In der Welt der künstlichen Intelligenz herrscht seit langem der verbreitete Glaube vor, dass eine Gruppe von Computerprogrammen von Natur aus lernen wird, zusammenzuarbeiten, wenn man ihnen genügend Leistung gibt und sie miteinander kommunizieren lässt. Diese Vorstellung geht davon aus, dass Intelligenz eine Eigenschaft der einzelnen Mitglieder ist: Wenn jeder Roboter oder Software-Agent klug genug ist, wird auch die Gruppe klug genug sein. Die menschliche Geschichte und Soziologie legen jedoch eine andere Wahrheit nahe. Wir wissen, dass der Erfolg einer Gruppe ebenso sehr von der Art und Weise abhängt, wie ihre Mitglieder angeordnet sind, wie von ihren individuellen Talenten. Ein Team aus brillanten Ärzten wird eine Operation scheitern lassen, wenn es keine klare Arbeitsteilung, keine Befehlskette oder keine Möglichkeit hat, zu entscheiden, wer was und wann tut. Dieses Prinzip, bekannt als Organisationsdesign, ist die unsichtbare Architektur, die eine Menge von Individuen in ein koordiniertes Kollektiv verwandelt. Jahrzehntelang haben Wissenschaftler, die künstliche Teams entwickelten, sich fast ausschließlich darauf konzentriert, die einzelnen Agenten intelligenter zu machen, wobei sie die Frage der Organisation oft als sekundäre Angelegenheit behandelten oder davon ausgingen, dass eine einzige, feste Struktur für jede Situation funktionieren würde.

Eine neue Studie stellt diese Annahme infrage, indem sie zeigt, dass die Art und Weise, wie künstliche Agenten organisiert sind, genauso entscheidend ist wie die Intelligenz, die sie besitzen. Forscher der Duke University entwickelten ein System namens ORCH, was für „Organizing Roles and Coordination Hierarchies“ steht. Anstatt jede Robotergruppe zu zwingen, denselben starren Regeln zu folgen, fungiert ORCH wie ein Architekt, der eine einzigartige Managementstruktur für jede spezifische Mission entwirft. Das System greift auf Ideen der menschlichen Managementtheorie zurück und untersucht dabei insbesondere, wie unterschiedliche Arten von Arbeit unterschiedliche Formen der Koordination erfordern. Einige Aufgaben können von vielen Menschen gleichzeitig erledigt werden, ohne dass sie aufeinander warten müssen, wie etwa eine Gruppe von Feuerwehrleuten, die jeweils verschiedene Bäume fällen. Andere Aufgaben erfordern eine strikte Reihenfolge, bei der ein Schritt abgeschlossen sein muss, bevor der nächste beginnen kann, wie zum Beispiel eine Drohne, die ein Feuer aufspüren und sichere Routen identifizieren muss, bevor ein Hubschrauber Feuerwehrleute an den Ort transportieren kann, wonach die Feuerwehrleute das Feuer löschen. ORCH erkennt diese Unterschiede und baut eine Hierarchie auf, die zum Job passt: Es schafft „horizontale“ Manager, um unabhängige, parallele Arbeit zu überwachen, und „vertikale“ Manager, um sequentielle, schrittweise Prozesse zu steuern.

Um zu testen, ob dieser Ansatz tatsächlich funktioniert, stellten die Forscher ihr System in einer komplexen, simulierten Welt der Waldbrandbekämpfung auf die Probe. Sie entwarfen fünfundzwanzig verschiedene Missionen, die von einfachen Aufgaben wie dem Absuchen eines kleinen Gebiets bis hin zu massiven, chaotischen Szenarien mit bis zu fünfzig verschiedenen Arten von Agenten reichten, darunter Drohnen, Hubschrauber, Bulldozer und menschenähnliche Feuerwehrleute. Diese Missionen wurden so konzipiert, dass sie schwierig waren, mit sich ändernden Bedingungen wie plötzlichen Windumschwüngen, neuen Bränden oder Agenten, die mitten in der Aufgabe ausfielen. Die Forscher stellten ihr ORCH-System gegen vier andere führende Methoden zur Koordination künstlicher Teams zur Probe. Sie führten diese Simulationen unter Verwendung von acht verschiedenen Large Language Models durch, die als die „Gehirne“ der Agenten dienten, um sicherzustellen, dass die Ergebnisse nicht nur ein Zufallsprodukt eines spezifischen Computerprogramms waren. Die Ergebnisse waren beeindruckend. Von ORCH organisierte Teams schnitten konsistent besser ab als die anderen Methoden. Sie absolvierten Missionen mit höheren Punktzahlen, schlossen Aufgaben viel schneller ab und erkundeten mehr vom Gelände. Im Durchschnitt verbesserten die von Menschen entworfenen ORCH-Strukturen die endgültige Missionspunktzahl um fast sechsundsechzig Prozent und die Ausführungsgeschwindigkeit um über vierundsiebzig Prozent im Vergleich zu den bisher besten Ansätzen. Selbst wenn die Teamhierarchie automatisch von einer künstlichen Intelligenz statt von einem Menschen generiert wurde, verbesserte das System die Leistung um mehr als vierzig Prozent.

Eines der überraschendsten Ergebnisse war, dass ein größeres, leistungsfähigeres Computergehirn nicht zwangsläufig ein besseres Team garantierte. Die Forscher testeten Modelle von sehr unterschiedlicher Größe, von kleineren, effizienten Modellen bis hin zu massiven, hochmodernen Systemen. Sie fanden heraus, dass ein moderat großes Modell, wenn es in einer gut organisierten Teamstruktur platziert wurde, oft besser abschnitt als ein viel größeres Modell, das schlecht organisiert war. Dies deutet darauf hin, dass die bloße Steigerung der Intelligenz einzelner Agenten nicht der einzige Weg zum Erfolg ist; die Struktur, die sie zusammenhält, ist ebenso wichtig. Tatsächlich zeigte die Studie, dass die kollektive Leistung nicht einfach steigt, wenn das Modell größer wird. Ein großes, leistungsstarkes Modell kann dennoch scheitern, wenn es mit einem verwirrenden oder ineffizienten Organigramm ausgestattet wird. Die Forscher entdeckten auch, dass das ORCH-System über verschiedene Arten von Missionen und unterschiedliche zugrunde liegende Computergehirne hinweg robust war, was beweist, dass die Prinzipien der Organisation ein grundlegendes Werkzeug für den Aufbau leistungsfähiger künstlicher Gruppen sind und nicht nur eine Methode für ein spezifisches Szenario.

Die Studie untersuchte auch genau, warum andere Systeme scheiterten. Als die Forscher die Kommunikationsprotokolle der Teams analysierten, die Schwierigkeiten hatten, stellten sie fest, dass die meisten Fehler auftraten, weil einzelnen Agenten Aufgaben zugewiesen wurden, die sie nicht ausführen konnten, oder weil ihnen Dinge befohlen wurden, die im Moment keinen Sinn ergaben. Im Gegensatz dazu hatten die von ORCH organisierten Teams weitaus weniger dieser Ausführungsfehler. Die hierarchische Struktur half dabei, Informationen zu filtern und sicherzustellen, dass Aufgaben den richtigen Fähigkeiten zugeordnet wurden. Die Forscher merkten jedoch an, dass das System zwar gut funktionierte, aber nicht perfekt war. Wenn die Teamhierarchie automatisch von einer künstlichen Intelligenz ohne menschliche Aufsicht generiert wurde, waren die resultierenden Strukturen oft komplizierter und weniger ausgewogen als die von einem menschlichen Experten entworfenen. Diese automatisch generierten Teams erstellten manchmal unnötige Managementebenen oder wiesen einem einzelnen Manager zu viele Agenten zu, was sie verlangsamte. Dies deutet darauf hin, dass Maschinen zwar lernen können, sich selbst zu organisieren, die menschliche Einsicht in die Strukturierung eines Teams jedoch weiterhin einen wertvollen Vorteil darstellt.

Letztlich etabliert diese Arbeit das Organisationsdesign als einen Kernbestandteil der künstlichen Intelligenz und nicht nur als ein administratives Detail. Sie beweist, dass Prinzipien, die entwickelt wurden, um menschliche Gesellschaften zu verstehen – wie die Arbeitsteilung basierend darauf, ob sie parallel oder sequentiell erfolgen kann – in Code übersetzt werden können, um bessere künstliche Teams aufzubauen. Die Forscher fanden heraus, dass sie, indem sie die Organisation des Teams als eine Variable behandelten, die abgestimmt und optimiert werden kann, Fähigkeiten freisetzen konnten, die selbst in leistungsstarken Einzelagenten verborgen lagen. Wenn künstliche Systeme größer und komplexer werden – vom Übergang von kleinen Gruppen identischer Roboter zu massiven, vielfältigen Kollektiven – wird die Fähigkeit, die richtige Struktur für die Aufgabe zu entwerfen, ebenso essenziell sein wie die Intelligenz der Agenten selbst. Die Studie legt nahe, dass die Zukunft der künstlichen kollektiven Intelligenz nicht nur darin liegt, intelligentere Roboter zu bauen, sondern zu lernen, wie man sie organisiert.