Eine neue Messenger-App ist wenig nützlich, wenn niemand erreichbar ist. Sind zwei Freunde schon dort, sieht die Sache anders aus. Wechseln noch mehr, wird der Umstieg für den nächsten attraktiver. Nun stell dir vor, einige Entscheidungen in dieser Gruppe würden von KI-Systemen übernommen. Würden diese Systeme auf ebenso viele Signale aus dem Umfeld warten?
In zwei Entscheidungsexperimenten brauchten die untersuchten Sprachmodelle im Mittel weniger Zustimmung aus dem Umfeld, um eine Option zu wählen. In anschließenden Simulationen übernahmen dadurch mehr Knoten im Netzwerk die angebotene App oder unterstützten eine politische Maßnahme. Das Ergebnis stammt aus einer Studie von Mingmin Feng und Kollegen in *npj Complexity*. Am 6. November 2026 erschien sie als begutachtete Vorabfassung des Verlags. Eine reale Plattform, auf der KI-Konten einen Trend in Gang setzten, haben die Forschenden dabei nicht beobachtet.
Was Menschen und Modelle entscheiden sollten
In der ersten Aufgabe ging es um Maßnahmen zur Abscheidung von Kohlendioxid. Die Teilnehmenden sollten zwischen beschriebenen energiepolitischen Optionen wählen oder keine unterstützen. Die Optionen unterschieden sich zum Beispiel im Preis, in der Entfernung zu Wohngebieten und im Anteil des Umfelds, der die Maßnahme bereits unterstützte.
Die zweite Aufgabe betraf Messenger-Apps. Hier änderten sich unter anderem Zugang, Anmeldung, Anpassungsmöglichkeiten, Videotelefonie und der Anteil von Freunden, die eine App bereits nutzten. Auch hier konnte man beim bisherigen Zustand bleiben. Auf diese Weise ließ sich untersuchen, wie stark ein geänderter Hinweis auf andere Menschen die Wahl beeinflusst, wenn auch die übrigen Eigenschaften der Optionen systematisch variieren.
Die Antworten der Menschen stammten aus zuvor veröffentlichten Entscheidungsexperimenten. Für den Vergleich blieben nach Ausschluss fehlender Angaben 277 Personen in der Politikaufgabe und 284 in der App-Aufgabe. Das Team gab den Sprachmodellen dieselbe Aufgabenbeschreibung und Profile mit Merkmalen der Vergleichspersonen, bei der Politikaufgabe auch deren politische Orientierung. Die konkreten Wahlsets wurden aus möglichen Optionen zusammengestellt. Im Anhang der Studie stehen die Eingabeanweisungen und Beispiele.
Getestet wurden Varianten von GPT-3.5 Turbo, GPT-5 mini, Gemini 1.5 Flash, DeepSeek V3.2 Exp und Claude Haiku 4.5. Die Systeme beantworteten die Fragen. Sie verschickten keine Nachrichten, kauften nichts und führten keine öffentlichen Konten. Das ist ein wichtiger Unterschied zu Agenten mit echten Vollmachten, die im Auftrag einer Person handeln dürfen.
Eine Schwelle ist keine Stoppuhr
Die Forschenden interessierte nicht, wie schnell ein Modell tippt. Sie schätzten aus den Antworten eine Übernahmeschwelle: Wie groß muss der Anteil der anderen sein, die eine Option bereits gewählt haben, damit jemand selbst mitzieht? Für einen Messenger, der einem ohnehin gefällt, kann die Hürde niedrig sein. Für eine App, die man für unbequem hält, braucht es womöglich mehr Freunde als Anreiz.
Damit hängen die geschätzten Schwellen von mindestens zwei Dingen ab: Wie stark zählt das Signal der anderen, und wie attraktiv ist die Option gegenüber dem bisherigen Zustand? Eine niedrige Schwelle allein verrät noch nicht, welcher dieser Gründe überwiegt. Die Studie schätzt beides anhand der Antwortmuster. Bei der App-Aufgabe hatte der Hinweis auf die bereits wechselnden Freunde für Menschen und Modelle großes Gewicht. Bei der Politikaufgabe lag das relative Gewicht des sozialen Signals für GPT-5 mini unter dem Wert der Menschen, obwohl die geschätzten Schwellen der Modellgruppe insgesamt niedriger lagen. „KI folgt einfach der Mehrheit“ wäre eine zu grobe Zusammenfassung.
Unser Beitrag über Sprachmodelle und Alltagsnormen stellt eine andere Frage: Wie gut schätzt ein Modell, was Menschen im Durchschnitt angemessen finden? Hier geht es um die eigene Wahl im Versuch und darum, wie sich viele solcher Entscheidungen im Modell gegenseitig beeinflussen können.
Wie aus Antworten eine Kaskade wird
Für den zweiten Schritt benutzte das Team 18 vorhandene Freundschaftsnetzwerke aus einer früheren Schulstudie. Die Verbindungen stammten aus erhobenen Angaben; die Entscheidungen in diesen Netzen waren dagegen berechnet. Die Forschenden wiesen den Knoten geschätzte Schwellen zu, teils aus den menschlichen Antworten, teils aus den Modellantworten. Die Verbindungen blieben für den Vergleich fest.
Am Anfang übernimmt ein kleiner Teil der Knoten die Option. Danach läuft die Rechnung in Runden: Jeder weitere Knoten reagiert auf den Anteil seiner Nachbarn, die in der vorigen Runde bereits dabei waren. Wer die eigene Schwelle erreicht, kommt hinzu. Selbst bei einer Schwelle von null muss zuvor mindestens ein Nachbar übernommen haben. Wenn niemand mehr dazukommt, endet der Lauf.
Insgesamt kombinierte die Studie fünf Sprachmodelle, zwei Aufgaben, je 36 Optionen, sechs Mischungsverhältnisse, 18 Netze und vier Regeln für die Auswahl der Startknoten. Daraus ergaben sich 155.520 Simulationsläufe. Das sind keine 155.520 beobachteten Trends. Im Mittel stieg die Endbeteiligung in beiden Aufgaben und bei allen vier Startstrategien, wenn mehr Knoten Schwellen aus den Modellantworten erhielten. Die veröffentlichten Daten und der Auswertungscode machen den Ansatz nachvollziehbar.
Ein Übergang kann den Unterschied machen
Warum der Anteil der Teilnehmenden allein nicht alles erklärt, sieht man an einer Brücke zwischen zwei Gruppen. Wenn ein Knoten an dieser Brücke früh mitzieht, bekommt die zweite Gruppe zum ersten Mal ein Signal. Wartet derselbe Knoten dagegen auf zwei Kontakte, die ihrerseits noch abwarten, bleibt der Trend auf der ersten Seite. Die Verbindungen und der Startpunkt sind in beiden Fällen gleich.
Auch in Studien mit echten Menschen kann die Anordnung der Verbindungen eine Rolle spielen. In Damon Centolas kontrolliertem Online-Experiment wurden Teilnehmende verschiedenen aufgebauten Netzwerken zugeordnet. Ein gesundheitsbezogenes Verhalten verbreitete sich dort in stärker gebündelten Netzen weiter und schneller als in den Vergleichsnetzen mit mehr Abkürzungen. Das Experiment belegt, dass die Struktur in einer konkreten Umgebung zählt. Es hat keinen KI-Verstärkungseffekt getestet.
Was der Test über echte Plattformen offenlässt
Ein Modellnetz hält mehrere Dinge fest, die sich im Alltag ändern. Kontakte entstehen und lösen sich auf. Menschen sehen nicht alle Entscheidungen ihres Umfelds; Empfehlungen einer Plattform wählen aus, was im Feed erscheint. Und wer erkennt, dass eine Zustimmung von einem automatisierten Konto kommt, kann sie anders bewerten als die Nachricht einer Freundin. In den Wahlaufgaben wurde die Zustimmung als Zahl vorgegeben. Die Herkunft und Glaubwürdigkeit dieser Zustimmung wurden dabei nicht als laufende soziale Beziehung untersucht.
Die fünf Modellversionen sind außerdem eine Momentaufnahme. Andere Anweisungen, neuere Versionen oder echte Kosten und Einschränkungen können Entscheidungen verändern. Und die Simulation geht davon aus, dass eine einmal getroffene Wahl bestehen bleibt. Trends können in der Realität ebenso wieder abflauen, wenn Menschen ihre Meinung ändern oder einen Dienst verlassen.
Die Studie liefert damit einen konkreten Mechanismus, den man weiter prüfen kann. Wenn automatisierte Entscheidungen für andere sichtbar werden, können sie zusätzliche Signale erzeugen. Ob diese Signale einen Trend weitertragen, hängt davon ab, wer sie sieht, wie glaubwürdig sie wirken und an welcher Stelle im Netzwerk sie ankommen.
