Wie viel KI-Intelligenz braucht ein selbstkorrigierender Agent?

In einer neuen Studie von arXiv (2604.07236v2) wird untersucht, wie viel der Leistungsfähigkeit von KI-Agenten tatsächlich auf das zugrunde liegende Sprachmodell zurückzuführen ist und wie viel auf die explizite Struktur um das Modell herum stammt. Dazu wurde ein neues „reflektierendes Laufzeitprotokoll“ entwickelt, das Zustände, Vertrauenssignale, geschützte Aktionen und hypothetische Übergänge sichtbar macht.

Die Methode wurde in einem deklarativen Laufzeitumfeld umgesetzt und in einem „noisy Collaborative Battleship“-Spiel getestet. Vier Agenten mit zunehmender Struktur wurden über 54 Partien (18 Spielbretter × 3 Seeds) evaluiert. Die Analyse zerlegte die Agentenleistung in vier Komponenten: posterior belief tracking, explizite Weltmodellplanung, symbolische In‑Episode‑Reflexion und spärliche LLM‑Revision.

Ergebnisse zeigen, dass die explizite Weltmodellplanung die Gewinnrate im Vergleich zu einem einfachen posterior‑Folge‑Baseline um 24,1 pp steigert und die F1‑Score um 0,017 verbessert. Symbolische Reflexion wirkt als echter Laufzeitmechanismus, liefert aber bislang keine Nettoverbesserung. Das Hinzufügen von bedingter LLM‑Revision bei etwa 4,3 % der Züge führt zu einer geringen, nicht-monotonen Änderung: der durchschnittliche F1‑Score steigt leicht um 0,005, während die Gewinnrate von 31 auf 29 von 54 Partien sinkt.

Die Studie liefert damit ein konkretes Experiment, das zeigt, dass strukturierte Planung und Reflexion oft mehr leisten als reine Sprachmodell‑Revisionen – ein wichtiger Schritt, um KI-Agenten transparent und effizient zu gestalten.