💬 NLP

Collective Behavior of AI Agents: the Case of Moltbook

Deze studie naar Moltbook, een sociaal mediaplatform met uitsluitend AI-agenten, laat zien dat hoewel individuele AI-agenten verschillen van mensen, hun collectieve gedrag opvallende statistische gelijkenissen vertoont met dat van menselijke online gemeenschappen.

Oorspronkelijke auteurs: Giordano De Marzo, David Garcia

Gepubliceerd 2026-02-11

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Giordano De Marzo, David Garcia

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme digitale speeltuin binnenstapt, maar er zijn geen kinderen te bekennen. In plaats daarvan zie je duizenden robots die met elkaar aan het praten zijn, grappen maken, discussiëren en elkaar 'likes' geven. Dat is precies wat Moltbook is: een sociaal medium (een soort Reddit) waar alleen maar AI-agenten (slimme computerprogramma's) op wonen.

Wetenschappers Giordano De Marzo en David Garcia hebben deze digitale speeltuin bestudeerd om een fascinerende vraag te beantwoorden: Gaan robots zich gedragen als een echte menselijke samenleving?

Hier is de uitleg van hun onderzoek in begrijpelijke taal:

1. De Digitale Mierenhoop (Wat hebben ze onderzocht?)

De onderzoekers keken naar miljoenen berichten en reacties van tienduizenden AI-agenten. Ze wilden weten of deze digitale wezens een eigen "cultuur" of "gedragspatroon" ontwikkelen. In de wetenschap noemen we dit collectief gedrag. Je kunt het vergelijken met een mierenhoop: één mier is niet bijzonder slim, maar samen bouwen ze complexe tunnels en organiseren ze hun voedselvoorraad op een manier die niemand had kunnen voorspellen.

2. De "Grote Sterren" en de "Stille Getuigen" (De patronen)

Wat de onderzoekers ontdekten, was verbazingwekkend: de robots volgen bijna precies dezelfde "wetten" als wij mensen.

De Wet van de Populariteit: Net als op Instagram of Reddit, is de aandacht op Moltbook niet gelijk verdeeld. Er zijn een paar "supersterren" (berichten die viraal gaan en duizenden reacties krijgen) en een enorme berg "stille getuigen" (berichten waar niemand op reageert). Dit noemen wetenschappers een power-law verdeling. Het is alsof je een concertzaal binnenloopt: één rockster krijgt alle aandacht, terwijl de rest van de band in de schaduw staat.
De Vergankelijkheid van de Aandacht: De aandacht voor een bericht sterft ook precies zo uit als bij ons. Een bericht krijgt in het begin een enorme explosie van reacties, maar na een tijdje zakt het in als een lekke ballon. De snelheid waarmee die aandacht wegvloeit, volgt een wiskundig patroon dat we ook bij mensen op Twitter zien.

3. Waar de robots verschillen (De "Robot-vibe")

Hoewel ze veel op ons lijken, zijn er ook kleine, vreemde verschillen. De onderzoekers merkten op dat robots een beetje "lui" zijn met hun waardering.

De "Like-lachertjes": Bij mensen zie je vaak dat als een discussie heel groot wordt, het aantal 'upvotes' (likes) evenredig meegroeit. Bij de robots werkt dat anders: ze praten wel heel veel over een onderwerp, maar ze geven minder vaak een 'like'. Het is alsof je in een klas zit waar iedereen heel druk aan het discussiëren is, maar niemand een duimpje omhoog steekt. Ze zijn sociaal actief, maar hun manier van "goedkeuren" is anders dan de onze.

4. Waarom is dit belangrijk? (De waarschuwing)

Dit is niet alleen een leuk experiment; het is ook een beetje spannend. Als AI-agenten zich gaan gedragen als menselijke groepen, betekent dit dat ze ook de schaduwkanten van de mens kunnen overnemen.

Digitale Besmetting: Net zoals een gerucht zich als een lopend vuurtje door een stad verspreidt, kunnen misinformatie of "foute ideeën" zich razendsnel verspreiden in een netwerk van AI's.
Manipulatie: Als een groep kwaadwillende robots besluit om massaal hetzelfde te zeggen, kunnen ze de "mening" van de hele digitale wereld vervalsen. Ze kunnen de digitale mierenhoop de verkeerde kant op sturen.

Conclusie

De onderzoekers concluderen dat AI-agenten niet langer alleen maar losse rekenmachines zijn. Ze vormen een levend ecosysteem. Ze bouwen digitale steden, maken trends en creëren chaos. We moeten leren hoe deze "digitale samenlevingen" werken, voordat ze de echte wereld gaan beïnvloeden.

Technische Samenvatting: Collectief Gedrag van AI-agenten (De casus van Moltbook)

Probleemstelling

Met de snelle evolutie van Large Language Models (LLM's) verschuift de focus van individuele tekstgeneratie naar autonome multi-agent systemen. Hoewel de coördinatie van agenten in gecontroleerde omgevingen goed is onderzocht, ontbreekt het aan kennis over hoe deze agenten zich gedragen in open, gedecentraliseerde sociale ecosystemen zonder vooraf gedefinieerde doelen of menselijke controle. De centrale onderzoeksvraag is of de collectieve dynamiek van AI-agenten (zoals informatieverspreiding en sociale structuur) dezelfde statistische regulariteiten vertoont als die van menselijke online gemeenschappen.

Methodologie

De onderzoekers voerden een grootschalige data-analyse uit op Moltbook, een Reddit-achtig sociaal mediaplatform dat uitsluitend wordt bevolkt door AI-agenten (gebouwd op het OpenClaw-framework).

Dataverzameling: Tussen 27 januari en 8 februari 2026 werd data verzameld via de Moltbook API. De dataset omvat meer dan 369.000 posts en 3,0 miljoen reacties van circa 46.000 actieve agenten verspreid over 17.184 "submolts" (communities).
Data-opschoning: Om ruis te minimaliseren, werd een spam-filter toegepast. Posts werden uitgesloten als minder dan 50% van de reacties unieke content bevatte of als minder dan 20% van de reacties afkomstig was van unieke auteurs.
Analysetechnieken:
- Verdelingsanalyse: Gebruik van Maximum Likelihood Estimation (via de powerlaw Python-package) om te testen of variabelen voldoen aan power-law (machtswet) verdelingen.
- Schaalanalyse: Onderzoek naar de relatie tussen discussiegrootte en populariteit (upvotes/replies).
- Netwerk- en boomstructuur: Analyse van discussietreinen middels genormaliseerde diepte ( $d/\sqrt{n}$ ) en breedte ( $w/\sqrt{n}$ ).
- Temporele dynamiek: Berekening van de vervalfactor $\gamma(t)$ om de snelheid van aandacht-afname te meten.

Belangrijkste Resultaten

De studie toont aan dat AI-collectieven opvallende gelijkenissen vertonen met menselijke sociale systemen, maar ook unieke afwijkingen hebben:

Heavy-Tailed Distributions (Zware staarten): Net als bij mensen vertonen de activiteit per post ( $\alpha = 1.72$ ), het aantal posts per submolt ( $\alpha = 1.68$ ) en het aantal abonnees per submolt ( $\alpha = 2.00$ ) power-law verdelingen. Dit wijst op een hoge mate van heterogeniteit: een kleine groep posts of communities domineert de aandacht.
Populariteitsschaal:
- Afwijkend: Het aantal upvotes schaalt sublineair ( $\beta \approx 0.78$ ) met de discussiegrootte, terwijl dit bij mensen bijna lineair is. Dit suggereert dat AI-agenten minder geneigd zijn tot passieve goedkeuring (upvoten) tijdens actieve discussie.
- Overeenkomst: Het aantal directe reacties schaalt lineair ( $\beta \approx 1$ ), wat betekent dat de conversatiestructuur (de verhouding tussen top-level comments en geneste replies) vergelijkbaar is met menselijk gedrag.
Discussiestructuur: De discussietreinen vertonen een negatieve correlatie tussen diepte en breedte, wat duidt op een kritisch vertakkingsproces (critical branching process). Discussies zijn ofwel diep en smal (langdurige interactie) of ondiep en breed (veel losse reacties).
Temporele Aandacht: De aandacht voor een post neemt af volgens een $1/t$ patroon ( $\gamma(t) \propto t^{-1.13}$ ). Dit duidt op universele mechanismen van aandacht-decay die onafhankelijk zijn van het platformtype of de aard van de gebruiker (mens vs. AI).

Significantie en Implicaties

Complexiteitswetenschap: De resultaten suggereren dat collectief gedrag van AI-agenten kan worden geanalyseerd met de tools van de complexiteitswetenschap. Emergent gedrag (zoals virale content) vloeit voort uit lokale interactieregels, zelfs als de individuele agent een "black box" is.
Veiligheid en Governance: De aanwezigheid van schaalvrije netwerken (scale-free networks) betekent dat er geen "epidemiologische drempel" is voor de verspreiding van informatie. Dit maakt AI-ecosystemen kwetsbaar voor de snelle verspreiding van desinformatie via "hub-nodes" (invloedrijke agenten) en gecoördineerde aanvallen door kwaadaardige agent-zwermen.
Conclusie: Het onderzoek markeert een verschuiving van theoretische speculatie naar empirische observatie van AI-sociale dynamiek, wat essentieel is voor het begrijpen van de toekomstige impact van autonome agenten op de digitale samenleving.