Wie KI-gestützte Massensimulationen öffentliche Reaktionen vorhersagen

KI-gestützte Massensimulationen prognostizieren öffentliche Reaktionen, indem sie eine Population von KI-Agenten aus realen Kontexten erstellen und diese über einen längeren Zeitraum interagieren lassen, anstatt ein einzelnes Modell nach einer einzigen Antwort zu fragen. In InfoDome wird Ihr Dokument zu einem Wissensgraphen, dieser Graph wiederum zu Hunderten von Agenten mit jeweils eigenem Charakter, eigener Position und eigenem Gedächtnis. Diese Agenten debattieren auf zwei simulierten Plattformen über eine festgelegte Anzahl von Runden. Ein Analystenagent liest anschließend die Ergebnisse und erstellt einen Prognosebericht, den Sie hinterfragen können.

Warum eine Menschenmenge simulieren, anstatt ein einzelnes Modell zu befragen?

Fragt man ein einzelnes KI-Modell: „Wie werden die Menschen darauf reagieren?“, erhält man einen plausiblen Absatz. Dieser ist oft nachvollziehbar, aber eben nur ein Durchschnittswert: eine Stimme, die sich alle gleichzeitig vorstellt. Reale Reaktionen funktionieren nicht so. Menschen reagieren aufeinander. Der Beitrag eines Kritikers prägt die Wahrnehmung der Nachricht durch einen neutralen Leser; die Antwort eines Verteidigers beeinflusst die weitere Aussage des Kritikers; ein Journalist greift die lauteste, nicht die zutreffendste Darstellung auf.

Eine Massensimulation versucht, diese Dynamik abzubilden. Anstatt eines angenommenen Konsenses modelliert sie viele unterschiedliche Akteure und lässt das Ergebnis aus deren Interaktion entstehen. Deshalb kann das Ergebnis überraschen, und deshalb lohnt es sich, Überraschungen zu überprüfen. Die umfassendere Methode ist als Multiagentensimulation bekannt; ihre Hintergründe erläutern wir im Abschnitt „Was ist Multiagentensimulation?“ .

Schritt 1: Vom Dokument zum Wissensgraphen

Alles beginnt mit Ihrem Material: Nachrichten, Pläne, Berichte, Richtlinienentwürfe oder fiktive Texte, im PDF, Markdown oder Textformat. InfoDome liest es zusammen mit Ihrer verständlichen Beschreibung dessen, was Sie vorhersagen möchten, und extrahiert daraus einen Wissensgraphen:

• Entitäten : Personen, Organisationen und Gruppen, die im Text erwähnt werden.
• Beziehungen : Wer unterstützt, bekämpft, ist von wem abhängig, berichtet über wen oder konkurriert mit wem?
• Kontext : die Fakten und Positionen, die der Text jedem von ihnen zuschreibt.

Die Grafik ist wichtig, weil sie die Simulation an Ihre konkrete Situation anpasst und nicht an allgemeine Annahmen. Sie ist außerdem für Sie sichtbar, sodass Sie erkennen können, was das System vor der eigentlichen Simulation verstanden hat.

Schritt 2: Vom Graphen zu den Agenten

Aus dem Diagramm und Ihrer Zielgruppenbeschreibung erstellt InfoDome Hunderte von KI-Agenten; die genaue Anzahl hängt vom Dokument ab. Jeder Agent erhält:

• Ein Charakter : Temperament, Interessen, die Art und Weise, wie er spricht und interagiert.
• Eine Position : Wo man in dieser Angelegenheit ansetzt, basierend auf der Grafik.
• Langzeitgedächtnis : Was es gesehen, gesagt und gehört hat, bleibt über mehrere Runden hinweg erhalten.
• Ein Land : Sie können bis zu 10 Zielländer auswählen, auf die die Agenten gleichmäßig verteilt werden. Die im Dokument genannten juristischen Personen behalten ihr jeweiliges Land.

Die Mischung ist bewusst gewählt. Einige Agenten repräsentieren namentlich genannte Organisationen oder Personen aus Ihrem Text; andere repräsentieren Mitglieder des breiteren Publikums, sodass die Simulation sowohl die sichtbaren Akteure als auch die Menge, die auf sie reagiert, umfasst.

Schritt 3: Runden auf zwei Plattformen

Die Agenten interagieren dann in einem simulierten sozialen Netzwerk, das parallel auf zwei Plattformen läuft:

• Ein Twitter -ähnlicher Feed : kurze Beiträge, schnelle Reaktionen, Reposts. Hier verbreiten sich Meinungen rasant und der Tonfall wird immer hitziger.
• Ein Forum ähnlich wie Reddit : längere Threads und Antworten. Hier werden Argumente geprüft, Details diskutiert und Positionen verfestigt oder abgeschwächt.

Sie wählen die Anzahl der Runden, beispielsweise 10, 20 oder 40. In jeder Runde lesen die Teilnehmer die Beiträge der anderen, entscheiden, ob und wie sie reagieren, und aktualisieren ihr Gedächtnis. Da die Informationen gespeichert werden, ist Runde 15 von den Ereignissen der Runden 1 bis 14 geprägt. Ein Argument, das anfangs unbeantwortet blieb, kann später als allgemein anerkannt gelten; eine Korrektur, die zu spät eintraf, kann sich möglicherweise nicht mehr durchsetzen.

Schritt 4: Vom Gespräch zum Bericht

Nach der letzten Runde analysiert ein Analyst die simulierten Aktivitäten und erstellt einen Prognosebericht mit Schlussfolgerungen: vorherrschende Narrative, welche Gruppen sich bewegten und warum, welche Akteure als Verstärker wirkten sowie welche Risiken und offenen Fragen bestehen bleiben. Der Bericht ist jedoch nicht das einzige Ergebnis. Sie können die zugrundeliegenden Beiträge einsehen, jeden Agenten zu seinen Beweggründen befragen und dem Analysten Folgefragen stellen. Diese Nachvollziehbarkeit macht aus einer Simulation eine überprüfbare Hypothese und kein undurchsichtiges Urteil.

Warum Reaktionen zweiter Ordnung wichtig sind

Die erste Reaktion auf Nachrichten lässt sich meist leicht vorhersagen. Eine Preiserhöhung verärgert die Kunden; eine neue Verordnung beunruhigt die regulierte Branche. Schwer vorherzusagen ist hingegen die Folgereaktion : die Reaktion auf die Folgereaktion.

Beispiele für Effekte zweiter Ordnung, die bei einer Massensimulation auftreten können:

• Die defensive Antwort eines Unternehmens macht aus einer kleinen Beschwerde eine Geschichte über Arroganz.
• Ein Gerücht gerät in Vergessenheit, überlebt aber in einem Forumthread, der später wieder auftaucht.
• Die verhaltene Unterstützung eines Verbündeten wird von neutralen Akteuren als Zeichen für versteckte Probleme interpretiert.
• Zwei Gruppen, die ursprünglich auf entgegengesetzten Seiten standen, entdecken eine gemeinsame Beschwerde und verbünden sich.

Diese Effekte treten erst dann auf, wenn Akteure im Laufe der Zeit aufeinander reagieren – genau dafür sind Gesprächsrunden und die Erinnerungsfunktion da. Sie sind auch die Effekte, die Organisationen am häufigsten überraschen, da sie durch kein einzelnes Stakeholder-Interview aufgedeckt werden können.

Ein ausgearbeitetes Beispiel

Eine Stadtverwaltung erarbeitet einen Plan zur Umwandlung einer belebten Einkaufsstraße in eine Fußgängerzone. Das Planungsteam lädt den Entwurf, eine Zusammenfassung einer Verkehrsuntersuchung und einen lokalen Nachrichtenbericht mit Zitaten von Ladenbesitzern hoch. Sie befragen Anwohner, Ladenbesitzer, Lieferdienste und lokale Medien zu ihren Reaktionen im ersten Monat und führen in einem Land 40 Umfragerunden durch.

Die ersten Runden bringen keine Überraschungen: Ladenbesitzer sorgen sich um Lieferungen, Anwohner begrüßen die Aussicht auf weniger Lärm. Dann zeichnet sich ein neues Muster ab. Ein Mitarbeiter eines Lieferdienstes postet, dass Lieferfenster am frühen Morgen die meisten Probleme lösen würden. Ladenbesitzer im Forum greifen dies auf, und ihre Kritik verschiebt sich von „gegen den Plan“ zu „gegen den Plan ohne Lieferfenster“. Gleichzeitig verstärkt ein lokaler Medienvertreter im Feed die Beschwerde eines Anwohners über Parkplatzprobleme, wodurch die Aufmerksamkeit von den Lieferungen abgelenkt wird.

Der Analystenbericht kommt zu dem Schluss, dass Lieferfenster die Konkurrenz spalten könnten und dass Parkplatzmangel das größere und beständigere Risiko darstellt. Das Team befragt den Medienvertreter, um zu verstehen, welche Fakten seine Darstellung verändern würden, und ergänzt den Plan anschließend um einen Parkplatzabschnitt. Die Simulation lieferte zwar keine Erkenntnisse über die reale Straße, aber sie gab dem Team zwei konkrete, überprüfbare Hypothesen. Für Situationen, in denen Gerüchte stark im Umlauf sind, basiert das Szenario zur Gerüchteverbreitung auf denselben Mechanismen.

Zu beachtende Grenzen

Die Simulation von Menschenmengen ist ein leistungsstarkes Verfahren zur Erforschung von Dynamiken, hat aber klare Grenzen:

• Agenten sind KI-Modelle, die auf Ihre Dokumente trainiert werden. Fehlende Beteiligte oder einseitiges Material führen zu blinden Flecken.
• Die Ergebnisse sind nicht statistisch repräsentativ wie eine Umfragestichprobe, und die Prozentsätze sollten nicht als tatsächliche Marktanteile interpretiert werden.
• Unterschiedliche Spielverläufe können unterschiedlich verlaufen. Behandeln Sie wiederkehrende Muster als stärkere Signale als einzelne dramatische Momente.

Unter Berücksichtigung dieser Einschränkungen ist die Simulation eine schnelle Methode, um mögliche Folgeereignisse und deren Ursachen zu ermitteln. Um dies in Ihrem eigenen Anwendungsfall auszuprobieren, erstellen Sie eine Aufgabe in der Konsole .