Stabilitätsrisiken bei Multi-LLM-Entscheidungsprozessen entdeckt

Eine neue Studie auf arXiv untersucht, wie sich künstliche Intelligenz‑Komitees aus mehreren großen Sprachmodellen (LLMs) verhalten, wenn sie wiederholt Entscheidungen treffen. Durch die Modellierung dieser Komitees als zufällige dynamische Systeme konnte die Forschergruppe die Empfindlichkeit der Ergebnisse anhand eines empirischen Lyapunov‑Exponenten bestimmen.

Die Analyse deckt zwei unabhängige Ursachen für Instabilität auf: Erstens die Rollen­differenzierung in homogenen Komitees, und zweitens die Modellheterogenität in Komitees ohne feste Rollen. Überraschenderweise treten diese Instabilitäten bereits im T=0‑Regime auf, wo man normalerweise deterministisches Verhalten erwartet.

Im HL‑01‑Benchmark zeigen sich die beiden Instabilitätswege mit Lyapunov‑Exponenten von 0,0541 bzw. 0,0947. Homogene Komitees ohne Rollen bleiben ebenfalls in einem positiven Divergenzbereich mit 0,0221. Die Kombination aus gemischten Rollen und Modellen ist weniger instabil als die reine Mischung ohne Rollen (0,0519 vs. 0,0947), was auf eine nicht additive Wechselwirkung hinweist.

Mechanistisch reduziert die Abschaffung der Vorsitzendenrolle den Lyapunov‑Exponent am stärksten, während gezielte Protokollvarianten, die die Speicherfenster verkürzen, die Divergenz weiter verringern. Diese Ergebnisse unterstreichen die Notwendigkeit, Stabilitätsprüfungen als Kernanforderung für die Governance von Multi‑LLM‑Systemen zu etablieren.