Collective Intelligence: 240 Years of Research — From Condorcet to AI

Im Jahr 1794 starb ein französischer Mathematiker in einer revolutionären Gefängniszelle, neun Jahre nachdem er ein Theorem veröffentlicht hatte, das fast niemand las. 1906 wanderte ein 84-jähriger viktorianischer Statistiker über eine Viehausstellung und sammelte gebrauchte Loskarten. 2026 führen Forscher am MIT Hunderttausende von Verhandlungen zwischen KI-Agenten durch, um zu lernen, wie Maschinen menschlichen Teams beitreten sollten. Diese drei Szenen gehören zu einer einzigen, kontinuierlichen Forschungsgeschichte — der Studie der kollektiven Intelligenz, der Fähigkeit von Gruppen, auf intelligente Weise zu handeln. Was folgt, ist diese Geschichte, Epoche für Epoche, mit den tatsächlichen Ergebnissen und den tatsächlichen Kämpfen.

1785: Die Aufklärungswette — Condorcets Theorem

Marie Jean Antoine Nicolas de Caritat, Marquis de Condorcet, war die Art von Aufklärungsfigur, die moderne Universalgelehrte eng erscheinen lässt: ein Mathematiker, der in seinen Zwanzigern in die Académie des sciences gewählt wurde, ein früher und lautstarker Befürworter der öffentlichen Bildung, des Frauenwahlrechts und der Abschaffung der Sklaverei. 1785 veröffentlichte er den Essai sur l’application de l’analyse à la probabilité des décisions rendues à la pluralité des voix — einen Aufsatz über die Anwendung der Wahrscheinlichkeitstheorie auf die Mehrheitswahl. Darin verborgen ist das Ergebnis, das wir heute das Condorcet-Jury-Theorem nennen.

Das Theorem sagt etwas Erstaunliches. Nehmen Sie eine Ja/Nein-Frage mit einer richtigen Antwort. Angenommen, jeder Wähler hat mit einer Wahrscheinlichkeit, die sogar leicht besser ist als ein Münzwurf — sagen wir 55% — recht, und die Wähler urteilen unabhängig voneinander. Dann steigt mit wachsender Gruppengröße die Wahrscheinlichkeit, dass die Mehrheit recht hat, in Richtung Sicherheit. Mediokres individuelles Urteil, richtig aggregiert, wird zu nahezu perfektem kollektivem Urteil. Das Theorem hat auch einen dunklen Zwilling: Wenn jeder Wähler leicht schlechter als ein Münzwurf ist, wird die Mehrheit fast sicher falsch, wenn die Gruppe wächst. Aggregation verstärkt jede Kompetenz — oder Inkompetenz —, die Sie ihr zuführen. Wir erzählen die gesamte Geschichte des Theorems, seiner Annahmen und seiner modernen Anwendungen in unserem Begleitstück über das Condorcet-Jury-Theorem.

Der gleiche Aufsatz enthält eine zweite Entdeckung, die 160 Jahre brauchte, um zu detonieren: das Condorcet-Paradoxon. Bei drei oder mehr Optionen können die Mehrheitspräferenzen zirkulieren — die Gruppe bevorzugt A gegenüber B, B gegenüber C und C gegenüber A — sodass „was die Mehrheit will“ möglicherweise nicht einmal gut definiert ist. Diese Beobachtung ist der Samen der Theorie der sozialen Wahl, das Feld, das Kenneth Arrow später mit seinem Unmöglichkeitstheorem transformieren würde: Kein Rangwahlverfahren kann gleichzeitig eine kurze Liste von angemessenen Fairnessbedingungen erfüllen. Wahlsysteme, Rangfolgemethoden und die Mathematik der Präferenzaggregation sind eine eigene Geschichte — eine andere Art der Aggregation als das Glaubensdurchschnitt, dem dieser Artikel folgt — und eine, zu der wir in einer zukünftigen Serie zurückkehren werden.

Condorcet lebte nicht, um zu sehen, dass es von Bedeutung war. Während der Terrorzeit wegen seiner Opposition zur jakobinischen Verfassung verboten, versteckte er sich monatelang — schrieb bemerkenswerterweise sein optimistisches Sketch for a Historical Picture of the Progress of the Human Mind — wurde im März 1794 verhaftet und zwei Tage später tot in seiner Zelle in Bourg-la-Reine aufgefunden. Die Mathematik der kollektiven Weisheit begann als das Werk eines Mannes, der von einem verrückten Kollektiv zerstört wurde. Die Ironie schwebt seitdem über dem Feld: Gruppen können brillant sein, und Gruppen können monströs sein, und der Unterschied sind nicht die Menschen — es sind die Bedingungen.

1906–1950er: Die statistische Ära — Galton, Hayek und Delphi

Für ihren ersten empirischen Test musste die kollektive Intelligenz 121 Jahre warten — und sie kam auf einer Viehausstellung. Im Herbst 1906 besuchte Francis Galton, damals 84, die West of England Fat Stock and Poultry Exhibition in Plymouth, wo ein Gewichtsschätzungswettbewerb die Besucher einlud, das dressed Gewicht eines lebenden Ochsen für sechs Pence pro Ticket zu schätzen. Galton — ein Gründer der Statistik und von Natur aus kein Demokrat — erwartete, dass die Einsendungen die Unwissenheit des durchschnittlichen Wählers beweisen würden. Er erhielt die gebrauchten Karten, verworf 13 unleserliche und analysierte die verbleibenden 787 Schätzungen. Die mittlere Schätzung betrug 1.207 lb; das tatsächliche geschlachtete Gewicht des Ochsen betrug 1.198 lb — ein Fehler von unter 1%, besser als die anwesenden Viehexperten. Er veröffentlichte das Ergebnis am 7. März 1907 in Nature unter dem Titel „Vox Populi“ und erkannte in der nachfolgenden Korrespondenz an, dass der arithmetische Mittelwert noch genauer war: 1.197 lb, ein Pfund daneben. Die gesamte Geschichte — einschließlich dessen, was Galton falsch gemacht hat und dem Jahrhundert der Replikationen seitdem — finden Sie in unserem tiefen Einblick über Galtons Ochsen und das allgemeine Phänomen in unserem Leitfaden zur Weisheit der Menge.

Warum funktioniert der Trick? Jede Schätzung kann in Signal plus Fehler unterteilt werden. Wenn die Fehler unabhängig und auf beiden Seiten der Wahrheit verstreut sind, hebt die Aggregation sie auf, während das gemeinsame Signal überlebt. Dieses „wenn“ ist Condorcets Unabhängigkeitsannahme, die in statistische Kleider gehüllt ist, und es ist das Gelenk, an dem jeder Erfolg und Misserfolg der Schwarmweisheit hängt. Kenneth Wallis’ 2014er Neubewertung von Galtons Wettbewerb bestätigte, wie gut die Bedingungen der Messe — private schriftliche Einsendungen, ein Anreiz zur Genauigkeit, kein sichtbares laufendes Protokoll — es schützten.

Der nächste Sprung kam aus der Wirtschaft. In „The Use of Knowledge in Society“ (American Economic Review, 1945) argumentierte Friedrich Hayek, dass das Wissen, das für wirtschaftliche Entscheidungen relevant ist, niemals in konzentrierter Form existiert — es ist über Millionen von Menschen als lokale, partielle, oft stillschweigende Fragmente verstreut. Kein zentraler Planer kann es sammeln; aber ein Preissystem aggregiert es automatisch und komprimiert verstreutes Wissen in eine einzige Zahl, die allen sagt, wie sie handeln sollen. Hayek hatte in der Tat den ersten großangelegten Aggregationsmechanismus identifiziert, der in der Produktion läuft. Ein halbes Jahrhundert später würden Vorhersagemärkte seine Einsicht wörtlich nehmen und Märkte aufbauen, deren einziges Produkt die Informationen im Preis sind.

Die 1950er Jahre fügten den ersten absichtlich konstruierten Prozess kollektiver Intelligenz hinzu. Bei der RAND Corporation sahen sich Forscher, die langfristige Prognosen entwickelten, einem vertrauten Problem gegenüber: Wenn Experten in einem Raum sind, verankert die lauteste oder ranghöchste Stimme alle anderen. Ihre Antwort, die Delphi-Methode, sammelte Expertenurteile anonym und in iterierten Runden mit kontrolliertem Feedback — schützte die Unabhängigkeit vor Rang und sozialem Druck, während sie dennoch den Informationsaustausch ermöglichte. Delphi ist der direkte Vorläufer jedes modernen strukturierten Eingangsprozesses, von Planungspoker bis hin zum unabhängig ersten Beitragsfluss, der in Plattformen für kollaborative Entscheidungsfindung verwendet wird.

1940er–1990er: Kybernetik, Spieltheorie und augmentierte Intelligenz

Während Statistiker die Aggregation studierten, untersuchte eine andere Linie die Interaktion. John von Neumann und Oskar Morgenstern’s Theory of Games and Economic Behavior (1947er Ausgabe) gab der Sozialwissenschaft eine Mathematik der strategischen Interdependenz — was passiert, wenn das Ergebnis meiner Wahl von Ihrer abhängt. Die Spieltheorie rahmte Gruppen nicht als Taschen unabhängiger Schätzer, sondern als Systeme interagierender Agenten um, eine Sichtweise, die enorm wichtig werden würde, sobald Forscher zu fragen begannen, warum rationale Individuen irrationale Kollektive produzieren (das Thema der Forschung zu Informationskaskaden Jahrzehnte später).

Der zweite Faden war technologisch. In seinem 1962er SRI-Bericht Augmenting Human Intellect: A Conceptual Framework schlug Douglas Engelbart vor, dass der Zweck des Rechnens nicht darin besteht, menschliches Denken zu ersetzen, sondern es zu erweitern — einschließlich des kollektiven Denkens von Gruppen, die Probleme angehen, die zu komplex für Einzelne sind. Engelbarts Rahmen legte den Grundstein für das Forschungsfeld der computerunterstützten kooperativen Arbeit (CSCW), das sich in den 1980er Jahren herausbildete, und die darauf folgende Groupware-Welle. Die Frage der Erweiterung gegenüber dem Ersatz, die er 1962 aufwarf, ist fast wörtlich die Frage, die die Literatur zu menschlich-KI in den Jahren 2024–2026 jetzt mit Daten beantwortet.

Diese mittlere Ära trug etwas bei, das leicht unterschätzt werden kann: Sie verwandelte kollektive Intelligenz von einer Eigenschaft, die Sie beobachten in ein System, das Sie bauen. Delphi war ein gestaltetes Protokoll; Groupware war gestaltete Software; Engelbarts Rahmen war ausdrücklich eine Ingenieursagenda für Gruppenkognition. Die statistische Ära hatte gefragt: „Sind Menschenmengen genau?“ Die kybernetische Ära stellte die Frage, die jede moderne Kollaborationsplattform erbt: Welche Struktur macht eine Gruppe intelligenter, als sie es sonst wäre? Strukturierte Argumentation selbst hat hier eine parallele intellektuelle Abstammung — Stephen Toulmins Modell der Argumentation von 1958 und die spätere Argumentationskartierungstradition gaben der deliberativen Seite der kollektiven Intelligenz ihre Datenstruktur, die Argumentkarte, genau wie Preise zur Datenstruktur der Marktaggregation geworden waren.

1959–1999: Die Schwarmära — Intelligenz ohne jemanden, der das Sagen hat

In der Zwischenzeit baute die Biologie leise die Annahme ab, dass Intelligenz ein Gehirn an der Spitze benötigt. 1959 prägte der französische Zoologe Pierre-Paul Grassé, der den Nestbau von Termiten studierte, den Begriff Stigmergie: Koordination durch Spuren, die in der Umgebung hinterlassen werden. Keine Termite hat einen Plan; jede reagiert auf den lokalen Zustand des Hügels, und der Hügel selbst koordiniert die Kolonie. Es war der erste präzise Mechanismus für führerlose Koordination — und es stellte sich heraus, dass er weit über Insekten hinaus verallgemeinert werden kann.

1987 zeigte der Computergraphiker Craig Reynolds, wie wenig individuelle Raffinesse die Emergenz tatsächlich benötigt. Sein SIGGRAPH-Papier „Flocks, Herds, and Schools: A Distributed Behavioral Model“ animierte Schwärme von simulierten Vögeln — boids — die nur durch drei lokale Regeln gesteuert wurden: Trennung, Ausrichtung und Kohäsion. Kein Anführer, kein Skript, und doch dreht und teilt sich der Schwarm und formt sich wie das echte Ding. Zwei Jahre später prägten Gerardo Beni und Jing Wang den Begriff Schwarmintelligenz im Kontext von zellularen Robotersystemen und gaben dem Phänomen seinen Namen.

Der ingenieurtechnische Nutzen folgte schnell. Marco Dorigos 1992er Doktorarbeit am Politecnico di Milano, Optimization, Learning and Natural Algorithms, übersetzte das Ant foraging — Pheromonspuren, die kürzere Wege verstärken, wie sie durch die Doppelbrückenexperimente mit argentinischen Ameisen offenbart wurden — in Ameisenkolonie-Optimierung, eine Familie von Algorithmen für Routing- und Planungsprobleme. James Kennedy und Russell Eberharts Partikelschwarmoptimierung (1995) tat dasselbe für das Schwärmen. Bis 1999 hatten Bonabeau, Dorigo und Theraulaz’s Swarm Intelligence: From Natural to Artificial Systems (Oxford) das Feld kodifiziert, und ameisenbasierte Algorithmen routeten Telefonanrufe (Schoonderwoerd und Kollegen bei BT Labs, 1996) und Lieferwagen. Später machte die Robotik den Punkt physisch: 2014 stellten Rubenstein, Cornejo und Nagpal Formen aus 1.024 Kilobots (Science) zusammen, und Thomas Seeleys Honeybee Democracy (2010) zeigte, dass Bienenschwärme Nistplätze durch Erkundung, Waggle-Tanz-Werbung und Quorum-Sensing wählen — eine natürliche, dezentralisierte Annäherung an ein Jury-Theorem in Aktion. Der vollständige Bericht ist in unserem Leitfaden zur Schwarmintelligenz.

Die Lektion der Schwarmära für menschliche Gruppen ist zweischneidig. Sie bewies, dass Dezentralisierung funktioniert — lokales Wissen plus einfache Interaktionsregeln können zentrale Planung übertreffen, genau wie Hayek argumentierte. Aber sie markierte auch eine Grenze: Schwärme koordinieren Handlungen, nicht Gründe. Ameisen deliberieren nicht. Menschliche kollektive Intelligenz fügt eine Schicht hinzu, die kein Schwarm hat — den Austausch und die Bewertung von Argumenten — und diese Schicht benötigt andere Maschinen.

1999–2015: Die Internetära — kollektive Intelligenz geht in Produktion

Dann machte das Internet jeden zu einem potenziellen Mitwirkenden, und kollektive Intelligenz hörte auf, ein Laborneugier zu sein. Open-Source-Software bewies, dass Tausende von lose koordinierten Freiwilligen Systeme so komplex wie ein Betriebssystem aufbauen konnten — Eric Raymonds Essay von 1999 The Cathedral and the Bazaar lieferte das Manifest der Ära. Wikipedia, 2001 gestartet, skalierte das Modell auf das menschliche Wissen selbst: eine Enzyklopädie ohne Chefredakteur, koordiniert stigmergisch durch das bearbeitete Artefakt — Termitenlogik, angewendet auf Text.

Im Jahr 2004 gaben zwei Veröffentlichungen der Ära ihre Theorie. James Surowieckis The Wisdom of Crowds versammelte ein Jahrhundert an Beweisen und destillierte die vier Bedingungen, unter denen Gruppen weise sind: Meinungsvielfalt, Unabhängigkeit, Dezentralisierung und Aggregation — entfernen Sie eine, und die Menge wird dümmer, nicht klüger. Im selben Jahr veröffentlichten Lu Hong und Scott Page ihr Ergebnis „Vielfalt trumpft Fähigkeit“ in PNAS: In ihrem computergestützten Modell übertraf eine zufällige, kognitiv vielfältige Gruppe von Problemlösern eine Gruppe, die aus den individuell besten Leistungsträgern bestand. Die Ehrlichkeit erfordert den Fußnoten: 2014 veröffentlichte die Mathematikerin Abigail Thompson eine scharfe Kritik in den Notices of the American Mathematical Society, in der sie argumentierte, das zugrunde liegende Theorem sei trivial und falsch beschriftet und die Simulationen überinterpretiert; Verteidiger, darunter Page selbst, antworteten, dass das Ergebnis unter den angegebenen Bedingungen — schwierige Probleme, fähige Agenten, große Pools — gilt und nie die Behauptung war, dass irgendeine vielfältige Gruppe irgendein Expertenteam übertrifft. Die Debatte und das, was davon übrig bleibt, wird in unserem Stück über Vielfalt gegen Fähigkeit und unserem Leitfaden zu epistemischer Vielfalt untersucht.

Hayeks Preismechanismus erhielt in dieser Ära ebenfalls sein kontrolliertes Experiment. Die Iowa Electronic Markets, ein Echtgeld-Forschungsmarkt, der 1988 an der University of Iowa gegründet wurde, sammelte genug Geschichte für einen definitiven Vergleich: Berg, Nelson und Rietz (International Journal of Forecasting, 2008) verglichen Marktpreise mit 964 nationalen Umfragen über die US-Präsidentschaftswahlen von 1988–2004 und fanden heraus, dass der Markt in 74% der Fälle näher am endgültigen Ergebnis lag, wobei sein Vorteil bei Zeiträumen von mehr als 100 Tagen am stärksten war. Robin Hansons logarithmische Marktbewertungsregel (2003) löste unterdessen das Problem des dünnen Marktes algorithmisch und ermöglichte es selbst kleinen Gruppen, interne Vorhersagemärkte zu betreiben.

Das Expertenurteil hingegen bekam einen Dämpfer. Philip Tetlocks Expert Political Judgment (2005) berichtete über eine etwa zwei Jahrzehnte dauernde Studie von 284 Experten und etwa 28.000 Wahrscheinlichkeitsurteilen; der durchschnittliche Experte schnitt kaum besser ab als einfache Extrapolation — das Ergebnis hinter der berühmten Karikatur des „dartwerfenden Schimpansen“. Aber Tetlocks Folgearbeit in den IARPA-Prognoseturnieren (2011–2015) fand die konstruktive Hälfte der Geschichte: Eine kleine Gruppe von „Supervorhersagern“, die sich nicht durch Qualifikationen, sondern durch probabilistisches Denken und unermüdliches Glaubensupdate auszeichneten, übertraf Berater für Geheimdienste mit Zugang zu klassifizierten Informationen. Prognosefähigkeiten und Kalibrierung verdienen — und werden — eine eigene tiefgehende Behandlung in einer zukünftigen Serie.

Das institutionelle Wahrzeichen der Ära kam 2006, als Thomas Malone das MIT Center for Collective Intelligence um eine täuschend einfache Frage gründete: Wie können Menschen und Computer so verbunden werden, dass sie kollektiv intelligenter handeln als je eine Person, Gruppe oder ein Computer zuvor? Frühe Ergebnisse kartierten den Designraum — das „Collective Intelligence Genome“ (Malone, Laubacher und Dellarocas, MIT Sloan Management Review, 2010) katalogisierte die Bausteine von CI-Systemen entlang von vier Fragen: wer führt die Aufgabe aus (Menge oder Hierarchie), warum (Geld, Liebe oder Ruhm), was (erstellen oder entscheiden) und wie (unabhängig oder abhängig). Bis 2015 konnte Malone und Bernsteins Handbuch der kollektiven Intelligenz (MIT Press) das Objekt des Feldes klar definieren: „Gruppen von Individuen, die kollektiv in einer Weise handeln, die intelligent erscheint.“

Und 2010 erhielt das Feld seine provokanteste Messung. Anita Williams Woolley, Christopher Chabris, Alex Pentland, Nada Hashmi und Thomas Malone (Science, 330: 686–688) testeten 699 Personen, die in Gruppen von zwei bis fünf an einer breiten Palette von Aufgaben arbeiteten. Die Gruppenleistung über die Aufgaben hinweg war ausreichend korreliert, um einen einzigen statistischen Faktor zu ergeben — einen Faktor kollektiver Intelligenz, c — der etwa 43% der Varianz erklärte, das gruppenbezogene Pendant zum g-Faktor des individuellen IQs. Die Überraschung war, was es vorhersagte. Die durchschnittliche und maximale Intelligenz der Mitglieder korrelierte nur schwach mit c. Was stark korrelierte: die durchschnittliche soziale Sensibilität der Gruppe (gemessen durch den Test „Reading the Mind in the Eyes“), die Gleichheit des Gesprächswechsels und der Anteil der Frauen in der Gruppe (der selbst weitgehend durch soziale Sensibilität vermittelt wurde). Wie intelligent eine Gruppe ist, sagte die Datenlage, hängt weniger davon ab, wer darin ist, als davon, wie sie interagiert.

Die Schattengeschichte: Wenn Kollektive scheitern

Unter dem gesamten optimistischen Zeitstrahl verläuft eine zweite, dunklere Literatur — die Studie darüber, wie Gruppen intelligenter, gutmeinender Individuen kollektive Dummheit produzieren. Es ist hier von Bedeutung, weil es kein separates Thema ist: Jeder dokumentierte Fehlermodus ist die Verletzung einer Bedingung, von der die Erfolgsgeschichten abhängen.

Der psychologische Zweig kam zuerst. Irving Janis’ Victims of Groupthink (1972) zerlegte, wie Präsident Kennedys außergewöhnlich fähige Berater sich in die Invasion in der Schweinebucht von 1961 hineinredeten. Janis katalogisierte acht Symptome in drei Clustern — Überschätzung der Gruppe (Illusion der Unverwundbarkeit, Glaube an inhärente Moral), Engstirnigkeit (kollektive Rationalisierung, stereotypisierte Ansichten über Außenstehende) und Druck zur Einheitlichkeit (Selbstzensur, eine Illusion der Einstimmigkeit, direkter Druck auf Abweichler und selbsternannte „Meinungswächter“, die störende Informationen filtern). Zwei Jahre später beschrieb Jerry Harveys „Abilene Paradox“ (Organizational Dynamics, 1974) den seltsamen Verwandten: Gruppen, die sich auf einen Handlungsverlauf einigen, den kein einzelnes Mitglied wollte, weil jeder das Schweigen der anderen für eine Präferenz hielt. Beides sind Misserfolge desselben Inputs: Ehrliches, unabhängiges Urteil gelangt nie in den Pool.

Der wirtschaftliche Zweig kam 1992 und war beunruhigender, weil er keine Psychologie erforderte. Sushil Bikhchandani, David Hirshleifer und Ivo Welch („A Theory of Fads, Fashion, Custom, and Cultural Change as Informational Cascades,“ Journal of Political Economy, 100: 992–1026) und unabhängig Abhijit Banerjee („A Simple Model of Herd Behavior,“ Quarterly Journal of Economics, 1992) zeigten, dass perfekt rationale Agenten, die nacheinander entscheiden, nach nur wenigen Beobachtungen rational ihre eigenen privaten Informationen ignorieren und ihre Vorgänger kopieren werden. Die resultierende Informationskaskade ist individuell sinnvoll und kollektiv fragil — sie aggregiert fast kein verstreutes Wissen der Gruppe und kann eine gesamte Bevölkerung auf die falsche Antwort festlegen, die eine Handvoll früher Akteure zufällig gewählt hat. Lisa Anderson und Charles Holt reproduzierten Kaskaden auf Abruf im Labor (American Economic Review, 1997). Der Mechanismus beleuchtet alles von Vermögensblasen bis hin zu viralen Fehlinformationen: Vosoughi, Roy und Arals Analyse von etwa 126.000 Story-Kaskaden auf Twitter (Science, 2018) fand heraus, dass falsche Nachrichten signifikant weiter, schneller und tiefer verbreitet wurden als die Wahrheit, wobei Falschmeldungen etwa 70% wahrscheinlicher retweetet wurden. Der vollständige Fehlerkatalog — von der Tulpenmanie bis 2008 — ist in When Crowds Go Wrong.

Beachten Sie, was beide Zweige gemeinsam haben. Groupthink zerstört die Unabhängigkeit sozial; Kaskaden zerstören sie informativ. So oder so, die Menge hört auf, viele Urteile zu sein, und wird zu einem Urteil, das viele Gesichter trägt — genau die Bedingung, unter der Condorcets Theorem von einer Garantie für Weisheit zu einer Garantie für selbstbewusste Fehler umschlägt. Die Schattengeschichte ist der Grund, warum der praktische Flügel des Feldes besessen von Prozessen wurde: Urteile sammeln, bevor man die Menschen den Ansichten der anderen aussetzt, Abweichungen strukturell schützen und die Aggregation explizit machen.

2015–2023: Das Debattenjahrzehnt — Replikation, Kritik und Antwort

Jede Messung, die so überraschend war, wurde angegriffen, und der Angriff kam 2017. Marcus Credé und Garett Howardson (Journal of Applied Psychology) analysierten sechs Proben neu und argumentierten, dass die empirische Unterstützung für einen allgemeinen c-Faktor schwach war — dass die Gruppenleistung besser durch aufgabenspezifische Fähigkeiten als durch einen zugrunde liegenden Faktor beschrieben werden könnte. Woolley, Kim und Malone antworteten 2018 und bestritten die Bewertungsverfahren der Kritik und argumentierten, dass die Simulationsannahmen nicht mit den Aufgaben übereinstimmten, die Gruppen tatsächlich ausführten. So sieht ein gesundes Feld aus: Der Kampf wurde in Daten und Neuanalysen geführt, nicht in Pressemitteilungen.

Das Nächste, was einem Urteil nahe kam, kam 2021. Riedl, Kim, Gupta, Malone und Woolley veröffentlichten eine Meta-Analyse in PNAS, die 22 Studien und 1.356 Gruppen umfasste — Studenten, Militärangehörige, Online-Arbeiter, Gamer — und fanden konsistente Beweise für einen Faktor kollektiver Intelligenz in allen von ihnen, wobei die Gruppenkooperationsprozesse und die soziale Wahrnehmung der Mitglieder zu den stärksten Vorläufern gehörten. Die Struktur und die Grenzbedingungen des Konstrukts bleiben umstritten, wie sie es sollten; aber „Gruppenintelligenz ist messbar und nicht auf den IQ der Mitglieder reduzierbar“ basiert jetzt auf einer viel größeren Evidenzbasis als das ursprüngliche Papier von 2010.

Zwei komplementäre Ergebnisse rundeten das Jahrzehnt ab. Malones Superminds (2018) lieferte eine Taxonomie der kollektiven Geister, auf denen die Zivilisation bereits basiert — Hierarchien, Demokratien, Märkte, Gemeinschaften und Ökosysteme — jede eine andere Antwort auf die Aggregationsfrage, jede mit charakteristischen Stärken und Fehlermodi. Und Googles Projekt Aristotle (2012–2015), eine interne Studie von 180 Teams, fand heraus, dass psychologische Sicherheit — der gemeinsame Glaube, dass ein Team sicher für zwischenmenschliches Risikoverhalten ist — der stärkste Prädiktor für die Team-Effektivität war, vor Zusammensetzung und Rang. Woolleys Gleichheit im Gesprächswechsel und Googles psychologische Sicherheit sind zwei Messungen derselben zugrunde liegenden Wahrheit: Der Engpass der Gruppenintelligenz ist, ob Informationen, die von Mitgliedern gehalten werden, tatsächlich in die Gruppe gelangen. Gruppendynamik — Sicherheit, Überlegung und ihre Pathologien wie Groupthink — sind ein Cluster für sich, und wir behandeln ihre Fehlermodi in When Crowds Go Wrong.

2024–2026: KI-menschliche Supergeister — die aktuelle Grenze

Die aktuelle Ära begann, als große Sprachmodelle der Gruppe beitraten. Burton und 27 Mitautoren aus verschiedenen Disziplinen kartierten die Einsätze in „Wie große Sprachmodelle die kollektive Intelligenz umgestalten können“ (Nature Human Behaviour, 8: 1643–1655, 2024): LLMs können die Barrieren für die Teilnahme senken, ausgedehnte Überlegungen zusammenfassen und verstreutes Wissen in beispiellosem Maßstab aggregieren – und sie können auch Ansichten homogenisieren, falschen Konsens herstellen und die Vielfalt des Informationsökosystems, von dem die Weisheit der Menge abhängt, verringern. Jede Bedingung auf Surowieckis Liste wird gleichzeitig durch dieselbe Technologie gestärkt und bedroht.

Die Synergiefrage – Engelbarts Frage von 1962 – erhielt endlich ihre Meta-Analyse. Michelle Vaccaro, Abdullah Almaatouq und Thomas Malone analysierten 106 Experimente und 370 Effektgrößen („Wenn Kombinationen von Menschen und KI nützlich sind“, Nature Human Behaviour, 8: 2293–2303, 2024) und fanden heraus, dass menschliche-KI-Kombinationen im Durchschnitt schlechter abschnitten als die besten menschlichen oder KI-Leistungen allein. Die Verluste konzentrierten sich auf Entscheidungsaufgaben; die echten Gewinne traten in Inhaltserstellungsaufgaben auf. Einfach einen „Menschen in den Prozess einzubeziehen“, verbessert die Ergebnisse nicht – oft übersteuert der Mensch ein besseres Maschinenurteil oder weicht einem schlechteren aus. Synergie ist eine Designleistung, kein Standard. Die aufkommende Wissenschaft der Mensch-KI-Systeme – Automatisierungsbias, Vertrauenskalibrierung, wann welche Partei entscheiden soll – ist ein weiteres zukünftiges Kapitel dieser Reihe.

Diese Designagenda ist nun das explizite Programm des MIT Center for Collective Intelligence, dessen Forschung 2026 unter drei Schwerpunkten organisiert ist: Generative KI und kollektive Intelligenz (KI zur Unterstützung menschlicher Kreativität), Supermind-Design (Gestaltung innovativer Kombinationen von Menschen und Computern) und Gestaltung von Mensch-KI-Teams (Gestaltung und Zuweisung von Aufgaben in Mensch-Maschine-Teams – verfolgt mit dem Singapore-MIT M3S-Programm als systematische Wissenschaft der Aufgabenverteilung: welche Teilaufgaben an Menschen versus KI gehen, wer überwacht und ob die KI als Werkzeug, Assistent, Kollege oder Manager agiert). Die früheren Flagship-Projekte – das Climate CoLab und die CoLabs-Plattform, das CI Design Lab, das Programm zur Messung kollektiver Intelligenz – sind nun formell Erbe-Arbeiten, die in diese Fragen der KI-Ära integriert wurden.

Die konkreten Ergebnisse zeigen, wie „gestaltete Synergie“ aussieht. Supermind Ideator, ein LLM-basiertes Ideation-Tool, das Benutzer durch strukturierte kreative Problemlösungsansätze führt, produzierte in einer experimentellen Studie signifikant mehr innovative Ideen als entweder ChatGPT allein oder Menschen, die ungehindert arbeiteten (ACM Collective Intelligence Conference 2024; Collective Intelligence, 2024); Beta-Tester haben damit mehr als 10.000 Ideen generiert, und ein Geschwistertool, DesignAID, wendet den Ansatz auf Designarbeiten an. Die Struktur implementiert die sechs Schritte des Supermind-Designs – Zoom Out, Zoom In, Analogize, Groupify, Cognify, Technify – eine Checkliste zur Neugestaltung, wer (oder was) jeden Teil einer Aufgabe erledigt. Die Lektion spiegelt die Vaccaro-Meta-Analyse genau wider: Der Wert liegt nicht im Modell, sondern in der Struktur, die es umgibt. Auf der Messseite bewertet AGI-Elo (Sun und Kollegen, NeurIPS 2025; arXiv 2505.12844) – mit CCI-assoziierten Mitautoren, einschließlich Malone – KI-Modelle und einzelne Testfälle gegeneinander wie Schachspieler, sodass die Schwierigkeit einer Aufgabe und die Kompetenz eines Modells auf einer vergleichbaren Skala landen: eine Voraussetzung dafür, welche Teile eines Jobs der Maschine übergeben werden sollen.

Zwei weitere Ergebnisse von 2026 skizzieren, wohin das führt. Ein PNAS-Artikel, „Fortschritte in KI-Verhandlungen: Ein großangelegter autonomer Verhandlungswettbewerb“, berichtete von einem internationalen Wettbewerb, in dem von Teilnehmern gestaltete KI-Agenten mehr als 180.000 Verhandlungen miteinander durchführten. Die menschliche Verhandlungstheorie überstand den Artenwechsel: Agenten, die Wärme – Positivität, Dankbarkeit, Fragen stellen – zeigten, erzielten konsequent bessere Ergebnisse bei Geschäften und Werten, während dominante, marathonartige Austausche zu Blockaden führten; die Agenten entwickelten auch KI-native Taktiken, von Ketten von Gedanken bis hin zu versuchten Eingaben. Und eine tiefe Ontologie der Arbeit (Cai und Kollegen, arXiv 2603.20619, März 2026) reorganisierte ungefähr 20.000 O*NET-Arbeitsaktivitäten und kartierte 13.275 KI-Anwendungen sowie eine weltweite Zählung von 20,8 Millionen Robotersystemen darauf – und stellte fest, dass der Marktwert von KI außergewöhnlich konzentriert ist, wobei die obersten 1,6 % der Aktivitäten über 60 % davon ausmachen. Superminds von Menschen und Maschinen sind kein Metapher mehr; sie sind eine installierte Basis, die inventarisiert wird.

Was uns 240 Jahre lehren

Lege die Epochen nebeneinander und eine durchgehende Linie entsteht: Jeder Erfolg in dieser Geschichte ist ein Erfolg der Struktur, und jeder Misserfolg ist ein Misserfolg derselben wenigen Bedingungen. Condorcets Theorem basiert auf Unabhängigkeit und besserer als zufälliger Kompetenz. Galtons Fair zwang zufällig unabhängige, incentivierte, schriftliche Urteile. Hayeks Preise und Hansons Marktgestalter sind Aggregationsmechanismen; Delphi ist ein Mechanismus zum Schutz der Unabhängigkeit; Surowieckis vier Bedingungen sind einfach die wiederkehrenden Anforderungen. Die c-Faktor-Literatur fand heraus, dass der Interaktionsprozess – Abwechseln, soziale Sensibilität, Sicherheit beim Sprechen – bestimmt, ob eine Gruppe die Intelligenz nutzen kann, die sie enthält. Und die Meta-Analysen der KI-Ära fanden heraus, dass Mensch-KI-Teams genau dann gewinnen, wenn die Zusammenarbeit absichtlich gestaltet ist. Wenn die Bedingungen brechen – wenn Urteile nicht mehr unabhängig sind und Menschen beginnen, das sichtbare Verhalten anderer zu kopieren – erhält man Informationskaskaden, Blasen und Gruppendenken: individuell rational, kollektiv falsch.

Dies ist auch, nicht zufällig, eine Karte, wo die kollektive Intelligenz im Leben einer Entscheidung sitzt. Gut entscheiden bedeutet, das richtige Problem zu beachten, es zu formulieren, Optionen zu generieren, sie zu untersuchen, verstreute Urteile zu aggregieren, über Gründe zu deliberieren und erst dann zu wählen, umzusetzen und zu überwachen. Das 240-jährige Forschungsprogramm befasst sich überwiegend mit diesen mittleren Phasen – Aggregation und Deliberation – denn dort wird individuelles Wissen entweder zu kollektivem Wissen oder stirbt im Stillen.

Argumentree ist als direkte Anwendung dieser Erkenntnisse aufgebaut. Unabhängige, asynchrone Argumenteinreichungen schützen die Unabhängigkeitsbedingung von Condorcet und Delphi, bevor die Gruppe konvergiert. Strukturierte Pro-/Contra-Argumentbäume geben jeder Perspektive – einschließlich Dissens – einen erstklassigen Platz, auf den die Bedingung von Woolleys Abwechseln-Gleichheit und Googles psychologischer Sicherheit hinweist. Mehrdimensionale Bewertungen (Hilfreichkeits-, Klarheits-, Genauigkeits-, Vollständigkeitsbewertungen), aggregiert in Konsenswerten, sind ein expliziter Aggregationsmechanismus in der Galton-Hayek-Linie – außer dass es im Gegensatz zu einem Marktpreis die Begründung bewahrt. Und die vollständige Prüfspur verwandelt jede Entscheidung in einen organisatorischen Datensatz, sodass die Gruppe aus sich selbst lernen kann – die Überwachungsphase, mit der der Lebenszyklus endet. Die KI-Extraktion aus Sitzungsprotokollen folgt der Lektion von 2024–2026: Verwende KI, wo sie nachweislich hilft (Strukturierung und Inhaltsverarbeitung), während Menschen das Urteil behalten. Das Urteil der Geschichte ist von 1785 bis 2026 konsistent: Gruppen werden nicht zufällig klug. Sie werden durch Struktur klug – und die Struktur ist jetzt etwas, das du übernehmen kannst, anstatt improvisieren zu müssen. Beginne mit unserem Leitfaden zu kollektiver Intelligenz oder sieh dir an, wie die Prinzipien innerhalb eines echten Entscheidungsprozesses in kollaborativer Entscheidungsfindung funktionieren.