Was ist kollektive Intelligenz? Kollektive Intelligenz ist die Fähigkeit von Gruppen von Individuen — Mensch, Maschine oder beides — kollektiv auf intelligente Weise zu handeln, Urteile, Entscheidungen und Lösungen zu produzieren, die das übertreffen können, was jedes Mitglied allein erreichen könnte.
Kollektive Intelligenz, wie sie von Thomas Malone und Michael Bernstein im Handbook of Collective Intelligence (MIT Press, 2015) definiert wird, ist 'Gruppen von Individuen, die kollektiv auf eine Weise handeln, die intelligent erscheint.' Das Feld reicht vom Condorcet-Jury-Theorem (1785) und Francis Galtons Experiment mit dem Ochsen wiegt (1906) bis zur modernen Laborwissenschaft: Anita Williams Woolley und Kollegen (Science, 2010) fanden Beweise für einen allgemeinen kollektiven Intelligenzfaktor — den c-Faktor — der etwa 43 % der Varianz in der Gruppenleistung über Aufgaben erklärte und stärker mit sozialer Sensibilität, Gleichheit der Gesprächswechsel und dem Anteil von Frauen in der Gruppe korrelierte als mit dem IQ der Mitglieder. Der c-Faktor wurde debattiert (Credé und Howardson, 2017) und durch eine Meta-Analyse von 22 Studien und 1.356 Gruppen (Riedl et al., PNAS, 2021) unterstützt. Das Kollektive Intelligenz-Genom (Malone, Laubacher und Dellarocas, 2010) kartiert die Bausteine intelligenter Gruppen entlang von Wer, Warum, Was und Wie. Die aktuelle Forschung des MIT Center for Collective Intelligence (2026) konzentriert sich auf generative KI und kollektive Intelligenz, Supermind-Design und die Gestaltung von Mensch-KI-Teams; eine Meta-Analyse von 2024 (Vaccaro, Almaatouq und Malone, Nature Human Behaviour) ergab, dass Mensch-KI-Kombinationen nicht automatisch die besten von beiden allein übertreffen — echte Synergie erfordert eine absichtliche Gestaltung der Aufgabenverteilung und Interaktion. Aktuelle CCI-Systeme umfassen Supermind Ideator, das ein großes Sprachmodell in strukturiertes kreatives Problemlösungsgerüst einbettet, und einen PNAS-Wettbewerb von 2026, der mehr als 180.000 autonome KI-zu-KI-Verhandlungen untersuchte. Innerhalb des Entscheidungszyklus — Attend, Frame, Generate, Investigate, Aggregate, Deliberate, Allocate, Choose, Implement, Monitor — befasst sich die Forschung zur kollektiven Intelligenz hauptsächlich mit den Phasen Aggregation und Überlegung: wie Gruppen verstreutes Wissen bündeln und gemeinsam denken. Argumentree operationalisiert diese Erkenntnisse durch unabhängige asynchrone Argumenteinreichung, Struktur der gleichmäßigen Teilnahme, multidimensionale Bewertung, die in Konsenswerte aggregiert wird, und eine vollständige Prüfspur des Denkens der Gruppe.
Was ist kollektive Intelligenz?
Kollektive Intelligenz ist die Fähigkeit von Gruppen — Mensch, Maschine oder beides — auf intelligente Weise zu handeln. Es ist keine Metapher: Die Forschung hat sie gemessen, debattiert und gezeigt, wie man dafür gestaltet. Dieser Leitfaden behandelt die Wissenschaft von Condorcet (1785) bis zur Forschung zu Mensch-KI-Teams des MIT (2026).
Zuletzt aktualisiert: 2026-07-18
TL;DR
Gruppen können messbar intelligent sein. Woolley et al. (Science, 2010) fanden einen kollektiven Intelligenzfaktor (c), der die Gruppenleistung über Aufgaben vorhersagt — weniger getrieben vom IQ der Mitglieder als von sozialer Sensibilität, gleichberechtigtem Gesprächswechsel und Prozess. Die Erkenntnis wird debattiert (Credé & Howardson, 2017), aber durch eine Meta-Analyse von 1.356 Gruppen (Riedl et al., PNAS, 2021) unterstützt. Die moderne Grenze ist menschliche KI-kollektive Intelligenz: Die Meta-Analyse des MIT von 2024 zeigt, dass die Hinzufügung eines Menschen zum Prozess nicht automatisch KI-Systeme verbessert — Synergie hängt von der Aufgabenverteilung und dem Prozessdesign ab. Argumentree basiert auf dieser Lektion: Strukturieren Sie das Denken, aggregieren Sie die Urteile, lassen Sie die Menschen entscheiden.
Definition der kollektiven Intelligenz
Die standardmäßige akademische Definition stammt aus Thomas Malone und Michael Bernsteins Handbuch der kollektiven Intelligenz (MIT Press, 2015): Kollektive Intelligenz ist "Gruppen von Individuen, die kollektiv auf intelligente Weise handeln." Die Definition ist absichtlich breit. Sie umfasst einen Markt, der Preise festlegt, eine Wikipedia-Community, die eine Enzyklopädie schreibt, eine Jury, die Beweise abwägt, eine Ameisenkolonie, die den kürzesten Weg zu Nahrung findet — und zunehmend hybride Teams von Menschen und KI-Systemen.
Kollektive Intelligenz ist breiter als die Weisheit der Massen, die sich mit der statistischen Aggregation vieler unabhängiger Urteile befasst. Kollektive Intelligenz umfasst auch echte Zusammenarbeit und Überlegung — Gruppen, die interagieren, argumentieren und auf dem Denken des anderen aufbauen. Sie unterscheidet sich von Schwarmintelligenz, bei der Koordination aus einfachen lokalen Regeln ohne Überlegung entsteht. Und sie verbindet sich mit Mechanismen, die in benachbarten Bereichen untersucht werden: Abstimmungssysteme aggregieren Präferenzen, Prognosemärkte aggregieren probabilistische Überzeugungen, und strukturierte Überlegungen aggregieren Gründe — drei verschiedene Antworten auf die gleiche Frage, wie man viele Köpfe in eine Entscheidung umwandelt.
Innerhalb des Entscheidungszyklus — Teilnehmen, Rahmen, Generieren, Untersuchen, Aggregieren, Überlegen, Zuweisen, Wählen, Implementieren, Überwachen — konzentriert sich die Forschung zur kollektiven Intelligenz auf die Aggregations- und Überlegungsphasen: wie verstreutes Wissen gebündelt wird und wie Gruppen gemeinsam argumentieren, ohne die Pathologien von Informationskaskaden und Gruppendenken.
Eine kurze Geschichte der Forschung zur kollektiven Intelligenz
Das Feld hat Wurzeln in der Mathematik der Aufklärung, Statistik, Wirtschaft, Biologie und Informatik. Der gemeinsame Nenner: Unter den richtigen Bedingungen übertreffen Gruppen ihre Mitglieder — und die Bedingungen können gestaltet werden.
Der Marquis de Condorcet beweist, dass die Wahrscheinlichkeit, dass die Mehrheit richtig ist, sich der Gewissheit nähert, wenn die Gruppe wächst, wenn jeder Wähler auch nur geringfügig besser als Zufall ist und unabhängig abstimmt — das grundlegende mathematische Ergebnis der kollektiven Intelligenz.
Francis Galton analysiert 787 Schätzungen des gekleideten Gewichts eines Ochsen auf einer Landmesse von 1906. Die Median-Schätzung (1.207 lb) liegt innerhalb von 1 % des tatsächlichen Gewichts (1.198 lb) — besser als die Rinderexperten. Veröffentlicht in Nature.
Friedrich Hayeks "The Use of Knowledge in Society" (American Economic Review) argumentiert, dass Märkte verstreutes, lokales Wissen durch Preise aggregieren — die theoretische Grundlage für Vorhersagemärkte.
James Surowiecki kodifiziert die vier Bedingungen für die Weisheit der Massen (Diversität, Unabhängigkeit, Dezentralisierung, Aggregation). Im selben Jahr veröffentlichen Hong und Page ihr umstrittenes Modell "Diversität trumpft Fähigkeit" in PNAS.
Woolley, Chabris, Pentland, Hashmi und Malone (Science) finden Beweise für einen allgemeinen kollektiven Intelligenzfaktor bei 699 Personen, die in kleinen Gruppen arbeiten — ein gruppenbezogener Analogon zum individuellen IQ.
Malone, Laubacher und Dellarocas (MIT Sloan Management Review) katalogisieren die Bausteine — "Gene" — von Systemen kollektiver Intelligenz entlang von vier Fragen: Wer, Warum, Was und Wie.
Das Handbuch von Malone und Bernstein (MIT Press) konsolidiert das Feld und seine Standarddefinition: Gruppen von Individuen, die kollektiv auf eine Weise handeln, die intelligent erscheint.
Thomas Malones Superminds beschreibt fünf dauerhafte Typen kollektiver Intelligenz — Hierarchien, Demokratien, Märkte, Gemeinschaften und Ökosysteme — und fragt, wie Computer jede davon intelligenter machen können.
Riedl, Kim, Gupta, Malone und Woolley (PNAS) analysieren 22 Studien mit 1.356 Gruppen und finden Beweise für einen kollektiven Intelligenzfaktor in den Populationen von Studenten, Militärs, Gamern und Online-Arbeitern.
Die Meta-Analyse von Vaccaro, Almaatouq und Malone über 106 Experimente (Nature Human Behaviour) zeigt, dass Mensch-KI-Kombinationen im Durchschnitt schlechter abschnitten als die besten Menschen oder KI allein — Synergie muss entworfen, nicht angenommen werden.
Burton und 27 Mitautoren (Nature Human Behaviour) zeigen auf, wie große Sprachmodelle kollektive Intelligenz verbessern können — und wie sie das Risiko eingehen, Sichtweisen zu homogenisieren und falschen Konsens zu erzeugen.
Das MIT Center for Collective Intelligence verfolgt drei Schwerpunkte: Generative KI und kollektive Intelligenz, Supermind-Design und Gestaltung von Mensch-KI-Teams — einschließlich einer PNAS-Studie über 180.000+ KI-zu-KI-Verhandlungen.
Der c-Faktor: Kann eine Gruppe einen IQ haben?
Im Jahr 2010 stellten Anita Williams Woolley und Kollegen eine einfache Frage, die ein Jahrhundert individueller Psychologie hinter sich hat: So wie ein allgemeiner Faktor (g) die Leistung eines Individuums über viele kognitive Aufgaben vorhersagt, gibt es einen allgemeinen Faktor für Gruppen? Sie testeten 699 Personen, die in Gruppen von zwei bis fünf an einer Vielzahl von Aufgaben arbeiteten (Science, 330, 686–688). Die Antwort war ja: Ein einzelner statistischer Faktor — c — erklärte etwa 43% der Varianz in der Gruppenleistung über Aufgaben.
Was den c einer Gruppe vorhersagt — und was nicht
Mitglieder-IQ spielt kaum eine Rolle
Sowohl der Durchschnitt als auch die maximale individuelle Intelligenz der Gruppenmitglieder korrelierten nur schwach mit c. Die klügsten Menschen einzustellen, macht nicht automatisch eine kluge Gruppe.
Soziale Sensibilität zählt
Der durchschnittliche Punktestand der Gruppe im Test "Reading the Mind in the Eyes" — die Fähigkeit, mentale Zustände aus Gesichtsausdrücken abzuleiten — war ein signifikanter Prädiktor für c (r = 0,26).
Gleichmäßige Abwechselung zählt
Gruppen, deren Mitglieder gleichmäßiger zur Konversation beitrugen, hatten höhere c; die Varianz in den Sprechanteilen korrelierte negativ mit c (r = −0,41). Gruppen, die von einer oder zwei Stimmen dominiert wurden, waren kollektiv weniger intelligent.
Zusammensetzungseffekte
In der Studie von 2010 erzielten Gruppen mit einem höheren Anteil an Frauen höhere c-Werte (r = 0,23) — einen Effekt, den die Autoren statistisch mit der höheren durchschnittlichen sozialen Sensibilität von Frauen verknüpfen, d.h. mit dem Prozess, nicht mit demografischen Daten an sich.
Ist der c-Faktor real? Die Replikationsdebatte
Wie die meisten einflussreichen Erkenntnisse in der Psychologie wurde c auf die Probe gestellt — und die Leser verdienen den ehrlichen Stand der Beweise:
Die Kritik (2017)
Credé und Howardson (Journal of Applied Psychology) haben sechs Stichproben neu analysiert und argumentiert, dass die empirische Unterstützung für einen einzelnen allgemeinen Gruppenfaktor schwach ist — dass die Gruppenleistung besser durch aufgabenspezifische Fähigkeiten als durch einen c beschrieben werden kann.
Die Antwort (2018)
Woolley, Kim und Malone antworteten, dass die Kritik auf Bewertungsverfahren und Simulationsannahmen beruhte, die nicht mit den Aufgaben übereinstimmten, die Gruppen tatsächlich ausführten.
Die Meta-Analyse (2021)
Riedl, Kim, Gupta, Malone und Woolley (PNAS) aggregierten 22 Studien, die 1.356 Gruppen abdeckten — Studenten, Militärpersonal, Online-Arbeiter, Gamer — und fanden Beweise für einen c-Faktor in allen, wobei der Kollaborationsprozess und die soziale Wahrnehmung der Mitglieder zu den stärksten Korrelaten gehörten.
Fazit: Eine große Meta-Analyse unterstützt die Existenz eines messbaren kollektiven Intelligenzfaktors, während seine genaue Struktur und Allgemeingültigkeit aktiv debattiert werden. Was nicht debattiert wird, ist die praktische Lektion: Gruppenprozess — wer gehört wird, wie Urteile kombiniert werden — sagt die Gruppenleistung besser voraus als die Brillanz der Mitglieder.
Statistische vs. Interaktive Massen
Es gibt wirklich zwei Arten von kollektiver Intelligenz, und sie laufen auf unterschiedlichen Treibstoffen:
Statistische Massen
Viele unabhängige Schätzungen, mechanisch aggregiert — Durchschnittsbildung, Abstimmung, Marktpreise. Das ist Galtons Messe und jeder Vorhersagemarkt seitdem. Der Erfolg hängt von Unabhängigkeit und Diversität ab; die Übung ist oft einmalig.
Interaktive Massen
Menschen beeinflussen sich gegenseitig, um ein gemeinsames Verständnis aufzubauen — Diskussion, Überlegung, Zusammenarbeit. Das ist Wikipedia, eine Wissenschaftsgemeinschaft, ein Designteam. Der Erfolg hängt von der Qualität der Kommunikation und der Sicherheit ab, zu sprechen; die Arbeit ist fortlaufend.
Die beiden Modi ziehen in entgegengesetzte Richtungen: Unabhängigkeit hilft statistischen Massen, aber hungert interaktive aus. Ein Team, das nie spricht, kann gut aggregieren, aber nichts Neues aufbauen; ein Team, das immer spricht, kann ein gemeinsames Verständnis aufbauen, während es leise die Unabhängigkeit zerstört, die seine Urteile benötigt.
Strukturierte Überlegung ist ein Versuch, beides zu erreichen. In Argumentree werden Beiträge und Bewertungen unabhängig eingereicht — der statistische Modus — während der Argumentbaum, in dem sie landen, ein gemeinsames, sich entwickelndes Objekt ist, über das die Gruppe überlegt — der interaktive Modus. Die Struktur entscheidet, wann jeder Modus angewendet wird, anstatt den lautesten Modus gewinnen zu lassen.
Das Kollektive Intelligenz-Genom
Wenn kollektive Intelligenz gemessen werden kann, kann sie dann gestaltet werden? Malone, Laubacher und Dellarocas (MIT Sloan Management Review, 2010) katalogisierten die wiederkehrenden Bausteine — "Gene" — von kollektiven Intelligenzsystemen, organisiert um vier Fragen. Jedes System, von Wikipedia bis zu einem Unternehmensstrategieprozess, ist eine Kombination dieser Gene:
Wer führt die Aufgabe aus?
Eine definierte Hierarchie weist die Aufgabe zu, oder eine offene Menge wählt sich selbst aus. Menschenmengen bringen Skalierung und Diversität; Hierarchien bringen Verantwortung und Koordination.
Warum tun sie es?
Die Motivationsgene: Geld (Zahlung, Preise), Liebe (intrinsische Freude, Gemeinschaft) und Ruhm (Anerkennung, Ruf). Nachhaltige Systeme stimmen Anreize mit dem Beitrag ab.
Was wird getan?
Erstellen (etwas Neues generieren — Designs, Ideen, Argumente) oder entscheiden (bewerten und aus Alternativen auswählen). Die meisten realen Prozesse verknüpfen beides.
Wie wird es getan?
Unabhängig (Beiträge werden ohne Interaktion aggregiert — Wettbewerbe, Abstimmungen, Durchschnittsbildung) oder abhängig (Zusammenarbeit, bei der Beiträge aufeinander aufbauen). Die Wahl bestimmt, welche Fehlermodi Sie erben.
Fünf Superminds
In Superminds (2018) beschreibt Malone fünf dauerhafte Formen kollektiver Intelligenz, die menschliche Gesellschaften immer wieder neu erfinden — und argumentiert, dass die eigentliche Frage zu KI nicht "wird sie uns ersetzen?" sondern "wie macht sie jeden Supermind intelligenter?":
Hierarchien
Entscheidungen werden entlang einer Autoritätskette delegiert. Schnell und verantwortlich; anfällig für Informationsengpässe an der Spitze.
Demokratien
Entscheidungen durch Abstimmung. Legitim und inklusiv; wie Stimmen Präferenzen aggregieren, ist eine eigene tiefgehende Wissenschaft (Theorie der sozialen Wahl).
Märkte
Entscheidungen durch Preise und Handelsgeschäfte. Hervorragende Aggregatoren verstreuter Überzeugungen — der Mechanismus hinter Vorhersagemärkten.
Gemeinschaften
Entscheidungen durch Normen, Ruf und informellen Konsens. Stärkt Open Source und Wikipedia; langsam, aber widerstandsfähig.
Ökosysteme
Überhaupt kein gemeinsames Entscheidungsmechanismus — Ergebnisse entstehen aus Macht und Überleben. Der Standard, wenn kein anderes Supermind entworfen wird.
Supermind-Design: Sechs Schritte
Die Supermind-Designmethodik des MIT CCI verwandelt das Genom in eine kreative Problemlösungspraktik. Sechs "Schritte" rahmen ein Problem systematisch neu, um neue Designs für Gruppen von Menschen und Computern zu entwickeln:
Zoom Out
Treten Sie einen Schritt zurück, um das breitere System oder den Zweck zu betrachten, in dem das Problem sitzt.
Zoom In
Zerlegen Sie das Problem in Teile und Prozesse, die jeweils neu gestaltet werden können.
Analogisieren
Fragen Sie, wie andere Bereiche — Natur, andere Branchen, Geschichte — ein strukturell ähnliches Problem lösen.
Gruppieren
Fragen Sie, wie ein anderes Supermind — ein Markt, eine Gemeinschaft, eine Demokratie — die Aufgabe angehen würde, die jetzt von einer Person oder einer Hierarchie bearbeitet wird.
Kognifizieren
Fragen Sie, welche kognitiven Prozesse (Wahrnehmen, Erinnern, Entscheiden, Lernen) die Lösung benötigt und wer oder was jede Aufgabe ausführen sollte.
Technifizieren
Fragen Sie, wo Technologie — einschließlich KI — diese Prozesse ausführen, verbinden oder erweitern kann.
Im Inneren des MIT Center for Collective Intelligence (2026)
Das MIT Center for Collective Intelligence (CCI), gegründet von Thomas Malone, ist das Flaggschifflabor des Feldes. Seine früheren Projekte — das Climate CoLab, das CI Design Lab, Measuring Collective Intelligence, Collective Prediction — sind nun abgeschlossene Erbe-Arbeiten. Ab 2026 ist die Forschung des CCI in drei Schwerpunkte organisiert:
Generative KI und kollektive Intelligenz
Einsatz von KI zur Erweiterung menschlicher Kreativität — einschließlich Tools wie Supermind Ideator und DesignAID, die die menschliche KI-Ideation unterstützen.
Supermind-Design
Gestaltung innovativer Kombinationen von Menschen und Computern, basierend auf dem Genom und den sechs Designbewegungen.
Gestaltung von Mensch-KI-Teams
Gestaltung und Zuweisung von Aufgaben in Mensch-Maschine-Teams — die Nachfolgefrage zu "Mensch gegen Maschine." Mit dem Singapore-MIT M3S-Programm entwickelt CCI eine systematische Wissenschaft der Aufgabenverteilung: welche Teilaufgaben an Menschen versus KI gehen, wer überwacht und verifiziert und ob die KI als Werkzeug, Assistent, Kollege oder Manager agiert.
Wichtige Erkenntnisse aus der Forschungswelle 2024–2026
Scaffolding schlägt rohe LLMs für Ideation
Supermind Ideator umhüllt ein großes Sprachmodell mit kreativen Problemlösungsstrukturen (einschließlich der sechs Bewegungen). In einer experimentellen Studie generierten Benutzer signifikant mehr innovative Ideen als Personen, die nur ChatGPT oder unassisted arbeiteten; Beta-Tester haben mehr als 10.000 Ideen mit dem System erstellt (ACM Collective Intelligence Conference, 2024).
"Mensch im Loop" ist nicht automatisch besser
Die Meta-Analyse von Vaccaro, Almaatouq und Malone über 106 Experimente und 370 Effektgrößen (Nature Human Behaviour, 2024) ergab, dass Mensch-KI-Kombinationen im Durchschnitt schlechter abschnitten als die besten Menschen oder KI allein — mit Verlusten, die sich auf Entscheidungsaufgaben konzentrierten, und Gewinnen in Aufgaben zur Inhaltserstellung. CCI unterscheidet jetzt zwischen starker Synergie (die Kombination schlägt sowohl Menschen allein als auch KI allein) und schwacher Augmentation (sie schlägt Menschen allein, aber nicht die KI) — und stellt fest, dass starke Synergie eine absichtlich gestaltete Aufgabenverteilung erfordert, nicht nur die Hinzufügung eines Menschen.
180.000 KI-zu-KI-Verhandlungen
Eine PNAS-Studie von 2026 führte einen internationalen Wettbewerb durch, bei dem aufgeforderte KI-Agenten mehr als 180.000 Verhandlungen miteinander führten. Die klassische Wissenschaft der menschlichen Verhandlung hielt stand: Wärme — Positivität, Dankbarkeit, Fragen stellen — war konstant mit dem Erreichen von Vereinbarungen und der Schaffung von Werten verbunden, während Dominanztaktiken Vorhersagen für Blockaden lieferten.
Mapping, wo KI überhaupt eingesetzt werden kann
Ein MIT-Arbeitspapier von 2026 (arXiv 2603.20619) reorganisierte ungefähr 20.000 Arbeitsaktivitäten aus der US O*NET-Datenbank in eine tiefe Ontologie und klassifizierte 13.275 KI-Anwendungen dagegen — wobei festgestellt wurde, dass die obersten 1,6 % der Aktivitäten über 60 % des Marktwerts der KI ausmachen. Ein Werkzeug, um systematisch über die Aufgabenverteilung zwischen Mensch und KI nachzudenken.
Bewertung von KI und Aufgaben auf einer Skala
AGI-Elo (NeurIPS 2025, arXiv 2505.12844), von CCI-affiliierten Forschern einschließlich Malone, bewertet KI-Modelle und individuelle Testfälle gegeneinander wie Schachspieler — und stellt die Kompetenz eines Modells und die Schwierigkeit einer Aufgabe auf einer vergleichbaren Skala dar, eine Voraussetzung für eine prinzipielle Aufgabenverteilung in Mensch-KI-Teams.
Kollektive Intelligenz im Zeitalter der KI
Große Sprachmodelle werden zu Teilnehmern an kollektiver Intelligenz, nicht nur zu Werkzeugen dafür. Burton und 27 Mitautoren aus verschiedenen Disziplinen (Nature Human Behaviour, 2024) kartierten die zweischneidigen Konsequenzen:
Chancen
Barrieren für die Teilnahme senken
LLMs können übersetzen, zusammenfassen und entwerfen — wodurch mehr Menschen zu kollektiven Prozessen beitragen können, unabhängig von Sprache oder Schreibfähigkeiten.
Verstreutes Wissen aggregieren
LLMs können große Textmengen synthetisieren — Protokolle von Besprechungen, offene Umfrageantworten, öffentliche Konsultationen — die zuvor menschliche Aggregatoren überwältigt haben.
Unterstützung bei der Überlegung
KI kann Gegenargumente aufzeigen, ähnliche Positionen gruppieren und Diskussionen strukturieren — die Überlegungsphase augmentieren, anstatt sie zu ersetzen.
Risiken
Homogenisierung von Sichtweisen
Wenn viele Menschen dieselben Modelle konsultieren, konvergieren ihre Ausgaben — was die Vielfalt der Perspektiven erodiert, von der kollektive Intelligenz abhängt.
Falscher Konsens
Fließend generierter KI-Text kann den Anschein von Übereinstimmung oder Mehrheitsmeinung erzeugen, die unter tatsächlichen Menschen nicht existiert.
Schrumpfende Informationsökosysteme
Eine Informationsumgebung, die zunehmend durch einige wenige Modelle gefiltert wird, birgt das Risiko korrelierter Fehler, die Massen kollektiv dumm statt intelligent machen.
Die Designimplikation spiegelt die Erkenntnis von Vaccaro wider: KI verbessert kollektive Intelligenz, wenn sie die Unteraufgaben zugewiesen bekommt, bei denen sie nachweislich gut ist — Transkription, Extraktion, Übersetzung, Zusammenfassung — während Urteil, Bewertung und die Entscheidung selbst bei verantwortlichen Menschen bleiben. Dies ist die Grenze der Mensch-KI-Systeme (Automatisierungsbias, Vertrauenskalibrierung, sinnvolle menschliche Kontrolle), die die Entscheidungswissenschaft jetzt kartiert.
Wie Argumentree die Forschung zur kollektiven Intelligenz anwendet
Argumentree ist eine Plattform für kollaborative Entscheidungsfindung, die direkt auf diesen Erkenntnissen basiert. Jede Designentscheidung entspricht einem Ergebnis in der Literatur:
Unabhängiger, asynchroner Beitrag
Teilnehmer fügen Argumente in ihrer eigenen Zeit hinzu, bevor die Gruppe konvergiert — was die Unabhängigkeit und Diversität schützt, die die Aggregationsforschung zeigt, dass Massen benötigen.
Strukturelle Gleichheit der Teilnahme
Woolleys Forschung verknüpft kollektive Intelligenz mit gleichmäßiger Abwechselung. In einem Argumentbaum gibt es keinen Boden zu halten: Die Argumente jedes Teilnehmers treten in dieselbe Struktur ein und werden auf die gleiche Weise gewichtet.
Aggregation durch multidimensionale Bewertung
Argumente werden nach Nützlichkeit, Klarheit, Genauigkeit und Vollständigkeit bewertet, und die Bewertungen aggregieren sich zu Konsenswerten — ein expliziter Aggregationsmechanismus, sodass kollektives Urteil gemessen und nicht angenommen wird.
Überlegung mit Struktur
Die 4-Schritte-Kette von Fragen, Kompromissen und Überprüfungen ermöglicht es den Teilnehmern, Argumente zu hinterfragen und zu verfeinern — abhängige Zusammenarbeit in genomischen Begriffen, aber innerhalb einer Struktur, die das Denken sichtbar hält.
Mensch-KI-Aufgabenverteilung richtig gemacht
Die KI-Extraktion verwandelt Protokolle von Besprechungen und Dokumenten in Entwurf-Argumentbäume — die inhaltliche Verarbeitung, bei der KI gut ist — während Bewertung und Entscheidungen bei den Menschen bleiben, was mit den Beweisen zur Mensch-KI-Synergie von 2024 übereinstimmt.
Ein Gedächtnis für das Supermind
Die vollständige Prüfspur (Entwurf, offen, geschlossen mit Versionierung) bewahrt das Denken der Gruppe, sodass die Organisation aus ihrer eigenen kollektiven Intelligenz lernen kann, anstatt sie zu verlieren, wenn das Treffen endet.
Häufig gestellte Fragen
Was ist kollektive Intelligenz?
Kollektive Intelligenz ist die Fähigkeit von Gruppen — von Menschen, von Maschinen oder beidem — kollektiv auf eine Weise zu handeln, die intelligent erscheint (Malone & Bernstein, Handbook of Collective Intelligence, 2015). Sie umfasst statistische Weisheit der Massen, kollaborative Produktion wie Wikipedia, deliberierende Teams, Märkte, die Überzeugungen aggregieren, und moderne Mensch-KI-Teams.
Was ist der c-Faktor in kollektiver Intelligenz?
Der c-Faktor ist ein allgemeiner kollektiver Intelligenzfaktor, der von Woolley et al. (Science, 2010) identifiziert wurde: ein einzelner statistischer Faktor, der etwa 43 % der Varianz in der Leistung einer Gruppe über viele verschiedene Aufgaben erklärt, analog zum g-Faktor des IQ für Individuen. Er korrelierte viel stärker mit der sozialen Sensibilität der Gruppe und der Gleichheit der Gesprächswechsel als mit der individuellen Intelligenz der Mitglieder.
Wurde der c-Faktor repliziert?
Er wird unterstützt, aber diskutiert. Credé und Howardson (2017) argumentierten, dass die Beweise für einen einzelnen allgemeinen Faktor schwach sind, und Woolley und Kollegen veröffentlichten 2018 eine detaillierte Antwort. Eine Meta-Analyse von Riedl et al. (PNAS) aus dem Jahr 2021, die 22 Studien und 1.356 Gruppen abdeckte, fand Beweise für einen c-Faktor in verschiedenen Populationen. Die praktische Erkenntnis — der Gruppenprozess sagt die Leistung besser voraus als der Mitglieds-IQ — ist robust über die Debatte hinweg.
Was ist der Unterschied zwischen kollektiver Intelligenz und der Weisheit der Massen?
Die Weisheit der Massen ist das engere Phänomen: viele unabhängige Urteile, statistisch aggregiert, konvergieren auf genaue Antworten (wie in Galtons Experiment mit dem Ochsen von 1906). Kollektive Intelligenz ist das breitere Feld: Es umfasst die Weisheit der Massen, aber auch echte Zusammenarbeit, Überlegung, Märkte, Gemeinschaften und Mensch-KI-Teams — jedes System, in dem eine Gruppe intelligent handelt.
Was ist der Unterschied zwischen kollektiver Intelligenz und Schwarmintelligenz?
Schwarmintelligenz ist die Koordination, die aus vielen einfachen Agenten entsteht, die lokalen Regeln folgen — Ameisenkolonien, Vogelschwärme, Roboterschwärme — ohne Überlegung und ohne explizites Denken. Menschliche kollektive Intelligenz beinhaltet den Austausch und die Bewertung von Gründen. Sie teilen tiefgehende Prinzipien (Dezentralisierung, lokales Wissen, Aggregation), weshalb Entscheidungsplattformen von beiden lernen.
Was ist ein Supermind?
Ein Supermind, in Thomas Malones Buch von 2018 mit diesem Namen, ist jede Gruppe von Individuen, die zusammen handeln, auf eine Weise, die intelligent erscheint. Malone identifiziert fünf wiederkehrende Typen — Hierarchien, Demokratien, Märkte, Gemeinschaften und Ökosysteme — und argumentiert, dass Computer Superminds intelligenter machen, hauptsächlich indem sie neue Kombinationen ermöglichen, nicht indem sie sie ersetzen.
Was ist das MIT Center for Collective Intelligence?
Das MIT Center for Collective Intelligence (cci.mit.edu), gegründet am MIT Sloan und geleitet von Thomas Malone, untersucht, wie Gruppen von Menschen — und zunehmend Menschen plus KI — organisiert werden können, um intelligenter zu handeln als jede Einzelperson. Seine früheren Projekte aus der Crowdsourcing-Ära (der Climate CoLab und CoLabs, Measuring Collective Intelligence) sind jetzt Erbe-Arbeiten; ab 2026 ist seine Forschung unter drei Schwerpunkten organisiert: Generative KI und kollektive Intelligenz, Supermind-Design und Gestaltung von Mensch-KI-Teams, mit Tools wie Supermind Ideator und DesignAID und, mit dem Singapore-MIT M3S-Programm, einer systematischen Wissenschaft der Aufgabenverteilung zwischen Mensch und KI.
Verbessert die Hinzufügung eines Menschen im Loop die KI-Entscheidungen?
Nicht automatisch. Eine Meta-Analyse von 2024 über 106 Experimente (Vaccaro, Almaatouq & Malone, Nature Human Behaviour) ergab, dass Mensch-KI-Kombinationen im Durchschnitt schlechter abschnitten als die besten Menschen oder die KI allein, wobei die Verluste sich auf Entscheidungsaufgaben konzentrierten. Kombinationen halfen am meisten bei Aufgaben zur Inhaltserstellung. Effektive menschliche KI-kollektive Intelligenz erfordert eine absichtliche Zuweisung von Teilaufgaben an die Partei, die sie am besten ausführt.
Wie können Teams ihre kollektive Intelligenz erhöhen?
Die Beweise deuten auf Prozessdesign hin: Gleichheit der Teilnahme (strukturierte oder asynchrone Eingaben anstelle offener Diskussion), Schutz unabhängiger Urteile vor der Konvergenz der Gruppe, Rekrutierung für kognitive Diversität und soziale Wahrnehmung, Verwendung eines expliziten Aggregationsmechanismus wie Bewertung oder Abstimmung und das Führen eines Protokolls des Denkens, damit die Gruppe lernen kann. Tools wie Argumentree integrieren diese Mechaniken standardmäßig.
Referenzen & Weiterführende Literatur
Condorcet, M. de (1785). Essai sur l'application de l'analyse à la probabilité des décisions rendues à la pluralité des voix.
Das grundlegende mathematische Ergebnis: Mehrheiten unabhängiger, besser als Zufall wählender Wähler konvergieren zur Wahrheit.
Galton, F. (1907). Vox Populi. Nature, 75, 450–451.
787 Messebesucher schätzen das Gewicht eines Ochsen; der Median liegt innerhalb von 1 % der Wahrheit.
View source →Hayek, F. A. (1945). The Use of Knowledge in Society. American Economic Review, 35(4), 519–530.
Märkte als Aggregatoren verstreuten Wissens.
Surowiecki, J. (2004). The Wisdom of Crowds. Doubleday.
Die vier Bedingungen: Diversität, Unabhängigkeit, Dezentralisierung, Aggregation.
Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., & Malone, T. W. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science, 330(6004), 686–688.
Der c-Faktor: 699 Personen, Gruppen von 2–5, ein Faktor erklärt ~43 % der Leistungsvarianz.
Malone, T. W., Laubacher, R., & Dellarocas, C. (2010). The Collective Intelligence Genome. MIT Sloan Management Review, 51(3), 21–31.
Die Bausteine von kollektiven Intelligenzsystemen: Wer/Warum/Was/Wie.
View source →Malone, T. W., & Bernstein, M. S. (Eds.) (2015). Handbook of Collective Intelligence. MIT Press.
Der Standardreferenz und Definition des Feldes.
Credé, M., & Howardson, G. (2017). The structure of group task performance — A second look at "collective intelligence." Journal of Applied Psychology, 102(10).
Die Hauptkritik an der Allgemeingültigkeit des c-Faktors.
Malone, T. W. (2018). Superminds. Little, Brown.
Fünf Supermind-Typen und wie Computer sie intelligenter machen.
Riedl, C., Kim, Y. J., Gupta, P., Malone, T. W., & Woolley, A. W. (2021). Quantifying collective intelligence in human groups. PNAS, 118(21).
Meta-Analyse: 22 Studien, 1.356 Gruppen, Beweise für c in verschiedenen Populationen.
Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.
106 Experimente: Mensch-KI-Kombinationen schlagen nicht automatisch die besten von beiden allein.
View source →Burton, J. W., et al. (2024). How large language models can reshape collective intelligence. Nature Human Behaviour, 8, 1643–1655.
28 Autoren zu LLM-Möglichkeiten und -Risiken für kollektive Intelligenz.
View source →Advancing AI Negotiations: A Large-Scale Autonomous Negotiations Competition. PNAS (2026).
180.000+ KI-Agentenverhandlungen; Wärme gewinnt sogar zwischen Maschinen.
View source →Cai, A., et al. (2026). Where can AI be used? Insights from a deep ontology of work activities. arXiv 2603.20619.
Eine tiefe Ontologie von ~20.000 Arbeitsaktivitäten zur systematischen Überlegung über die Aufgabenverteilung zwischen Mensch und KI.
View source →MIT Center for Collective Intelligence. Research (2026).
Aktuelle Schwerpunkte: Generative KI und CI, Supermind-Design, Gestaltung von Mensch-KI-Teams.
View source →MIT Center for Collective Intelligence. Supermind-Design-Methodologie.
Die sechs Designbewegungen: Zoom Out, Zoom In, Analogize, Groupify, Cognify, Technify.
View source →Sun, S., et al. (2025). AGI-Elo: How Far Are We From Mastering A Task? NeurIPS 2025.
Gemeinsame Elo-ähnliche Bewertung von KI-Modellen und Testfall-Schwierigkeit; CCI-affiliierte Mitautoren einschließlich Malone.
View source →Verwandte Konzepte
Verwandeln Sie Ihr Team in eine messbar intelligentere Gruppe
Kollektive Intelligenz ist ein Designproblem: Gleichheit der Teilnahme, Schutz unabhängiger Urteile, explizite Aggregation und das Festhalten des Denkprozesses. Argumentree integriert diese Mechanismen in jede Entscheidung – mit KI, die die Routinearbeit erledigt, und Ihren Leuten, die das Urteil fällen.
Kostenlose Testversion starten