Warum jede KI dein Start-up gleich nennt und was wirklich dagegen hilft

Die Studie zum „Artificial Hivemind“ wurde auf der NeurIPS 2025 ausgezeichnet. Ihre Aussage: Sprachmodelle verschiedener Hersteller liefern bei kreativen Aufgaben fast dieselben Antworten. Zwei neue Arbeiten aus diesem Herbst stellen das Bild teilweise infrage. Wir haben nachgerechnet, was davon übrig bleibt und ob Prompt-Tricks wie das gerade beliebte Skill „antialgorithm“ helfen.

Analysen 20. Nov. 2026 9 Min. Lesezeit Eigene Analyse der Redaktion
Symbolbild, KI-generiert

Darum geht es

Lass dir von fünf verschiedenen Chatbots einen Namen für dein Start-up vorschlagen, und du bekommst oft fünfmal fast dasselbe. Bittest du um eine Metapher für die Zeit, landet fast jede Antwort beim Fluss. Forschende um Liwei Jiang (University of Washington, Allen Institute for AI) haben dafür einen griffigen Namen geprägt: „Artificial Hivemind“, auf Deutsch etwa künstliches Schwarmbewusstsein. Ihre Studie bekam auf der NeurIPS 2025 einen Best Paper Award im Track für Datensätze und Benchmarks, und seitdem wird die These oft wie eine ausgemachte Sache behandelt.

Diesen Herbst kamen zwei Arbeiten hinzu, die das Bild verschieben. Gleichzeitig verbreitet sich auf GitHub ein Werkzeug, das KI-Agenten das Mittelmaß austreiben soll. Uns interessiert die Frage dahinter: Ist der KI-Einheitsbrei ein Problem des Trainings, oder lässt er sich mit dem richtigen Prompt beheben? Vorweg eine Offenlegung: Für diesen Text haben wir keine eigenen Messreihen gefahren. Wir stützen uns auf die veröffentlichten Daten, rechnen sie gegeneinander und zeigen am Ende, wie du den Test selbst machen kannst.

Was die Originalstudie gemessen hat

Grundlage ist der Datensatz Infinity-Chat. Er enthält 26.000 echte, offene Nutzerfragen aus dem WildChat-Archiv, also Fragen ohne eine einzige richtige Antwort. Dazu kommen 31.250 menschliche Bewertungen. Kreative Texte (58 Prozent) und Brainstorming (15,2 Prozent) machen laut University of Washington den größten Teil der Fragen aus. Untersucht wurden mehr als 70 Modelle.

Die Forschenden haben Antworten in Embeddings umgerechnet, das sind Zahlenvektoren, die die Bedeutung eines Textes abbilden. Deren Ähnlichkeit vergleichen sie als Kosinuswert zwischen 0 (nichts gemeinsam) und 1 (identisch). Die Kernzahlen:

  • Bei Temperatur 1,0 und Top-p 0,9 liegt die durchschnittliche Ähnlichkeit der Antworten eines Modells auf dieselbe Frage in 79 Prozent der Fälle über 0,8.
  • Mit Min-p, einem Verfahren, das beim Ziehen des nächsten Wortes unwahrscheinliche Kandidaten dynamisch aussortiert, sind es immer noch 61,2 Prozent der Paare.
  • Antworten verschiedener Modelle ähneln sich im Schnitt zu 71 bis 82 Prozent.
  • Bei der Zeit-Metapher bilden die Antworten von 25 Modellen laut Studie zwei Gruppen: „Zeit ist ein Fluss“ und, kleiner, „Zeit ist ein Weber“.

Daraus folgern die Autorinnen, dass Tricks bei der Textausgabe die Last auf die Nutzer abwälzen und die Vielfalt deshalb schon im Training gesichert werden muss. Koautorin Yulia Tsvetkov warnt vor „Gruppendenken in KI-Systemen, das zu gemeinsamen blinden Flecken und korrelierten Fehlern führen könnte“.

Die Gegenrechnung aus Stanford

Rylan Schaeffer, Sanmi Koyejo und drei Kollegen haben Ende September 2026 die Arbeit „How Strong Is the Evidence for the Artificial Hivemind?“ veröffentlicht. Sie bestreiten nicht, dass Modelle zu bestimmten Antworten neigen. Ihr Einwand betrifft die Nullhypothese, also die Vergleichsbasis, die zeigen soll, welcher Wert als „normal ähnlich“ gilt.

Im Original wurden Antworten auf dieselbe Frage mit Antworten auf völlig andere Fragen verglichen. Solche Paare haben eine Ähnlichkeit von nur etwa 0,11, weil sie weder Thema noch Form teilen. Gegen diesen Maßstab sieht fast alles ähnlich aus. Schaeffer und Kollegen vergleichen stattdessen Antworten auf dieselbe Frage, die erkennbar verschiedene Ideen enthalten. Solche Paare kommen trotzdem auf Ähnlichkeitswerte um 0,70 bis 0,72. Das liegt einfach daran, dass sie dieselbe Aufgabe in ähnlicher Form beantworten.

Befund Originalstudie (Jiang et al.) Reanalyse (Schaeffer et al.)
Vergleichsbasis Antworten auf fremde Fragen (≈ 0,11) Antworten auf dieselbe Frage mit anderer Idee (≈ 0,70–0,72)
Anteil über Schwelle 0,8 bei verschiedenen Ideen nicht gemessen 20–32 %
Echter Resteffekt – 1,9- bis 3,1-mal so häufig über 0,8
Zeit-Metapher zwei Cluster (Fluss, Weber) eine dominante Bildquelle mit langem Rest; „Weber“ nur 3,3 % im Original-Pool
Schluss für Lösungen Training muss es richten nicht belegt; Prompting erhöht die Vielfalt messbar

Die Zeit-Metapher kommt in der Reanalyse schlecht weg. Im Antwortpool der Originalautoren taucht der Fluss in 90,2 Prozent der Antworten auf, die Weber-Familie nur in 3,3 Prozent. Das Ergebnis ist also ein klarer Favorit mit vielen Außenseitern, keine zwei Lager. Außerdem gehört „Zeit“ zu den am wenigsten vielfältigen der zwölf getesteten Themen. Als Paradebeispiel ist sie damit günstig gewählt, aber nicht typisch.

Auch die Begründung für den Ruf nach Trainingslösungen halten die Stanforder für brüchig. Dass ein einziger Sampler versagt, sage nichts über andere Eingriffe zur Laufzeit. Eine Trainingsänderung, die tatsächlich hilft, zeige das Paper nicht. Und eine Nachanalyse der Daten der Min-p-Autoren selbst finde keinen Vielfaltsvorteil von Min-p. Dass es im Hivemind-Test scheitert, sei also nicht aussagekräftig. Ihr Fazit:

„Die empirische Grundlage für ein gefährliches Artificial Hivemind ist nicht eindeutig.“

Prompt-Tricks wirken, aber anders als gedacht

Spannend für die Praxis ist der dritte Teil der Reanalyse. Getestet wurden fünf Umformulierungen der Bitte „Schreibe eine Metapher über {Thema}“, darunter eine Dichter-Persona, ein Hinweis auf ungewöhnliche Themenfelder und eine ausdrückliche Anweisung gegen die naheliegendste Antwort („anti_modal“). Die Messreihe umfasste 12 Themen, 15 Modelle von Google, Anthropic und OpenAI und 50 Durchläufe pro Kombination. Jede Umformulierung schlug den Ausgangsprompt in 79,6 bis 91,7 Prozent der Vergleiche. Am stärksten war die Dichter-Persona: Der effektive Rang, ein Maß dafür, wie viele unabhängige Richtungen die Antworten im Bedeutungsraum aufspannen, stieg innerhalb eines Modells von 17,4 auf 28,9.

Der Haken steckt weiter hinten im Paper. Mit einem zweiten Modell ließen die Forschenden zählen, welche Idee jede Antwort eigentlich ausdrückt. Der Anteil der häufigsten Idee sank zwar von 0,48 auf etwa 0,34. Die effektive Zahl verschiedener Ideen stieg aber nur von 3,34 auf 3,99, und das ist statistisch nicht signifikant (p = 0,39). Dazu kommt: Zwischen verschiedenen Modellen war der Effekt schwächer und in einer der Messgrößen gar nicht nachweisbar. Ob die Qualität leidet, lassen die Autoren selbst offen.

Unsere Einschätzung: Prompting verteilt die Antworten anders. Der Favorit verliert Anteile, die Formulierungen werden bunter. Ob dabei auch wirklich mehr neue Ideen entstehen, ist bisher nicht belegt.

Ähnlich, aber besser untersucht ist Verbalized Sampling von Zhang et al. (ICML 2026). Statt einer Antwort verlangt man mehrere samt geschätzter Wahrscheinlichkeit, etwa: „Nenne fünf Witze über Kaffee und ihre Wahrscheinlichkeiten.“ Das Paper liefert auch eine Erklärung für das Hivemind: Menschen, die Antworten für das Training bewerten, bevorzugen vertraut klingende Texte (Typikalitätsverzerrung). Auf 6.874 Antwortpaaren aus dem HelpSteer-Datensatz, die als gleich korrekt bewertet waren, schätzen die Autoren diesen Effekt auf α ≈ 0,57 bis 0,65. Das Präferenztraining verstärkt ihn, sodass das Modell bei Gleichstand das Typischste wählt. Gemessen steigt die Vielfalt beim kreativen Schreiben um das 1,6- bis 2,1-Fache. Größere Modelle profitieren mehr.

Deutsch: gut beherrscht, wenig Vielfalt?

Die zweite neue Arbeit, „The Multilingual Artificial Hivemind“ von Davey, Mishra, Adelöw und Liu, ist laut ihrem Code-Repository eine Einreichung für einen NeurIPS-2026-Workshop, kein Hauptkonferenz-Paper. Sie testet 23 offene Modelle der Familien Qwen3, Gemma-3, Mistral, OLMo-2 und Aya Expanse auf 390 offene Fragen in 13 Sprachen, darunter Deutsch. Pro Modell und Frage gab es 50 Durchläufe bei Temperatur 1,0.

Wiederholte Antworten desselben Modells ähneln sich im Schnitt zu 0,857, menschliche Antworten nur zu 0,657. Für Deutsch liegt der Abstand bei +0,18, für Englisch bei +0,25, am größten ist er für Russisch (+0,27), am kleinsten für Baskisch (+0,08). Der Effekt hält auch mit einem Maß, das ganz ohne Embedding-Modell nur Buchstabenfolgen vergleicht.

Der viel zitierte Befund, die Vielfalt sei gerade in den bestbeherrschten Sprachen am geringsten, ist allerdings schwächer, als er klingt. Die Korrelation zwischen Übersetzungsqualität und Vielfaltsverlust liegt bei ρ = 0,27. Das ist signifikant, aber mäßig, und die Autoren betonen, dass es ein Zusammenhang ist, kein Ursachenbeweis. Zudem stehen pro Frage nur etwa drei menschliche Antworten gegen 50 maschinelle, kommerzielle Modelle fehlen ganz. Praktisch nützlich ist ein Nebenbefund: Zwei verschiedene Modelle liegen bei 0,750 statt 0,857. Das Modell zu wechseln bringt also mehr Abwechslung, als dasselbe Modell neu würfeln zu lassen.

antialgorithm: gute Idee, null Messdaten

Das Skill mankidev/antialgorithm (MIT-Lizenz) wurde am 14. November angelegt und hat laut Trendshift binnen sieben Tagen rund 490 Sterne gesammelt, aktuell sind es 555. Es funktioniert mit Claude Code, Codex, Cursor und OpenCode. Bei Namen, Slogans, Ideen, Postern und Oberflächen muss der Agent erst die naheliegende Wahl benennen („the default here is X“). Danach soll er davon abweichen, und zwar anhand konkreter Projektdetails statt bloßer Umkehrung, und jede Wahl in einem Satz begründen. Bei dünnen Anfragen liefert seed.py einen Startpunkt aus dem Zufallsgenerator des Systems, also Zufall von außerhalb des Modells. moves.py protokolliert, welche Ausweichmanöver schon benutzt wurden, damit aus dem Ausweg kein neuer Standard wird. Das Skill nennt solche „neuen Defaults“ ausdrücklich, etwa cremefarbene Hintergründe und Druck-Optik, die nur „nicht nach KI“ aussehen soll.

Inhaltlich ähnelt das der „anti_modal“-Formulierung aus der Stanford-Reanalyse, ergänzt um externen Zufall und ein Gedächtnis über Sitzungen hinweg. Belege hat das Projekt aber nicht. Laut README zeigt die obere Reihe der Vorführung sechs ungefilterte Läufe ohne Skill, die untere ist aus etwa einem Dutzend Läufen ausgewählt, die während der Entwicklung entstanden sind. Es gibt keine Kennzahlen, keinen Blindvergleich und bislang kein einziges Issue mit Nutzererfahrungen.

Und der Temperaturregler?

Anthropic lässt den Parameter temperature seit Claude Opus 4.7 nicht mehr zu. Entwickler berichten bei Opus 4.8 von der Fehlermeldung „temperature is deprecated for this model“. Die Original-Hivemind-Daten entstanden allerdings schon bei Temperatur 1,0, und auch das Min-p-Verfahren half dort kaum. Unsere Einschätzung: Der Regler war nie der große Hebel für mehr Ideen. Sein Wegfall nimmt eher Feinsteuerung als echte Vielfalt.

So testest du es selbst

Wähle drei offene Aufgaben, etwa einen Start-up-Namen für eine Bäckerei-App, einen Slogan und eine Metapher für Zeit. Stelle jede 20-mal in frischen Chats, einmal schlicht und einmal mit Zusatz („Nenne zuerst die naheliegendste Antwort und weiche dann begründet davon ab“ oder „Gib fünf Varianten mit Wahrscheinlichkeiten, jede unter 0,10“). Zähle dann exakte Dopplungen und, wichtiger, wie viele verschiedene Grundideen vorkommen. Das ist genau die Messgröße, bei der die Stanford-Daten keinen klaren Gewinn zeigen.

Einordnung

Unterm Strich ist das Hivemind kein Mythos, aber kleiner als sein Ruf. Ein Teil der gemessenen Gleichförmigkeit entsteht schon dadurch, dass Antworten auf dieselbe Frage zwangsläufig ähnlich aussehen. Übrig bleibt ein echter Effekt, der zwei- bis dreimal so häufig auftritt, wie es diese Vergleichsbasis erwarten lässt. Die beste Erklärung dafür liefert bisher die Typikalitätsverzerrung im Präferenztraining. Der Einheitsbrei hat also eine Ursache im Training, lässt sich aber zum Teil per Prompt beheben. Prompt-Tricks verschieben die Antworten zuverlässig weg vom Favoriten. Dass sie mehr Ideen erzeugen, ist bisher nicht nachgewiesen. Wer echte Vielfalt braucht, fährt nach den vorliegenden Daten am besten mit mehreren Modellen, mit Verbalized Sampling und mit eigenem Kontext, den kein anderer Nutzer hat. Ob antialgorithm mehr leistet als ein guter Prompt, kann im Moment niemand sagen, weil es niemand gemessen hat. Eine Antwort der Originalautorinnen auf die Kritik haben wir bislang nicht gefunden.

#artificial hivemind#kreativität#prompting#forschung#claude code#mehrsprachigkeit

Frag den KI-Assistenten

Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.

Verbinde …

Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.

Kommentare

Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.

  1. Kommentare werden geladen …

Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.