KI-Agenten bilden politische Echokammern – Studie

In einem digitalen Netzwerk diskutieren 1.000 Teilnehmer über Politik. Sie begründen ihre Positionen, suchen sich Gesprächspartner und versuchen, andere zu überzeugen. Nach einigen Gesprächsrunden werden die neutralen Stimmen seltener. Die Teilnehmer tauschen sich zunehmend mit jenen aus, die ähnlich denken. Und das Erstaunliche an diesem Szenario: Hinter keinem der Profile sitzt ein Mensch.

Diese künstliche Öffentlichkeit haben Forschende um Jinghua Piao und Zhihong Lu in einer Computersimulation aufgebaut. Ihre Untersuchung „Emergence of polarization in networks of large language model agents“ erschien am 8. Oktober 2026 in der Fachzeitschrift Nature Communications. Eine erste Fassung war bereits seit Jänner 2025 als Vorabdruck öffentlich, neu ist die begutachtete Fachveröffentlichung. Das Ergebnis: KI-Agenten können innerhalb eines solchen Versuchs politische Lager und Netzwerke von Gleichgesinnten bilden, obwohl die Entstehung dieser Lager nicht ausdrücklich als Ziel einprogrammiert wurde.

Wie ein soziales Netzwerk aus KI-Agenten funktioniert

Ein KI-Agent ist hier ein künstlicher Teilnehmer, dessen Antworten von einem großen Sprachmodell erzeugt werden. Die Forschenden gaben jedem Agenten eine Position zu einem politischen Thema und ließen das Modell passende Argumente formulieren. Danach entschied der Agent, mit wem er sprechen wollte, versuchte sein Gegenüber mit einer Nachricht zu überzeugen und bewertete erhaltene Argumente. Auf dieser Grundlage konnte er seine eigene Position verändern.

Untersucht wurden getrennte Diskussionen über Parteipräferenzen, Regeln zum Waffenbesitz und Abtreibungsverbote. Die Meinungen lagen auf einer fünfstufigen Skala zwischen links und rechts. Zu Beginn waren sie annähernd glockenförmig verteilt, mit vielen gemäßigten und neutralen Positionen. Auch die sozialen Kontakte wurden zunächst nach einem vorgegebenen Zufallsmodell angelegt. Was sich daraus entwickelte, hing anschließend von den generierten Gesprächen und Kontaktentscheidungen ab.

In den zentralen Versuchen kommunizierten jeweils 1.000 Agenten miteinander. Eine zusätzliche Simulation mit 2.000 Agenten zeigte ähnliche Muster. Die Hauptversuche nutzten GPT-3.5; weitere Experimente bezogen unter anderem GPT-4o, ChatGLM, Llama-3 und DeepSeek-V3 ein. Die Agenten waren also keine selbstständigen Menschen mit eigener Lebenserfahrung. Ihre vermeintlichen Überzeugungen bestanden aus zugewiesenen Positionen und sprachmodellgenerierten Antworten.

Warum die neutralen Positionen verschwanden

In einer ersten Versuchsreihe starteten 40 Prozent der Agenten mit einer neutralen Haltung. Nach den simulierten Gesprächen betrug dieser Anteil bei der Parteifrage noch 22,5 Prozent, bei den Waffengesetzen 0,4 Prozent und bei der Frage nach Abtreibungsverboten 5,1 Prozent. Die politischen Positionen entfernten sich zunehmend von der Mitte. Gleichzeitig fanden sich auf der linken und rechten Seite eigene Gruppen.

Die Kontakte veränderten sich mit. Je nach untersuchtem System fanden am Ende rund die Hälfte bis knapp neun Zehntel der Interaktionen zwischen Agenten aus demselben politischen Lager statt. In der Forschung heißt die Neigung, sich bevorzugt mit ähnlich denkenden Personen zu verbinden, Homophilie. Im Versuch entstand dieses Verhalten aus den Kontaktentscheidungen der Agenten. Den Modellen war zwar aufgetragen worden, Argumente auszutauschen und andere zu überzeugen; eine Regel wie „Bilde zwei politische Echokammern“ gab es jedoch nicht.

Die Gruppen waren dabei nicht vollständig voneinander abgeschnitten. Widersprechende Positionen kamen weiterhin vor, und eine besonders starke Abschottung zeigte sich nur bei einem Teil der künstlichen Teilnehmer. Die Studie beschreibt daher einen Prozess zunehmender Lagerbildung, keinen Beleg dafür, dass jeder einzelne KI-Agent zwangsläufig in einer geschlossenen Echokammer endet.

Ein Teil der politischen Schieflage kam aus dem Sprachmodell

Bei der Auswertung fiel den Forschenden eine weitere Besonderheit auf: In der ursprünglichen Variante verschob sich das Gesamtbild deutlich zur linken Seite. Das lag laut ihren zusätzlichen Tests zum Teil an einer Verzerrung des eingesetzten Sprachmodells. Einzelne Agenten formulierten etwa Argumente, die gar nicht zu ihrer zuvor festgelegten politischen Position passten, oder änderten ihre Haltung in einer Weise, die aus dem vorangegangenen Gespräch nicht schlüssig hervorging.

Deshalb ergänzte das Team einen Selbstkontrollschritt. Die Agenten sollten prüfen, ob ihre Aussagen und späteren Meinungsänderungen mit ihrer bisherigen Position und den erhaltenen Nachrichten vereinbar waren, und widersprüchliche Antworten neu erzeugen. Dadurch verringerte sich die festgestellte Unstimmigkeit. Auch in dieser veränderten Versuchsanordnung entstanden polarisierte Lager, nun mit einer ausgeglicheneren Verteilung zwischen links und rechts.

Das ist ein wesentlicher methodischer Vorbehalt. Wie sich ein künstliches Netzwerk entwickelt, hängt auch davon ab, welches Sprachmodell verwendet wird und welche Anweisungen es bekommt. Die Forschenden untersuchten diese Einflüsse ausdrücklich; trotzdem lässt sich aus den Versuchen kein allgemeines Verhalten aller heutigen KI-Systeme ableiten.

Was in den Versuchen gegen die Lagerbildung half

Anschließend erprobte die Forschungsgruppe fünf Eingriffe in bereits stark polarisierte Netzwerke. In einigen Varianten wurden Kontakte zufälliger verteilt oder die Agenten gezielt mit gemäßigten Gegenpositionen konfrontiert. Andere Varianten änderten direkt das Kommunikationsverhalten: Agenten sollten unterschiedliche Perspektiven stärker berücksichtigen, offener für Gegenargumente sein oder neutrale Botschaften von besonders einflussreichen Profilen erhalten.

Alle untersuchten Maßnahmen verringerten die gemessene Polarisierung innerhalb des jeweiligen Versuchs, allerdings unterschiedlich stark. Änderungen am Verhalten der Agenten waren teilweise wirksamer als ein bloßes Umordnen ihrer Kontakte. Die Forschenden verstehen diese Tests ausdrücklich als Möglichkeiten, Hypothesen innerhalb eines künstlichen Systems zu prüfen. Ob dieselben Maßnahmen bei Menschen funktionieren würden, ist damit nicht erwiesen.

Eine überzeugende Simulation ist noch keine echte Öffentlichkeit

Dass Sprachmodelle bekannte Muster politischer Diskussionen nachbilden, macht solche Experimente wissenschaftlich interessant. Es macht sie aber noch nicht zu einem verlässlichen Abbild menschlicher Gesellschaften. Menschen bringen Biografien, Erfahrungen, Interessen und soziale Beziehungen in Debatten ein. Bei den Agenten bestimmt ein technisches System, welche Informationen vorliegen, wie Gespräche geführt werden und auf welche Weise Meinungen aktualisiert werden.

Auf diese Grenze verweist auch eine unabhängige Übersichtsarbeit von Maik Larooij und Petter Törnberg, die im November 2025 in Artificial Intelligence Review veröffentlicht wurde. Sie beschäftigt sich mit der grundsätzlichen Schwierigkeit, KI-gestützte Gesellschaftssimulationen anhand echter Daten zu überprüfen. Sprachmodelle können vertraute soziale Muster aus ihrem Training reproduzieren. Dass ein künstliches Verhalten plausibel wirkt, reicht deshalb nicht aus, um daraus sichere Aussagen über menschliches Verhalten abzuleiten. Die Übersicht ist eine allgemeine methodische Einordnung und keine gesonderte Begutachtung der neuen Studie.

Was das mit Desinformation im Netz zu tun hat

Mimikama hat bereits im März 2026 über eine andere Simulation mit 50 KI-Agenten berichtet. Dort sollten gezielt eingesetzte Einfluss-Agenten politische Botschaften verbreiten und ihre Aktionen koordinieren. Die aktuelle Arbeit untersucht einen anderen Mechanismus: Wie verändern sich Gesprächskontakte und Meinungen, wenn KI-Agenten über längere Zeit miteinander debattieren, ohne den Auftrag zu erhalten, zwei politische Lager zu bilden?

Beide Forschungsansätze zeigen, warum künstlich erzeugte Online-Debatten genauer untersucht werden müssen. Aus der neuen Studie folgt allerdings weder, dass bereits große KI-Echokammern auf Facebook oder X nachgewiesen wären, noch dass eine heftig polarisierte Kommentarspalte automatisch von Bots gesteuert wird. Wer eine konkrete Manipulationskampagne behauptet, braucht Belege aus der betreffenden Plattform und ihrem tatsächlichen Kommunikationsverhalten. Im Labor lässt sich zeigen, was unter bestimmten Bedingungen entstehen kann. Ob es im wirklichen Netz geschieht, ist eine andere Recherchefrage.