HAI: Menschliches Verhalten mit KI-Agenten simulieren

Executive Summary HAI

Die Simulation menschlichen Verhaltens mit KI-Agenten steht kurz davor, die Sozialforschung und politische Entscheidungsfindung grundlegend zu verändern. Neue Architekturen, die Large Language Models (LLMs) mit tiefgehenden Interviewdaten kombinieren, ermöglichen es, individuelle Einstellungen und Verhaltensweisen realitätsnah nachzubilden. In einer aktuellen Studie simulierten Forschende über 1.000 echte Personen und erreichten eine Übereinstimmung von 85 % zwischen Agentenantworten und den Antworten der realen Menschen auf sozialwissenschaftliche Standardumfragen. Das Potenzial: „Was-wäre-wenn“-Szenarien, gezielte Interventionstests und ein besseres Verständnis gesellschaftlicher Dynamiken. Doch es bestehen auch erhebliche Risiken – von Datenschutz über Missbrauch bis hin zur Überbewertung der Simulationsergebnisse. Organisationen und Entscheider:innen stehen jetzt vor der Aufgabe, Chancen und Risiken sorgfältig abzuwägen und geeignete Governance-Strukturen zu etablieren.

Simuliertes menschliches Verhalten mit KI-Agenten: Potenziale, Grenzen und Empfehlungen für Entscheider:innen

1. Hintergrund und Bedeutung

Die Entwicklung von KI-Agenten, die komplexe menschliche Verhaltensweisen simulieren können, schreitet rasant voran. Während KI-Agenten im Alltag bereits Aufgaben wie Flugbuchungen oder Zahlungsabwicklungen übernehmen, rückt eine neue Generation von Simulationsagenten in den Fokus der Forschung. Ihr Ziel: Individuelle Einstellungen, Entscheidungen und soziale Dynamiken realitätsnah nachzubilden, um Interventionen, politische Maßnahmen oder gesellschaftliche Trends im „Testlabor“ zu simulieren.

Gerade für Organisationen, die gesellschaftliche Wirkung entfalten wollen – etwa in Politik, öffentlicher Verwaltung, Gesundheitswesen oder Kommunikation – eröffnet sich damit ein neues Instrumentarium, um evidenzbasierte Entscheidungen zu treffen.

2. Die neue Architektur: LLMs + Tiefeninterviews

Die Basis der aktuellen Forschung ist eine innovative Architektur, die Large Language Models (wie GPT) mit vollständigen Transkripten zweistündiger Tiefeninterviews kombiniert. In der Studie von Park et al. (2025) wurden 1.052 repräsentativ ausgewählte US-Bürger:innen ausführlich interviewt. Die Transkripte wurden dann genutzt, um generative KI-Agenten zu „trainieren“, die auf Fragen so antworten, wie es die jeweilige reale Person tun würde.

Zur Validierung wurden die Antworten der KI-Agenten mit den tatsächlichen Antworten der Menschen auf verschiedene sozialwissenschaftliche Umfragen verglichen, darunter:

• Das General Social Survey (Einstellungen, Werte, Verhalten)

• Big Five Persönlichkeitstest

• Verhaltensökonomische Experimente (z. B. Diktatorspiel, Trust Games)

• Soziale Experimente (z. B. Einfluss von Fairness auf Emotionen)

  
  

Ergebnis: Die KI-Agenten erreichten im Schnitt 85 % der Genauigkeit, mit der Menschen ihre eigenen Antworten nach zwei Wochen wiederholen. In Persönlichkeitsdimensionen lag die Korrelation bei 80 %, in ökonomischen Spielen bei 66 %.

3. Chancen und Potenziale

a) Forschung & Innovation

• Testen von Interventionen: Organisationen können „was-wäre-wenn“-Szenarien simulieren (z. B. neue Gesundheitskampagnen, politische Botschaften, Produktlaunches).

• Besseres Verständnis sozialer Dynamiken: Wie reagieren unterschiedliche Gruppen auf Krisen, Innovationen oder politische Maßnahmen?

• Reduktion von Bias: Die Interview-basierten Agenten zeigen weniger Verzerrung über politische, ethnische und geschlechtliche Gruppen hinweg als klassische demografiebasierte Modelle.

b) Praxisbezug für Organisationen

• Evidenzbasierte Entscheidungsfindung: Vorab testen, wie Zielgruppen auf geplante Maßnahmen reagieren könnten.

• Personalentwicklung: Simulation von Trainings- und Change-Prozessen mit verschiedenen Persönlichkeitstypen.

• Innovationsmanagement: Frühe Abschätzung von Akzeptanz und Widerständen bei neuen Produkten oder Prozessen.

4. Risiken und Herausforderungen

a) Überbewertung der Genauigkeit

• Grenzen der Simulation: Die Genauigkeit schwankt je nach Kontext; insbesondere Verhalten ist schwieriger zu simulieren als Einstellungen.

• Gefahr der Überinterpretation: KI-Agenten sollten nicht als Ersatz für echte Feldstudien betrachtet werden.

b) Datenschutz und Ethik

• Verarbeitung sensibler Daten: Die verwendeten Interviewdaten sind höchstpersönlich und schützenswert.

• Missbrauchspotenzial: Manipulation von Agentenantworten kann zu Rufschädigung oder Falschzuordnungen führen.

• Einwilligungsmanagement: Teilnehmende müssen Kontrolle über die Nutzung ihrer Daten behalten (z. B. Widerrufsmöglichkeit).

c) Governance & Regulierung

• Transparenzpflichten: Wer nutzt die Agenten wann und zu welchem Zweck?

• Zugangsbeschränkungen: Öffentliche Freigabe der Agenten ist nicht vorgesehen; kontrollierte API-Nutzung für Forschung empfohlen.

• Auditierbarkeit: Nachvollziehbarkeit aller Agenten-Nutzungen (z. B. durch Audit-Logs).

5. Handlungsempfehlungen für Entscheider:innen

1. Transparenz und Governance etablieren:

   • Einführung von Audit-Logs für jede Agentennutzung.

   • Klare Dokumentation, wer, wann und wofür KI-Agenten einsetzt.

2. Datenschutz und Einwilligung sicherstellen:

   • Einwilligungsmanagement mit Widerrufsmöglichkeiten.

   • Regelmäßige Überprüfung der Datennutzung und -sicherheit.

3. Risikoabschätzung vor Anwendung:

   • Kritische Reflexion, ob der geplante Einsatzbereich ausreichend validiert ist.

   • Keine Übertragung der Ergebnisse auf nicht getestete Kontexte.

4. Bias-Monitoring und Fairness-Prüfung:

   • Regelmäßige Analyse von Gruppenunterschieden in den Simulationsergebnissen.

   • Maßnahmen zur Bias-Reduktion (z. B. diverse Trainingsdaten, Subgruppenanalysen).

5. Forschungspartnerschaften nutzen:

   • Zusammenarbeit mit Universitäten und spezialisierten Forschungseinrichtungen.

   • Nutzung von kontrollierten, forschungsorientierten API-Zugängen statt Eigenentwicklung.

6. Ethik- und Compliance-Standards anpassen:

   • Orientierung an aktuellen Leitlinien (z. B. EU AI Act, DSGVO, W3C Accessibility).

   • Interne Ethik-Boards für KI-Projekte einrichten.

   
   

Fazit

KI-Agenten, die menschliches Verhalten simulieren, eröffnen neue Horizonte für evidenzbasierte Entscheidungsfindung und Innovation im gesellschaftlichen Kontext. Doch der Umgang mit diesen mächtigen Werkzeugen erfordert verantwortungsvolle Governance, Datenschutz, Transparenz und eine realistische Einschätzung der Möglichkeiten und Grenzen. Organisationen, die jetzt die richtigen Weichen stellen, sichern sich nicht nur Innovationsvorsprünge, sondern stärken auch das Vertrauen ihrer Stakeholder.

Quellen

• Joon Sung Park, Carolyn Q. Zou, et al., “Generative Agent Simulations of 1,000 People,” arxiv.org, November 15, 2024, https://arxiv.org/abs/2411.10109

• Stanford HAI Policy Brief: Simulating Human Behavior with AI Agents, May 2025, https://hai.stanford.edu

• EU AI Act, Stand 2025

• Eigene Recherchen und Analysen, AI COMPL1ZEN UG

#HAI #humancenteredAI #wirlebenKI

Originalquelle: Standford wurde aus dem Englischen übersetzt