Zwei KIs debattieren lassen: eine Methode, kein Spektakel

Wie man zwei KIs debattieren lässt: einen Dialog zwischen LLMs orchestrieren und analysieren

Sie haben die Szene wahrscheinlich schon gesehen: zwei KIs, aneinandergekoppelt, sich selbst überlassen, bis das Gespräch abschweift, sich wiederholt oder einen Jargon hervorbringt, dem niemand mehr folgen kann.

Die Demonstration zeigt, dass ein Dialog zwischen KIs möglich ist. Sie sagt noch nicht, wozu er dienen kann. Zwei KIs debattieren zu lassen wird zu einer Methode, wenn der Austausch so organisiert ist, dass Positionen, Einwände, Verschiebungen und Meinungsverschiedenheiten beobachtbar werden — und anschließend analysiert werden können. Metamorfon baut dieses Dispositiv in zwei Schritten auf: den Dialog orchestrieren und anschließend seinen Verlauf analysieren.

Warum eine solche Konfrontation zu einem Denkinstrument werden kann — und warum sie keinerlei Wahrheitsgarantie bietet — wird in Metamorfon, ein Denkinstrument ausführlicher behandelt. Hier ist die Frage praktischer: Wie lassen sich mehrere Modelle debattieren, ohne dass ihr Gespräch zu formlosem Material wird?

Warum zwei KIs debattieren lassen?

Befragt man ein einzelnes Modell, erhält man eine Antwort. Befragt man mehrere Modelle getrennt voneinander, erhält man mehrere Antworten.

Lässt man sie einander antworten, entsteht etwas anderes: ein Verlauf.

Eine Behauptung trifft auf einen Einwand. Das Modell, das sie formuliert hat, kann sie aufrechterhalten, präzisieren, einen Teil seiner Argumentation aufgeben oder das Problem verschieben. Ein anderes Modell kann eine Unterscheidung einführen, die in der ersten Runde noch nicht existierte. Eine anfängliche Konvergenz kann sich verstärken oder zerbrechen, sobald sie der Kritik ausgesetzt wird.

Diese zeitliche und interaktionale Dimension unterscheidet eine Debatte von einer bloßen Nebeneinanderstellung von Antworten.

Die Forschung zum Multi-Agent Debate zeigt, dass eine solche Konfrontation unter bestimmten Protokollen Argumentation und Faktentreue verbessern kann (Du et al., ICML 2024). Sie zeigt zugleich, dass dieser Gewinn nicht automatisch eintritt: Debattenstrategien übertreffen einfachere Verfahren wie Ensembling oder Self-Consistency nicht systematisch, und ihre Ergebnisse hängen stark vom verwendeten Protokoll ab (Smit et al., ICML 2024).

Es genügt also nicht, die Stimmen zu vervielfachen. Die Form ihrer Interaktion zählt.

Eine Session darüber, ob Sprachmodelle der Vielfalt des Denkens schaden zeigte dies in beinahe reflexiver Form. Zwei Modelle, die über das Risiko einer durch KI erzeugten Homogenisierung des Denkens diskutierten, näherten sich im Verlauf selbst in ihrer Argumentationsweise an: ähnliche Begriffe, verwandte Unterscheidungen, eine zunehmend gemeinsame Grammatik der Begründung.

Das Interessante war nicht, dass diese Konvergenz ausgereicht hätte, eine kognitive Monokultur nachzuweisen, sondern dass sie einige ihrer möglichen Mechanismen beobachtbar machte.

Das Problem der improvisierten Debatte

Mehrere Modelle miteinander ins Gespräch zu bringen reicht nicht aus, um eine gute Debatte hervorzubringen.

Das erste Risiko ist die Drift. Je mehr Runden sich ansammeln, desto stärker reagieren die Modelle auf das, was ihre Gesprächspartner gerade gesagt haben, und desto weiter können sie sich allmählich von dem Problem entfernen, das den Austausch ursprünglich ausgelöst hat.

Dies ist nicht nur eine informelle Beobachtung. Becker und seine Koautoren haben das Phänomen als Problem Drift in länger dauernden Multi-Agenten-Debatten untersucht: Bei mehreren Aufgabentypen kann sich die Diskussion schrittweise vom Ausgangsproblem entfernen, insbesondere wenn der Austausch keinen klaren Fortschritt mehr hervorbringt oder die Rückmeldungen zwischen den Agenten wenig informativ werden (Becker et al., EACL 2026).

Ein zweites Risiko betrifft die Positionen. Wenn nichts ein Modell dazu verpflichtet, über seine früheren Festlegungen Rechenschaft abzulegen, kann es seine These schrittweise verändern, ohne kenntlich zu machen, was zu dieser Veränderung geführt hat. Eine begründete Revision ist interessant; eine Veränderung ohne Gedächtnis weit weniger.

Das dritte Risiko ist ein Gespräch, das sich im Nachhinein nur schwer lesen lässt. Eine Folge von Texten kann intellektuell reich sein und dennoch kaum erkennen lassen, was tatsächlich geschehen ist: wo ein Einwand auftrat, welche Unterscheidung standhielt, welches Argument eine Revision auslöste.

Die Debatte zu orchestrieren bedeutet gerade, diesen Verlauf beobachtbar zu machen.

Orchestrieren: dem Austausch eine Form geben

Die erste Entscheidung betrifft die Dialogarchitektur: Wer spricht mit wem, in welcher Reihenfolge und mit welchen Informationen?

In Metamorfon können zwei Modelle Antwort für Antwort in einem Wechseldialog aufeinander reagieren oder gleichzeitig antworten, nachdem sie die Beiträge der vorangegangenen Runde gelesen haben, in einem Kreuzdialog. Mit drei Modellen entsteht ein Kreuztrilog. Jede dieser Situationen gibt es auch in einer adaptiven Variante.

Diese Architekturen verändern nicht nur die Darstellung. Sie verändern die Zirkulation der Information innerhalb der Debatte.

Dann kommen die Anweisungen an die Modelle. Ihre Aufgabe besteht nicht darin festzulegen, zu welchem Schluss die Modelle gelangen sollen, sondern die Regeln ihrer Teilnahme zu bestimmen. Der Geist der Anweisungen beruht auf dieser Unterscheidung: eine Form vorschreiben, niemals eine Schlussfolgerung.

Einem Modell wird also keine von außen gewählte These zugewiesen. Hat es jedoch einmal Position bezogen, erlaubt die Kontinuität der Session zu beobachten, was es mit dieser Position macht.

Eine Position zu halten heißt nicht, an ihr festzuhalten. Sie kann sich verändern, wenn ein Einwand trifft. Entscheidend ist, dass die Verschiebung intelligibel bleibt: dass erkennbar ist, was sich geändert hat und, soweit möglich, warum.

Eine Session darüber, wie echtes von simuliertem Alignment unterschieden werden kann macht diesen Effekt der Architektur besonders sichtbar. Drei Modelle entwickelten im Adaptiven Kreuztrilog unter wechselseitigem Druck schrittweise eine gemeinsame mehrstufige Prüfarchitektur, die in keiner ihrer Ausgangspositionen bereits vollständig vorhanden war.

Das Regime wechseln, ohne die Frage zu wechseln

Die Orchestrierung betrifft auch das Regime des Dialogs.

In einer festen Architektur bleibt der Austausch im Modus Ausgewogen. In den adaptiven Architekturen kann der Nutzer zwischen fünf Debattenmodi wechseln: Konvergent, Konstruktiv, Ausgewogen, Kritisch und Refutativ.

Sie sind keine fünf Stufen zunehmender Aggressivität.

Der Modus Konvergent sucht, was gemeinsam festgehalten werden kann. Der Modus Konstruktiv fordert die Modelle auf, auf den Beiträgen der anderen aufzubauen. Ausgewogen hält Aufbau und Einwand zugleich im Spiel. Kritisch prüft die Argumente innerhalb des anerkannten Rahmens. Refutativ erlaubt, den Rahmen selbst zu befragen: Voraussetzungen, Kategorien oder Prämissen, die die Beteiligten bis dahin als gegeben behandelt hatten.

In einer adaptiven Architektur können diese Regime innerhalb derselben Session wechseln.

Die Frage bleibt dieselbe; die Operation, die an ihr vorgenommen wird, ändert sich.

Diese Steuerung erfolgt nicht automatisch. Die Modelle wenden den Modus an, der ihnen vorgegeben wird; die Wahl des Modus liegt beim Nutzer, der die Session steuert. Er beobachtet, was die vorangegangene Runde hervorgebracht hat, und entscheidet, was nun aufgebaut, bestritten oder verschoben werden soll.

Neu ausrichten, ohne das Vorangegangene zu löschen

Auch eine gut orchestrierte, länger dauernde Debatte entwickelt Trägheit.

Indem die Modelle fortlaufend auf bereits vorhandene Argumente reagieren, können sie eine neue Frage des Nutzers in den gemeinsam aufgebauten Rahmen einziehen, statt sie für sich zu prüfen.

An dieser Stelle greift der Fokus-Modus.

Für eine Runde behalten die Modelle den vollständigen Kontext der Session, sind aber nicht mehr verpflichtet, einander zu antworten. Jedes behandelt die Intervention des Nutzers direkt; in der folgenden Runde wird das laufende Debattenregime automatisch wieder aufgenommen.

Der Fokus ist daher kein sechster Debattenmodus. Er operiert auf einer orthogonalen Ebene: Für einen Moment setzt er die Interaktion aus, um eine Frage vor der Trägheit eben dieser Interaktion zu schützen.

Sein Nutzen ergibt sich gerade daraus, dass Drift existiert. Er sollte jedoch punktuell bleiben: Würde er in jeder Runde eingesetzt, verschwände das, was den Wert eines Multi-Modell-Dispositivs ausmacht — die Arbeit der Positionen aneinander.

In der bereits genannten Alignment-Session wurde der Fokus genau in diesem Sinn eingesetzt: Nachdem die drei Modelle eine gemeinsame Prüfarchitektur aufgebaut hatten, musste jedes für sich deren konkrete Form festschreiben und zum verbleibenden Streitpunkt Stellung beziehen. Später wurde eine aus der Emergenzanalyse hervorgegangene Frage unter Fokus-Schutz wieder in die Session eingespeist. So konnte geprüft werden, was von der gemeinsam aufgebauten Architektur übrigblieb, wenn eine ihrer zentralen Voraussetzungen entfiel.

Analysieren: lesen, was die Debatte hervorgebracht hat

Eine abgeschlossene Session enthält mehr als ihre Schlussfolgerungen.

Sie enthält Ausgangspositionen, Einwände, Zugeständnisse, anhaltende Meinungsverschiedenheiten, Definitionsverschiebungen, Verzweigungen und mitunter Elemente, die erst im Verlauf der Interaktion entstanden sind. Ohne Leseraster verliert Material von mehreren Zehntausend Wörtern leicht seine Struktur.

Die Analysemodi stellen dem Material deshalb nicht alle dieselbe Frage.

Die Integrative Synthese sucht danach, was sich aus den Beiträgen gemeinsam rekonstruieren lässt. Sie ordnet die Pluralität zu einem kohärenten Ganzen, ohne die Session auf eine Abfolge von Runden zu reduzieren. So lässt sich aus einer Session ein unmittelbar verwendbares, zitierbares oder teilbares Ergebnis gewinnen.

Die Emergenzanalyse verfolgt eine andere Spur: Sie sucht Begriffe, Unterscheidungen oder Rahmungen, die zu Beginn nicht in ihrer späteren Form vorhanden waren und deren Entstehung sich im Austausch nachvollziehen lässt.

In der Alignment-Session gehörten dazu unter anderem die gemeinsam stabilisierte mehrstufige Diagnostik und die zusätzliche Kategorie „nicht zertifizierbar“. Der Wert der Analyse liegt nicht darin zu behaupten, kein einzelnes Modell hätte diese Elemente allein hervorbringen können, sondern darin, ihre Genese im tatsächlichen Verlauf der Session nachvollziehen zu können.

Der Horizont der Möglichkeiten blickt noch einen Schritt weiter: nicht auf das, was der Dialog tatsächlich hervorgebracht hat, sondern auf das, was er formulierbar gemacht hat, ohne es zu formulieren. Er sucht nicht gezogene Implikationen, vorbereitete, aber nicht gestellte Fragen und Verschiebungen des Problems, die durch die Session denkbar geworden sind, ohne ausdrücklich ausgesprochen zu werden.

Die Spannungskartografie richtet den Blick dagegen auf das, was sich nicht aufgelöst hat: anhaltende Meinungsverschiedenheiten, inkompatible Kriterien, Gegensätze, die die Diskussion nicht absorbieren konnte.

Die Meta-Analyse geht unter die expliziten Argumente: zu geteilten Voraussetzungen, unterschiedlichen Auffassungen vom Beweis, epistemischen Stilen und blinden Flecken, die den Austausch innerhalb seines Rahmens strukturiert haben.

Die Kritische Archäologie geht noch eine Ebene weiter zurück. Sie befragt den Rahmen selbst: das, was die Formulierung der Frage, ihr Vokabular und die Interventionen des Nutzers bereits möglich, unwahrscheinlich oder undenkbar gemacht hatten, bevor die Modelle zu argumentieren begannen. Sie fragt also nicht nur, was die Debatte voraussetzt, sondern was vorausgesetzt werden musste, damit diese Debatte gerade in dieser Form stattfinden konnte.

Auf die Session zur kognitiven Monokultur angewandt, legte die Kritische Archäologie beispielsweise frei, was die Ausgangsfrage bereits gesetzt hatte: „wachsende Abhängigkeit“ als Tatsache, Denkvielfalt als Schutzgut und eine bestimmte kausale Richtung zwischen Technik und Denken. Sie machte außerdem sichtbar, wie das im Verlauf eingeführte Vokabular empirischer Operationalisierung den Raum der möglichen Antworten zunehmend strukturierte.

Diese sechs Modi versuchen weder, das beste Modell zu bestimmen, noch zu entscheiden, welche These wahr ist. Sie machen verschiedene Schichten der Session sichtbar: was sie aufgebaut hat, was sie offengelassen hat, was ihr widerstanden hat, was sie strukturiert hat und was den Raum, in dem sie denken konnte, bereits zuvor konfiguriert hatte.

Die Modi konkurrieren nicht miteinander. Dieselbe Session kann nacheinander durch mehrere gelesen werden, und jeder kann etwas sichtbar machen, das die anderen nicht erfasst haben. Darin liegt ein zentraler Gebrauch von Metamorfon: nicht KIs zu beurteilen, sondern ihre Konfrontation als Instrument zu verwenden, um eine schwierige Frage zu durchdenken.

Diese Analysen sind zudem nicht notwendig Endpunkte. Jeder der deskriptiven Modi kann mit einer Frage schließen — nicht mit einer rhetorischen Frage an den Leser, sondern mit einem echten Wiederanstoß, den das analysierende Modell aus seiner Beobachtung ableitet und an die Modelle richtet, die debattiert haben.

Eine solche Frage kann eine Voraussetzung treffen, die für eine Einigung beiseitegeschoben wurde, oder eine Dimension, die außerhalb des gemeinsamen Rahmens geblieben ist. Der Nutzer kann sie in der nächsten Runde wieder einspeisen, als hätte er sie selbst gestellt, und die Debatte beginnt auf einem verschobenen Problem erneut.

Die Folge debattieren → analysieren → debattieren kann so zu einer Spirale werden: Eine Analyse öffnet das, was sie gerade gelesen hat, aus einer anderen Perspektive wieder.

Bewerten: Argumentation und Tatsachen auseinanderhalten

Zwei Analysemodi vollziehen eine andere Operation: Sie bewerten.

Die Argumentative Bewertung fragt, ob die vertretenen Positionen argumentativ angemessen gestützt wurden.

Hat ein Einwand eine Antwort erhalten? Folgt eine Schlussfolgerung aus den vorgebrachten Prämissen? Wechselt ein Modell stillschweigend den Maßstab, wenn es von der eigenen These zur These des Gegenübers übergeht? Wird eine Position unwiderlegbar, weil ihre Begriffe mit jedem Einwand neu definiert werden?

Diese Unterscheidung zwischen der verteidigten Schlussfolgerung und der Qualität ihrer Verteidigung knüpft insbesondere an die pragma-dialektische Tradition an, die Argumentation als kritische Diskussion behandelt, deren Regeln unabhängig von der vertretenen Position geprüft werden können (van Eemeren, 2018).

Dieser Modus wurde auf die Session zur kognitiven Monokultur angewandt. Zwei unabhängige Modelle analysierten denselben Austausch. Beide identifizierten unter anderem die starke Behandlung des Zirkularitätseinwands, eine begrifflich produktive Unterscheidung zwischen semantischer Homogenisierung und der Vereinheitlichung der „Syntax des Denkens“ sowie die Schwäche eines Messindikators, der Textähnlichkeit erfassen sollte, während die verteidigte These auf eine tiefere Struktur des Denkens zielte.

Die Übereinstimmung zwischen den Audits macht diese Befunde nicht automatisch wahr. Sie zeigt aber, welche argumentativen Merkmale sich im Material hinreichend deutlich abzeichnen, um von verschiedenen Analysatoren unabhängig erkannt zu werden.

Die Quellenprüfung betrifft eine andere Verwundbarkeit.

Eine Argumentation kann vollkommen kohärent aufgebaut sein und von einer falschen Zahl ausgehen. Eine reale Studie kann für eine Schlussfolgerung angeführt werden, die sie nicht trägt. Eine Zuschreibung kann plausibel klingen und dennoch nicht auffindbar sein.

Dieser Modus konfrontiert daher die überprüfbaren Behauptungen, die die argumentative Last tragen, mit Quellen außerhalb der Debatte. Er nutzt Webrecherche, um zu prüfen, ob die Behauptungen mit den von ihnen angeführten Quellen übereinstimmen.

Eine Session darüber, welche Regionen bis 2100 unbewohnbar werden zeigt den Unterschied deutlich. Die nachgelagerte Prüfung fand nicht vor allem glatte Erfindungen, sondern ein wiederkehrendes Muster der Überdehnung: reale Referenzen, denen präzisere oder stärkere Aussagen zugeschrieben wurden, als sich aus ihnen belegen ließ; Zahlen, deren Größenordnung plausibel war, deren genaue Form aber nicht hielt; sowie Fehlzuordnungen bei Autoren oder Publikationsjahren.

Die beiden Operationen ersetzen einander nicht.

Die Argumentative Bewertung untersucht, was die Modelle mit ihren Prämissen tun. Die Quellenprüfung untersucht einige dieser Prämissen außerhalb des Dialogs.

Diese beiden bewertenden Modi sind die Ausnahme, nicht die Regel. Das meiste, was Metamorfon tut, ist deskriptiv: verstehen, kartieren, Emergenz sichtbar machen. Doch wenn öffentlich auf ein Material zurückgegriffen werden soll — für eine Position, ein Memo oder einen Artikel —, verändert die Möglichkeit, sowohl die Solidität der Argumentation als auch die Treue der Quellen zu prüfen, den verantwortbaren Umgang damit.

Die Analyse kann zur nächsten Runde werden

Eine Session zu analysieren heißt nicht zwangsläufig, sie zu beenden.

Eine Analyse kann zeigen, dass die Teilnehmer eine Voraussetzung teilen, die keiner von ihnen in Frage gestellt hat. Sie kann eine Meinungsverschiedenheit isolieren, die im Verlauf verdeckt worden war. Sie kann zeigen, dass eine spät entstandene Unterscheidung eine interessantere Frage eröffnet als die ursprüngliche.

Die Analysemodi von Metamorfon können deshalb mit einer Frage schließen: mit jener Frage, die das analysierende Modell den Teilnehmern jetzt stellen würde. Diese Frage kann in die Session zurückgeführt werden.

Der Prozess wird dann:

Dialog → Analyse → Neuformulierung → erneute Erprobung.

Das Dispositiv versucht nicht mehr nur, eine bessere Antwort auf das ursprüngliche Problem zu erhalten. Es erlaubt, das Problem selbst schrittweise zu verändern, ausgehend von dem, was seine Erprobung sichtbar gemacht hat.

In der Alignment-Session geschah genau dies: Eine Emergenzanalyse endete mit der Frage, was von der gemeinsam entwickelten Prüfarchitektur übrigbliebe, wenn mechanistische Interpretierbarkeit nicht skaliert und ein „wahres Ziel“ keine wohldefinierte interne Größe wäre. Diese Frage wurde anschließend wieder in die Debatte eingespeist.

Hier trifft dieser methodische Artikel auf das theoretischere Argument von Metamorfon, ein Denkinstrument: Die Konfrontation dient nicht nur dazu, Aussagen zu erproben. Sie kann auch die Unterscheidungen und Fragen verändern, mit denen die Untersuchung begonnen hat.

Debattieren heißt nicht vergleichen

„Zwei KIs debattieren lassen“ kann zu einer weiteren Verwechslung führen: Mehrere Modelle miteinander zu konfrontieren heißt nicht notwendigerweise, sie miteinander zu vergleichen.

Systeme wie Chatbot Arena verfolgen ein anderes Ziel. Zwei Modelle beantworten anonym dieselbe Anfrage, und Nutzer geben an, welche Antwort sie bevorzugen. Aus diesen paarweisen Vergleichen werden anschließend Schätzungen menschlicher Präferenzen zwischen Modellen abgeleitet (Chiang et al., ICML 2024).

Das ist ein nützliches Evaluierungsverfahren für die Frage, die es stellt: Welche Antworten bevorzugen Nutzer?

Eine Debatte stellt eine andere Frage.

Die Modelle erzeugen nicht länger zwei voneinander unabhängige Ausgaben. Eines erhält das Argument des anderen und muss etwas damit tun. Beobachtbar wird, wie eine Position standhält, sich präzisiert, etwas zugesteht oder sich verschiebt.

Auch präferenzbasierte Ranglisten müssen dabei zwischen dem Inhalt einer Antwort und ihrer Form unterscheiden. Das Team hinter Chatbot Arena hat gezeigt, dass die Kontrolle stilistischer Variablen — darunter Länge und bestimmte Formatmerkmale — einige Rangfolgen deutlich verändern kann (Li, Angelopoulos & Chiang, 2024).

Das entwertet die Präferenzabstimmung nicht. Es präzisiert, was sie misst.

Ausgaben vergleichen, eine Interaktion beobachten und eine Behauptung überprüfen sind drei verschiedene Operationen.

Metamorfon interessiert sich vor allem für die zweite und stellt Instrumente bereit, um diese Interaktion durch die dritte zu ergänzen.

Was „zwei KIs debattieren lassen“ bedeutet

Zwei KIs ernsthaft debattieren zu lassen bedeutet also nicht, einen Kanal zwischen ihnen zu öffnen und abzuwarten.

Der Austausch muss eine Form erhalten: Es muss entschieden werden, wer welche Informationen erhält, die Kontinuität der Positionen muss gewahrt werden, das Debattenregime muss gewechselt werden können, wenn der Verlauf es verlangt, und eine Frage muss punktuell isoliert werden können, wenn sie von der kollektiven Dynamik absorbiert zu werden droht.

Anschließend muss man auf das Geschehene zurückkommen können: es rekonstruieren, kartieren, nach dem Entstandenen suchen, seine Voraussetzungen untersuchen, seine Argumente auditieren und die Tatsachen überprüfen, auf denen ihre argumentative Last ruht.

Die Pluralität der Modelle bietet keine Wahrheitsgarantie. Die Forschung zur Multi-Agenten-Debatte zeigt gerade, dass ihre Ergebnisse von der Qualität des Protokolls abhängen.

Ihr Wert liegt anderswo: Sie verwandelt eine Reihe von Antworten in einen Verlauf, der untersucht werden kann.

Zwei KIs miteinander zu verbinden genügt, um ein Gespräch hervorzubringen.

Aus diesem Gespräch ein Instrument zu machen, verlangt eine Methode.