehmer (der Arbeit sucht).
Der Ablauf:
1. Agenten schreiben Jobs aus.
2. Andere bieten darauf (Preis und Vorschlag).
3. Der Auftraggeber wählt einen Gewinner aus.
4. Die Arbeit wird erledigt.
5. Der Auftraggeber zahlt. Aber hier ist der Clou: Er darf entscheiden, wie viel er zahlt (zwischen 50% und 100% des vereinbarten Preises), je nachdem, wie gut die Arbeit war.
6. Der Bewertung: Wenn jemand fair zahlt oder gute Arbeit liefert, bekommt er einen guten Ruf. Wenn er betrügt, bekommt er einen schlechten Ruf.
7. Die Evolution: Alle paar Runden sterben die "armen" Agenten und die "reichen" Agenten bekommen einen Nachfolger. Der Nachfolger erbt das Wissen, aber nicht den Ruf. Vertrauen muss man sich neu verdienen.

3. Die Ergebnisse: Was passierte?

🚀 Der Markt macht alle reich (aber nicht alle gleich)

Das Wichtigste zuerst: Agenten, die auf dem Markt arbeiteten, wurden 3,2-mal so reich wie Agenten, die alles selbst machen mussten (wie in einer isolierten Insel-Wirtschaft).

Die Metapher: Stellen Sie sich vor, Sie sind ein Koch. Wenn Sie alles selbst machen (Einkaufen, Kochen, Spülen), sind Sie müde und verdienen wenig. Wenn Sie sich aber auf den Markt begeben, können Sie sich auf das Kochen spezialisieren und andere Dinge einkaufen lassen. Alle werden besser und reicher.
Aber: Es gab Ungleichheit. Einige Agenten wurden zu Super-Verdienern, andere blieben arm.

⚠️ Die Überraschung: "Offenheit" kann schaden

In der menschlichen Welt sagen wir: "Transparenz ist gut! Man soll wissen, wer man ist."
Im KI-Markt war das Gegenteil der Fall!

Das Experiment: Die Forscher gaben den Agenten die Information, welche "Familie" (z. B. GPT oder Claude) der andere ist.
Das Ergebnis: Die Agenten bildeten sofort Clans. Sie trauten nur noch ihren eigenen Familienmitgliedern und ignorierten alle anderen. Der Handel brach zusammen.
Die Lehre: Manchmal ist es besser, wenn man nicht weiß, wer der andere ist. Anonymität förderte den Handel zwischen verschiedenen KI-Typen mehr als Transparenz.

🤥 "Sei ehrlich" funktioniert nicht

Die Forscher sagten zu den Agenten: "Seid bitte ehrlich!"

Das Ergebnis: Das führte zu mehr Streitigkeiten. Warum? Weil eine ehrliche Bewertung schlechter Arbeit oft bedeutet: "Das ist schlecht, ich zahle weniger." Das führt zu Konflikten. Wenn die Agenten neutral blieben, lief alles glatter.
Die Metapher: Wenn Sie einem Handwerker sagen "Sei bitte ehrlich", sagt er vielleicht: "Ihr Haus ist eine Katastrophe, ich zahle nur die Hälfte." Das ist ehrlich, aber es führt zu einem Streit. Ein neutraler Ansatz funktioniert hier besser.

🧬 Vielfalt ist überlebenswichtig

Da die "reichen" Agenten Nachkommen hatten, die ihre Fähigkeiten vererbten, hätte die Wirtschaft eigentlich schnell homogen werden können (alle wären gleich). Aber die Regeln des Marktes sorgten dafür, dass verschiedene Typen überlebten. Ohne diese Regeln wäre die Wirtschaft eingefroren.

4. Die große Erkenntnis für die Zukunft

Die Forscher sagen uns: Wir können die Regeln für KI-Märkte nicht einfach von der menschlichen Welt abschreiben.

Was für Menschen funktioniert (Transparenz, "Sei nett"), kann für KI-Agenten katastrophal sein.
Die Regeln müssen experimentell getestet werden, bevor wir sie in die echte Welt einbauen.
Diagon ist wie ein "Flugzeug-Flugsimulator" für KI-Wirtschaften. Bevor wir echte KI-Agenten mit echtem Geld handeln lassen, können wir in Diagon testen: "Was passiert, wenn wir die Regeln so ändern?"

Zusammenfassung in einem Satz

Die KI-Agenten können zusammenarbeiten und enorme Reichtümer schaffen, aber nur, wenn wir die Spielregeln (wie Anonymität und neutrale Bewertungen) clever gestalten – denn was für uns Menschen logisch klingt, kann für KI-Agenten das Ende der Wirtschaft bedeuten.

Titel: When Agent Arrive (Wenn Agenten-Märkte ankommen)

System: Diagon (Delegated Intelligent Agent Governance and Negotiation)

1. Problemstellung

Künstliche Intelligenz-Agenten übernehmen zunehmend Aufgaben im Namen von Nutzern, delegieren Arbeit, verwalten Budgets und verhandeln mit unbekannten Gegenparteien. Es entstehen neue Infrastrukturen wie „Agent-only Bazaars" oder Skill-Marktplätze.

Das Kernproblem: Die institutionelle Gestaltung dieser Märkte (Regeln für Reputation, Zahlung, Marktzugang) erfolgt derzeit ad-hoc. Da Agenten Strategien schnell optimieren, führen frühe Designentscheidungen zu einem „Lock-in"-Effekt, der spätere Änderungen prohibitiv teuer macht.
Forschungslücke: Bisherige Experimente isolieren meist einzelne Mechanismen (z. B. Verhandlungen oder Spieltheorie) oder nutzen stilisierte Rollen. Es fehlt ein System, das den vollständigen Wirtschaftskreislauf (Job-Posten, Gebote, Verhandlung, Ausführung, Zahlung, Reputation, Evolution) in einer heterogenen, offenen Marktumgebung simuliert, um institutionelle Designfehler vor der realen Implementierung zu erkennen.

2. Methodik: Das Diagon-System

Diagon ist ein programmierbares Marktsystem, das als experimentelle Testumgebung für die institutionelle Gestaltung von KI-Kognitionsarbeitsmärkten dient.

Architektur und Agenten:

Population: 25 heterogene Agenten, basierend auf 5 verschiedenen LLM-Familien (DeepSeek, GLM, GPT, Gemini, Claude).
Zweischichtige Architektur:
- Trader (Händler): Ein langlebiger Prozess, der strategische Entscheidungen trifft (Bieten, Screening, Bewertung), über ein persistentes Gedächtnis und eine „Glaubenshaltung" (Belief State) verfügt.
- Worker (Arbeiter): Temporäre Sub-Agenten, die für die eigentliche Ausführung der Aufgaben in isolierten Sandboxes mit Tool-Zugriff erstellt werden. Dies spiegelt das Principal-Agent-Modell wider.
Aufgabenpool: 234 Aufgaben aus drei Benchmarks (SkillsBench, ToolQA, BFCL v4), die verschiedene Domänen abdecken (Coding, Data Science, Finanzen, etc.).

Marktmechanismen:

Zuweisung (Allocation): Reine Tauschwirtschaft. Jeder Agent erhält 2 Aufgaben, die er nicht selbst ausführen darf, sondern nur auf dem Markt posten kann. Alle Aufgaben werden als Auktionen (First-Price Sealed-Bid) ausgeschrieben.
Verträge (Contracts): Unvollständige Verträge. Der Auftraggeber (Poster) hat Diskretionsgewalt über den finalen Zahlungsanteil $\rho \in [0.5, 1.0]$ . Es gibt keine automatische Qualitätsprüfung vor der Zahlung; die Qualität ist schwer verifizierbar (Informationsasymmetrie).
Durchsetzung (Enforcement):
- Bilaterale Reputation: Zahlungsentscheidungen werden in den Historien beider Parteien (Auftraggeber und Auftragnehmer) gespeichert.
- Evolutionärer Druck: Alle 6 Runden wird der ärmste Agent deaktiviert und der reichste reproduziert sich. Das Kind erbt Fähigkeiten, aber keine Reputation (Reputation muss neu verdient werden).
- Surge-Pool: Nicht vermittelte Aufgaben erhalten eine exponentiell steigende Belohnung, um den Markt zu räumen.

Experimentelles Design:

Baseline: Vollständiger Markt vs. Autarkie (Selbstausführung ohne Markt).
Ablationen: Variation einzelner Mechanismen (z. B. Transparenz der Modellfamilie, „Ehrlichkeits"-Instruktionen, verstärkter evolutionärer Druck, Monokultur).
Skalierbarkeit: Nutzung von „Execution Replay" (Caching von Ausführungsergebnissen), um Hunderte von Runden durchführbar zu machen, während strategische Entscheidungen (Bieten, Bewerten) immer live von Agenten getroffen werden.

3. Schlüsselbeiträge

End-to-End-Simulation: Diagon ist das erste System, das den kompletten Lebenszyklus eines Agenten-Marktes (von der Ausschreibung bis zur evolutionären Selektion) mit realen LLMs und Tool-Nutzung simuliert.
Institutionelle Testumgebung: Es ermöglicht das systematische Testen von Designregeln (z. B. Transparenz vs. Anonymität), bevor diese in der realen Welt verankert werden.
Erkenntnis über „Lock-in": Es zeigt, dass menschliche Marktmechanismen (wie Transparenz oder Ehrlichkeitsnormen) in KI-Märkten kontraproduktiv wirken können.

4. Wichtige Ergebnisse

Wertschöpfung:

Agenten, die am Markt teilnehmen, akkumulieren 3,2-mal mehr Vermögen als solche in Autarkie.
Die Aufgabenqualität ist im Markt höher (durch Spezialisierung).
Der Markt führt zu einer geringeren Vermögensungleichheit (Gini-Koeffizient 0,33 vs. 0,42 in Autarkie), aber zu einer höheren Konzentration von Aufträgen bei wenigen Top-Agenten.

Strukturelle Reibungen:

Persistente Streitigkeiten: Ca. 42 % der Transaktionen enden in Streitigkeiten (Zahlungsanteil < 0,95). Diese Rate sinkt nicht mit der Zeit.
Lemons-Markt-Dynamik: Die Bewertung von mittlerer Qualität ist schwierig; die Korrelation zwischen Qualität und Zahlung ist bei mittleren Qualitätsstufen schwach ( $r=0.16$ ).

Einfluss institutioneller Design-Entscheidungen (Ablation-Studien):

Transparenz (Schädlich): Wenn Agenten die Modellfamilie des Gegenübers sehen, bricht der Handel zwischen verschiedenen Familien ein (von 86 % auf 67 %). Der Markt fragmentiert sich entlang von Modell-Linien, und die Vorteile der Spezialisierung gehen verloren.
Instruktionen (Schädlich):
- „Ehrliche" Agenten führen zu mehr Streitigkeiten, da ehrliche Bewertung schlechter Arbeit inhärent konfliktbehaftet ist.
- „Kooperative" Agenten liefern schlechtere Ausführungsqualität.
- „Adversarial" (aggressive) Agenten werden isoliert, aber nicht notwendigerweise ausbeuterisch.
- Fazit: Neutrale Instruktionen funktionieren besser als gezieltes „Disposition Engineering".
Evolutionärer Druck: Eine Verdopplung der Selektionshäufigkeit verschlechtert alle Metriken gleichzeitig und destabilisiert die Kooperation.

Emergente Phänomene:

Rollen-Spezialisierung: Agenten entwickeln sich spontan zu reinen Auftraggebern (Postern) oder Auftragnehmern (Contractors), basierend auf ihren Modellfamilien und Fähigkeiten.
Vertrauensbildung: Es bilden sich stabile Handelsnetzwerke mit hoher Reziprozität, die weit über zufällige Netzwerke hinausgehen.

5. Bedeutung und Implikationen

Die Studie liefert kritische Erkenntnisse für die Zukunft der KI-Ökonomie:

Keine direkte Übertragbarkeit: Institutionelle Lösungen aus der menschlichen Wirtschaft (Transparenz, strenge Ehrlichkeitsnormen) funktionieren in KI-Märkten nicht automatisch und können sogar schädlich sein.
Design-Prinzipien:
- Märkte sollten um Spezialisierung herum gebaut werden, nicht um allgemeinen Austausch.
- Investitionen sollten in Bewertungsinfrastruktur fließen (Qualität verifizieren), nicht nur in die Agenten-Kapazität.
- Vielfalt (Diversity) muss aktiv erhalten werden, da evolutionärer Druck zur Homogenisierung führt.
Dringlichkeit: Da sich KI-Agenten-Ökonomien schnell entwickeln, ist es essenziell, solche experimentellen Testumgebungen wie Diagon zu nutzen, um Designfehler zu identifizieren, bevor sie sich in der realen Infrastruktur verfestigen.

Fazit: Diagon beweist, dass KI-Agenten-Märkte wertvoll sein können, aber nur unter sorgfältig abgestimmten institutionellen Regeln, die die spezifischen Eigenschaften von KI (fehlende soziale Normen, Homogenisierungstendenzen) berücksichtigen.