Ein neues Paper der Stanford University stellt ein Framework vor, bei dem Gruppen von KI-Agenten lernen, anhand einer kleinen Menge früherer Erfahrungen zusammenzuarbeiten, und diese Teamwork-Strategien anschließend auf völlig neue Probleme anwenden. Der Ansatz, der als Self-Organizing Agent Teams (SAT) bezeichnet wird, erreichte eine durchschnittliche Genauigkeit von 66,7 % über fünf Mathematik- und Physik-Benchmarks und übertraf damit deutlich den besten einzelnen Agenten der Gruppe, der 48,8 % erzielte.

Wie SAT funktioniert

Konventionelle Multi-Agenten-KI-Systeme folgen in der Regel einem starren Protokoll: Die Agenten debattieren ein Problem und stimmen dann über eine Antwort ab. SAT bricht mit dieser Vorlage, indem es Agententeams erlaubt, eigene Organisationsstrukturen zu entwickeln – einschließlich Rollen, Teilnahmeregeln, Gesprächsphasen und Informationsflussmustern.

Eine zentrale Erkenntnis ist, dass diese Strategien aus bemerkenswert kleinen Datensätzen gelernt werden können. SAT-Teams leiteten ihre Kollaborations-Playbooks aus nur 15 AIME-2024-Problemen oder 25 GPQA-Diamond-Problemen ab und übertrugen diese Strategien unverändert auf separate Benchmarks, denen sie nie begegnet waren. AIME, die American Invitational Mathematics Examination, ist ein Mathematik-Wettbewerb, der sich zu einem Standardmaß für das Reasoning von Frontier-Modellen entwickelt hat, während GPQA Diamond der schwierigste Teil eines naturwissenschaftlichen Benchmarks auf Graduiertenniveau ist, der so konzipiert wurde, dass schnelle Websuchen ins Leere laufen. Dass einige Dutzend Probleme ausreichten, um Strategien hervorzubringen, die stabil genug waren, um unverändert transferiert zu werden, rückt Teamwork selbst als erlernbare, wiederverwendbare Fähigkeit in den Fokus – statt als Engineering pro Einzelaufgabe.

Das Konzept stützt sich stark auf die Organisationspsychologie. Die Agenten tauschen Schlussfolgerungen aus, hinterfragen gegenseitig ihre Logik und kombinieren Teillösungen, um Antworten zu erreichen, die kein einzelner Agent allein hätte erzeugen können.

Die Modell-Aufstellung liest sich wie ein KI-Allstar-Team und umfasst Systeme mehrerer Labore in geschlossener und offener Form. Bei Mathematik- und Physikaufgaben kamen o3-mini, Claude Sonnet 4 und DeepSeek-V3 zum Einsatz, während die Wissens- und Logik-Benchmarks Gemini-2.-Flash, Llama-4-Maverick und GPT-4.1 verwendeten.

Die Zahlen, die zählen

Die durchschnittliche Genauigkeit von SAT von 66,7 % übertraf nicht nur einzelne Agenten. Sie lag auch über rechenäquivalenten Einzel-Agent-Inferenzen, die 58,7 % erreichten, sowie über einem Routing-Oracle, das aus den individuellen Antworten der Agenten gebildet wurde und 59,0 % erzielte. Ein Routing-Oracle wählt nachträglich für jedes Problem die beste einzelne Antwort aus; es zu übertreffen zeigt also, dass das Team tatsächlich besseres Reasoning erzeugt und nicht nur die besten Antworten nachträglich auswählt.

Bei AIME 2026 erreichte SAT konkret 71,2 % Genauigkeit und lag damit 13,4 Prozentpunkte über dem Routing-Oracle.

Einer der aufschlussreichsten Befunde betrifft das, was die Forschenden „Demonstrability“ nennen – im Wesentlichen, wie leicht sich korrektes von inkorrektem Schlussfolgern unterscheiden lässt, sobald es im Gespräch auftaucht. Die Leistungsgewinne korrelierten mit der Demonstrability mit einer Spearman-Korrelation von 0,90. Wenn tragfähiges Reasoning auftaucht, erkennen diese Teams es und bauen darauf auf. Für Praktiker liest sich die Korrelation als Einsatzsignal: SATs Vorteile konzentrieren sich dort, wo ein Team prüfen kann, ob eine bestimmte Schlussfolgerungskette trägt.

Warum das dem gängigen Narrativ widerspricht

Verwandte Stanford-Arbeit, die früher im Jahr 2026 veröffentlicht wurde, ergab, dass einzelne Agenten bei gleichem Rechenbudget Multi-Agenten-Setups häufig ebenbürtig oder überlegen sind. SAT begegnet dieser Kritik direkt. Indem das Framework auf gelernte Organisationsstrategien statt auf brachiale Debate-Protokolle setzt, zeigt es, dass Zusammenarbeit echte Vorteile über das hinaus bieten kann, was Ensembling oder Einzelinferenz leisten. Die Lücke zwischen SATs 66,7 % und den 58,7 % des rechenäquivalenten Einzelagenten deutet darauf hin, dass der Wert nicht darin liegt, mehr Modelle zu haben, sondern darin, Modelle zu haben, die wissen, wie sie zusammenarbeiten – ein Befund, der das Design von Orchestrierung als erlernbare Disziplin statt als handangepasste Vorlage positioniert.

Die starke Korrelation mit der Demonstrability deutet zudem auf eine natürliche Grenze hin. SAT funktioniert bei Problemen am besten, bei denen korrektes Reasoning erkennbar ist, sobald es im Gespräch auftaucht – also in Domänen mit überprüfbaren Logikketten wie Mathematik, Physik und strukturiertem Schlussfolgern. Wie weit sich der Playbook-Ansatz auf offene Aufgaben ohne solche Kontrollen ausdehnen lässt, bleibt die offene Frage dieser Ergebnisse.