Was ist die Weisheit der Massen? Die Weisheit der Massen ist das Phänomen, bei dem das aggregierte Urteil einer Gruppe konstant besser ist als das einzelner Experten, vorausgesetzt, die Gruppe hat Meinungsvielfalt, Unabhängigkeit des Urteils, Dezentralisierung des Wissens und einen Mechanismus zur Aggregation.
Die Weisheit der Massen wurde erstmals empirisch von Francis Galton demonstriert, der 787 Schätzungen des gekleideten Gewichts eines Ochsen auf der West of England Fat Stock and Poultry Exhibition in Plymouth im Jahr 1906 analysierte. Die Median-Schätzung von 1.207 lb lag innerhalb von etwa 1 % des tatsächlichen Gewichts von 1.198 lb — besser als die Rinderexperten — und Galton veröffentlichte das Ergebnis als 'Vox Populi' in Nature (1907). Die mathematische Grundlage ist älter: Das Condorcet-Jury-Theorem (1785) beweist, dass, wenn jedes Mitglied einer Gruppe auch nur geringfügig besser als zufällig bei einer Ja/Nein-Frage ist und die Mitglieder unabhängig urteilen, die Wahrscheinlichkeit, dass die Mehrheit richtig ist, mit wachsender Gruppengröße gegen die Gewissheit tendiert. James Surowieckis Die Weisheit der Massen (2004) kodifizierte vier Bedingungen — Meinungsvielfalt, Unabhängigkeit, Dezentralisierung und Aggregation — und zeigte, dass das Entfernen einer Bedingung Herding, Blasen und Gruppendenken anstelle von Weisheit produziert. Innerhalb des Entscheidungszyklus (Teilnehmen, Rahmen, Generieren, Untersuchen, Aggregieren, Überlegen, Zuweisen, Wählen, Implementieren, Überwachen) ist die Weisheit der Massen die Wissenschaft der Aggregationsphase: wie viele private Urteile zu einem kollektiven Urteil werden, bevor die Überlegung auf eine Wahl konvergiert. Verschiedene Mechanismen aggregieren unterschiedliche Dinge — Abstimmungssysteme aggregieren Präferenzen, Prognosemärkte aggregieren probabilistische Überzeugungen, und strukturierte Überlegungen aggregieren Gründe. Moderne Anwendungen umfassen Prognosemärkte wie die Iowa Electronic Markets, Ensemble-Maschinenlernen und kollaborative Entscheidungsplattformen. Argumentree wendet diese Prinzipien mit unabhängiger asynchroner Argumenteinreichung an, die die Unabhängigkeit schützt, multidimensionaler Bewertung, die vielfältige Urteile in Konsenswerte aggregiert, und einer vollständigen Prüfspur, die die Gründe hinter der Aggregation bewahrt.
Was ist die Weisheit der Massen?
Die Weisheit der Massen ist das Phänomen, bei dem das aggregierte Urteil einer Gruppe konstant besser ist als das einzelner Experten — unter vier spezifischen Bedingungen. Es wurde mit 787 Schätzungen auf einer Landmesse im Jahr 1906 bewiesen, 1785 formalisiert, und es ist der Grund, warum strukturierte Aggregation die lauteste Stimme im Raum übertrifft.
Zuletzt aktualisiert: 2026-07-18
TL;DR
Unter den richtigen Bedingungen — Vielfalt, Unabhängigkeit, Dezentralisierung und Aggregation — übertreffen Gruppen zuverlässig ihr klügstes Mitglied. Francis Galton demonstrierte es 1906 (787 Messebesucher schätzten das Gewicht eines Ochsen innerhalb von 1 %); Condorcet bewies die Mathematik 1785; James Surowiecki kodifizierte die vier Bedingungen 2004. Entfernen Sie eine Bedingung und die Menge wird dümmer, nicht klüger — was genau in Blasen, Echokammern und Gruppendenken passiert. Argumentree schützt die Unabhängigkeit durch strukturierte asynchrone Argumenteinreichung und aggregiert vielfältige Urteile durch multidimensionale Bewertung in Konsenswerte.
Eine kurze Geschichte der Weisheit der Massen
Die Wissenschaft des kollektiven Urteils spannt sich über 240 Jahre — von der Wahrscheinlichkeitstheorie der Aufklärung bis zu großen Sprachmodellen. Das Muster, das sich wiederholt: Massen sind nur weise, wenn Struktur das unabhängige Urteil schützt.
Der Marquis de Condorcet beweist, dass die Wahrscheinlichkeit, dass die Mehrheit richtig ist, steigt, je größer die Gruppe wird – vorausgesetzt, die Mitglieder urteilen unabhängig. Wenn jeder Wähler nur geringfügig schlechter als ein Münzwurf ist, treibt dieselbe Mathematik die Mehrheit in einen sicheren Fehler.
Francis Galton analysiert einen Gewichtsschätzwettbewerb auf der West of England Fat Stock and Poultry Exhibition in Plymouth: 787 gültige Sechspenny-Tickets schätzen das Gewicht eines geschlachteten Ochsen. Die mittlere Schätzung – 1.207 lb – liegt innerhalb von etwa 1 % des tatsächlichen Gewichts von 1.198 lb und übertrifft die Viehexperten. Veröffentlicht in Nature, 7. März 1907.
Friedrich Hayeks "Der Gebrauch von Wissen in der Gesellschaft" argumentiert, dass kein zentraler Planer das verstreute, lokale Wissen sammeln kann, das Marktpreise automatisch aggregieren – die theoretische Grundlage für Prognosemärkte.
Die RAND Corporation entwickelt die Delphi-Technik: Expertenmeinungen werden anonym und in Runden gesammelt, um unabhängiges Urteilen vor Rang- und sozialem Druck zu schützen.
Die University of Iowa startet einen Echtgeld-Forschungsmarkt zur Wahlprognose. Von 1988 bis 2004 lagen die Preise näher am Ergebnis als 964 nationale Umfragen, 74 % der Zeit (Berg, Nelson & Rietz 2008).
James Surowiecki kodifiziert die vier Bedingungen für die Weisheit der Massen – Vielfalt, Unabhängigkeit, Dezentralisierung, Aggregation – und dokumentiert, wie das Entfernen einer dieser Bedingungen Herden, Blasen und Gruppendenken erzeugt.
Woolley und Kollegen veröffentlichen Beweise in Science für einen allgemeinen "c-Faktor" in der Gruppenleistung – nicht getrieben von dem durchschnittlichen IQ der Mitglieder, sondern von sozialer Sensibilität und gleichmäßiger Abwechselung. Gruppenintelligenz ist eine Eigenschaft des Prozesses, nicht nur der Menschen.
Forschung zu LLMs und kollektiver Intelligenz (Burton et al., Nature Human Behaviour 2024) zeigt, dass KI den Zugang zu kollektivem Wissen erweitern kann – aber das Risiko birgt, Sichtweisen zu homogenisieren und die Vielfalt und Unabhängigkeit zu erodieren, auf die die Weisheit der Massen angewiesen ist.
Die Wissenschaft: Ein Ochse, 787 Schätzungen und ein Theorem
Im Herbst 1906 besuchte der 84-jährige Statistiker Francis Galton eine Viehausstellung in Plymouth, bei der Besucher sechs Pence zahlten, um das gekleidete Gewicht eines Ochsen zu schätzen. Galton — kein Demokrat von Temperament — erwartete, dass die Übung die Unwissenheit des durchschnittlichen Wählers demonstriert. Stattdessen fand er, nachdem er 13 fehlerhafte Tickets verworfen hatte, dass der Median von 787 Schätzungen 1.207 lb betrug, gegenüber einem tatsächlichen Gewicht von 1.198 lb — innerhalb von etwa 1 % und näher als die Rinderexperten. Er veröffentlichte das Ergebnis als "Vox Populi" in Nature (1907); in nachfolgenden Korrespondenzen erkannte er an, dass der Mittelwert sogar näher war, bei 1.197 lb. Es wurde zur grundlegenden Demonstration der Weisheit der Massen.
Warum funktioniert das? Jede Schätzung kann als der wahre Wert plus ein individueller Fehler betrachtet werden. Wenn die Schätzer vielfältig sind und unabhängig urteilen, zeigen ihre Fehler in verschiedene Richtungen und heben sich teilweise auf in der Aggregation — während das gemeinsame Signal sich ansammelt. Die Menge ist nicht klüger als jeder Einzelne in ihr; die Aggregation ist klüger als fast jeder in ihr.
Die Mathematik ist 121 Jahre älter als Galton. Das Condorcet-Jury-Theorem (1785) beweist, dass bei einer binären Frage, wenn jedes Mitglied mit einer Wahrscheinlichkeit, die auch nur geringfügig über der Hälfte liegt, richtig ist und die Mitglieder unabhängig urteilen, die Wahrscheinlichkeit, dass die Mehrheit richtig ist, mit wachsender Gruppengröße gegen die Gewissheit tendiert. Das Theorem funktioniert in beide Richtungen: Wenn Mitglieder geringfügig schlechter als Zufall sind — falsch informiert oder die Fehler anderer kopierend — wird die Mehrheit fast sicher falsch. Spätere Arbeiten erweiterten das Theorem auf ungleiche Kompetenz (Grofman, Owen & Feld 1983) und zeigten, dass korrelierte Stimmen es erheblich schwächen (Ladha 1992). Unabhängigkeit ist kein Luxus; sie ist die tragende Annahme.
Surowieckis vier Bedingungen für eine weise Menge
James Surowieckis Die Weisheit der Massen (2004) identifizierte, warum einige Massen brillant und andere katastrophal sind. Alle vier Bedingungen müssen erfüllt sein:
Meinungsvielfalt
Jede Person bringt einige private Informationen oder eine andere Interpretation mit – sogar exzentrische. Homogene Gruppen machen die gleichen Fehler in die gleiche Richtung, und korrelierte Fehler heben sich nicht auf.
Unabhängigkeit
Die Urteile der Menschen werden nicht von den Menschen um sie herum diktiert. In dem Moment, in dem Individuen sichtbares Verhalten kopieren, anstatt ihre eigenen Informationen zu nutzen, wird die Menge zu einer Herde – siehe Informationskaskaden.
Dezentralisierung
Die Menschen können sich spezialisieren und auf lokales Wissen zurückgreifen, das keine zentrale Autorität sammeln könnte. Das ist Hayeks Einsicht: Das Wissen, das zählt, ist über die Gruppe verteilt.
Aggregation
Es gibt einen Mechanismus, um private Urteile in ein kollektives umzuwandeln – einen Median, einen Marktpreis, eine Abstimmung, eine Konsensbewertung. Ohne Aggregation bleibt die Weisheit in den Köpfen der Einzelnen eingeschlossen.
Entfernen Sie eine Bedingung und die Menge wird dümmer, nicht klüger. Dies ist die diagnostische Linse für jedes kollektive Versagen: Blasen sind Unabhängigkeitsversagen, Echokammern sind Diversitätsversagen, und Sitzungen, die von der ersten Stimme dominiert werden, sind Aggregationsversagen. Verschiedene Mechanismen aggregieren auch unterschiedliche Dinge — Abstimmungssysteme aggregieren Präferenzen, Prognosemärkte aggregieren Überzeugungen, und strukturierte Überlegungen aggregieren Gründe — daher ist die Wahl des Aggregationsmechanismus selbst eine Designentscheidung.
Wenn Massen scheitern
Die Weisheit der Massen ist nicht automatisch — sie ist fragil und scheitert auf vorhersehbare Weise, wenn ihre Bedingungen brechen:
Informationskaskaden
Wenn Menschen nacheinander entscheiden und frühere Entscheidungen sehen können, wird es individuell rational, private Informationen zu ignorieren und zu imitieren – und Fehler häufen sich. Bikhchandani, Hirshleifer und Welch formalisierten dies 1992. Siehe Informationskaskaden.
Gruppendenken
Irving Janis (1972) zeigte, wie kohäsive Gruppen abweichende Meinungen unterdrücken, um Einstimmigkeit zu erreichen – sein kanonischer Fall war die Invasion in der Schweinebucht. Gruppendenken ist ein sozialer Druckfehler der Unabhängigkeit, der sich von der rationalen Imitation von Kaskaden unterscheidet, aber ebenso destruktiv ist.
Korrelierte Fehler
Wenn alle auf dieselben Quellen zurückgreifen, hören die Fehler auf, sich aufzuheben, und beginnen sich zu verstärken. Jüngste Forschungen (2025) zeigen, dass die kollektive Genauigkeit tatsächlich abnehmen kann, wenn Gruppen wachsen, wenn die Mitglieder hochgradig korrelierte Informationen teilen – der mathematische Grund, warum Echokammern die Massen dümmer machen.
Verankerung an der ersten Stimme
In sequentiellen Diskussionen prägt der erste oder ranghöchste Sprecher unverhältnismäßig das Ergebnis. Unabhängigkeit stirbt in dem Moment, in dem das Urteil öffentlich wird, bevor jeder seine eigene Meinung geäußert hat.
Das Heilmittel ist strukturell, nicht motivierend: Sammeln Sie unabhängige Urteile bevor die Gruppe die Ansichten des anderen sieht, halten Sie die Informationsquellen vielfältig und aggregieren Sie explizit, anstatt zuzulassen, dass Volumen oder Status entscheiden. Das ist genau das, was die Delphi-Methode in den 1950er Jahren pionierte — und was strukturierte Entscheidungsplattformen heute automatisieren.
Wo die Weisheit der Massen heute verwendet wird
Die gleiche Aggregationslogik erscheint in sehr unterschiedlichen Systemen:
Prognosemärkte
Märkte aggregieren verstreute Überzeugungen in einen Preis. Die Iowa Electronic Markets lagen 74 % der Zeit näher an den Wahlergebnissen als 964 zeitgenössische nationale Umfragen von 1988 bis 2004 (Berg, Nelson & Rietz 2008). Siehe Prognosemärkte.
Ensemble-Maschinenlernen
Zufallswälder und andere Ensemble-Methoden sind das Condorcet-Jury-Theorem in Silizium: viele schwache, vielfältige, weitgehend unabhängige Lernende stimmen ab, und die Mehrheit ist viel genauer als jedes einzelne Modell.
Die Delphi-Methode
Strukturierte Expertenbefragung in anonymen Runden – in den 1950er Jahren bei RAND speziell entwickelt, um die Unabhängigkeit vor Rang- und sozialem Einfluss zu schützen.
Kollaborative Entscheidungsplattformen
Werkzeuge, die Argumente und Bewertungen von jedem Stakeholder vor der Konvergenz sammeln, wenden die Bedingungen der Weisheit der Massen auf organisatorische Entscheidungen an – sie aggregieren Gründe, nicht nur Stimmen.
Wie Argumentree die Weisheit der Massen gestaltet
Das Design von Argumentree orientiert sich direkt an den vier Bedingungen:
Unabhängigkeit durch Struktur
Teilnehmer tragen Argumente asynchron und unabhängig bei – bevor die Gruppe konvergiert – und können anonym beitragen. Niemand wird von der ersten oder ranghöchsten Stimme verankert.
Vielfalt als Argumente erfasst
Jeder Stakeholder fügt sein lokales Wissen als explizite Pro- und Contra-Argumente in einen gemeinsamen Baum ein, sodass dezentrale Perspektiven in das Protokoll eingehen, anstatt ungesprochen zu bleiben.
Aggregation, die Sie prüfen können
Mehrdimensionale Bewertungen (Hilfsbereitschaft, Klarheit, Genauigkeit, Vollständigkeit) aggregieren sich zu Konsensbewertungen – ein definierter Mechanismus, der viele private Urteile in ein kollektives Signal umwandelt, wobei die vollständige Prüfspur erhalten bleibt.
Gründe, nicht nur Zahlen
Im Gegensatz zu einem Marktpreis oder einer Abstimmung bleibt die Aggregation mit ihrer Argumentation verbunden: Der Argumentbaum dokumentiert, warum das kollektive Urteil so ausgefallen ist, wie es ist.
Häufig gestellte Fragen
Was ist die Weisheit der Massen?
Die Weisheit der Massen ist das Phänomen, bei dem das aggregierte Urteil einer Gruppe konstant besser abschneidet als das einzelner Experten, vorausgesetzt, vier Bedingungen sind erfüllt: Meinungsvielfalt, Unabhängigkeit des Urteils, Dezentralisierung des Wissens und ein Mechanismus zur Aggregation. Der Begriff wurde nach James Surowieckis Buch von 2004 weit verbreitet, aber die empirische Demonstration geht auf Francis Galton im Jahr 1906 und die Mathematik auf Condorcet im Jahr 1785 zurück.
Wer entdeckte die Weisheit der Massen?
Francis Galton demonstrierte sie empirisch im Jahr 1906, als der Median der Schätzungen von 787 Jahrmarktsbesuchern für das Gewicht eines geschlachteten Ochsen (1.207 lb) innerhalb von etwa 1 % des tatsächlichen Gewichts von 1.198 lb lag – veröffentlicht als 'Vox Populi' in Nature im Jahr 1907. Der Marquis de Condorcet hatte die mathematische Grundlage, das Jury-Theorem, 1785 bewiesen. James Surowiecki popularisierte das Konzept und benannte die vier Bedingungen im Jahr 2004.
Was sind Surowieckis vier Bedingungen für die Weisheit der Massen?
Meinungsvielfalt (jede Person bringt private Informationen oder eine andere Interpretation mit), Unabhängigkeit (Urteile werden nicht von den sichtbaren Meinungen anderer diktiert), Dezentralisierung (Menschen greifen auf spezialisiertes lokales Wissen zurück) und Aggregation (ein Mechanismus wandelt private Urteile in eine kollektive Entscheidung um). Alle vier müssen erfüllt sein – das Entfernen einer macht die Menge weniger genau, nicht genauer.
Wann versagt die Weisheit der Massen?
Sie versagt, wenn ihre Bedingungen brechen: Informationskaskaden und Herden zerstören die Unabhängigkeit, Echokammern und gemeinsame Quellen zerstören die Vielfalt (Fehler werden korreliert und verstärken sich anstatt sich aufzuheben), und unstrukturierte Meetings fehlen echte Aggregation, sodass Status und Lautstärke entscheiden. Gruppendenken – sozialer Druck zur Einstimmigkeit – greift die Unabhängigkeit aus einer anderen Richtung an als Kaskaden, hat aber dasselbe Ergebnis.
Was ist der Unterschied zwischen der Weisheit der Massen und Gruppendenken?
Sie sind Gegensätze, die durch eine Variable erzeugt werden: Unabhängigkeit. Die Weisheit der Massen entsteht, wenn unabhängige Urteile aggregiert werden; Gruppendenken entsteht, wenn sozialer Druck die Mitglieder dazu bringt, sich auf den scheinbaren Konsens der Gruppe zu einigen, bevor unabhängige Urteile gefällt werden. Eine Gruppe, die teilt, diskutiert und sich anpasst, bevor jemand ein privates Urteil abgibt, betreibt Gruppendenken, auch wenn es sich kollaborativ anfühlt.
Was ist das Condorcet-Jury-Theorem in einfachen Worten?
Wenn jede Person in einer Gruppe sogar nur geringfügig wahrscheinlicher als ein Münzwurf ist, um bei einer Ja/Nein-Frage richtig zu sein, und jeder unabhängig urteilt, dann ist die Wahrscheinlichkeit, dass die Mehrheit richtig ist, umso größer, je größer die Gruppe ist – sie nähert sich der Sicherheit. Der Haken: Wenn Menschen geringfügig schlechter als Zufall sind oder sich gegenseitig kopieren, macht dieselbe Mathematik die Mehrheit selbstbewusst falsch.
Was sind reale Beispiele für die Weisheit der Massen?
Galtons Gewichtswettbewerb von 1906 (787 Schätzungen, Median innerhalb von 1 %); Prognosemärkte wie die Iowa Electronic Markets, die 74 % der Zeit 964 nationale Umfragen von 1988 bis 2004 übertrafen; Ensemble-Maschinenlernen, bei dem viele schwache Modelle jedes einzelne starke überstimmen; und die anonymen Expertenrunden der Delphi-Methode, die seit den 1950er Jahren für Prognosen verwendet werden.
Wie wenden kollaborative Entscheidungstools die Weisheit der Massen an?
Sie integrieren die vier Bedingungen in Software: Unabhängige, asynchrone (optional anonyme) Beiträge schützen die Unabhängigkeit; strukturierte Argumenterfassung zieht dezentrales, vielfältiges Wissen ein; und explizite Bewertungen mit Konsensbewertung bieten den Aggregationsmechanismus. Argumentree bewahrt zusätzlich die Argumentationsspur, sodass das kollektive Urteil nachträglich erklärbar bleibt.
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 Jury-Theorem – die mathematische Grundlage des kollektiven Urteils.
Galton, F. (1907). Vox Populi. Nature, 75, 450–451.
Die grundlegende empirische Demonstration: 787 Schätzungen, Median 1.207 lb vs. tatsächlich 1.198 lb.
View source →Hayek, F. A. (1945). The Use of Knowledge in Society. American Economic Review, 35(4), 519–530.
Verstreutes Wissen und Preise als Aggregation – das Plädoyer für Dezentralisierung.
Grofman, B., Owen, G., & Feld, S. L. (1983). Thirteen theorems in search of the truth. Theory and Decision, 15, 261–278.
Erweiterungen des Condorcet-Jury-Theorems auf ungleiche Kompetenz.
Ladha, K. K. (1992). The Condorcet Jury Theorem, Free Speech, and Correlated Votes. American Journal of Political Science, 36(3).
Warum korrelierte Urteile das Theorem schwächen.
Bikhchandani, S., Hirshleifer, D., & Welch, I. (1992). A Theory of Fads, Fashion, Custom, and Cultural Change as Informational Cascades. Journal of Political Economy, 100(5), 992–1026.
Das formale Modell, wie das Beobachten anderer die Unabhängigkeit zerstört.
Surowiecki, J. (2004). The Wisdom of Crowds. Doubleday.
Die vier Bedingungen: Vielfalt, Unabhängigkeit, Dezentralisierung, Aggregation.
Berg, J., Nelson, F., & Rietz, T. (2008). Prediction market accuracy in the long run. International Journal of Forecasting, 24(2), 285–300.
IEM vs. 964 Umfragen, 1988–2004: der Markt war 74 % der Zeit näher dran.
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.
Gruppenintelligenz als messbarer Faktor, der durch den Prozess und nicht durch den durchschnittlichen IQ bestimmt wird.
View source →Burton, J. W., et al. (2024). How large language models can reshape collective intelligence. Nature Human Behaviour, 8, 1643–1655.
Chancen und Homogenisierungsrisiken, die LLMs für die Weisheit der Massen darstellen.
View source →Verwandte Konzepte
Verwandeln Sie Ihr Team in eine weise Menge
Argumentree strukturiert die vier Bedingungen in jede Entscheidung: unabhängiger Beitrag, vielfältige Argumente, explizite Aggregation und eine bewahrte Begründungsspur. Hören Sie auf, nach der lautesten Stimme zu entscheiden.
Kostenlose Testversion starten