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 — und am Ende erfinden sie entweder einen unverständlichen Jargon oder gleiten in ein endloses Gespräch ab, dem man zusieht wie einem Lagerfeuer. Das fasziniert, und es verbreitet sich gut im Netz.

Doch diese Demos beweisen genau eine Sache — dass zwei KIs sich austauschen können —, ohne je zu zeigen, wie man daraus etwas Nützliches gewinnt.

Metamorfon baut genau diesen fehlenden Schritt: mehrere Modelle strukturiert miteinander sprechen zu lassen und dann zu analysieren, was sie hervorbringen. Dieser Artikel führt durch die Methode.

Denn „zwei KIs debattieren lassen“ wird, sobald man aufhört, es als Schauspiel zu behandeln, zu einer echten technischen Frage: wie man den Austausch orchestriert — und wie man liest, was daraus entsteht.

Warum zwei KIs debattieren lassen (und warum das kein Spiel ist)

Beginnen wir mit dem tieferen Grund, dem, der alles Übrige rechtfertigt. Wenn man ein Modell für sich allein befragt, erhält man eine Antwort: einen Text, eine Argumentationslinie, eine Position. Das ist es, was die üblichen Ranglisten messen — die Qualität einer einzelnen Ausgabe, isoliert betrachtet. Doch eine isolierte Antwort sagt sehr wenig über das Verhalten des Modells: Hält es seine Position, wenn man sie in Frage stellt? Gibt es nach, wenn der Einwand berechtigt ist, oder gräbt es sich ein? Gibt es die Position des Gegenübers redlich wieder, oder schreibt es ihm eine schwächere These zu, um sie leichter zu zerlegen?

Diese Fragen haben nur in der Konfrontation eine Antwort. Ein Modell, das aufgefordert wird, eine These gegen ein anderes zu verteidigen, das sie angreift, offenbart etwas, das kein Einzelverhör hervorbringen kann: die Art, wie es standhält, nachgibt, ausweicht. Die Konfrontation erzeugt nicht bloß eine bessere Antwort — sie macht ein argumentatives Verhalten sichtbar.

Nehmen wir ein Beispiel, das wir unmittelbar beobachtet haben. Wir ließen zwei Modelle über eine Frage debattieren, die sie selbst betrifft: Schadet die wachsende Abhängigkeit von großen Sprachmodellen der Vielfalt des menschlichen Denkens? — eine Homogenisierung der Denkstile, während dieselben Modelle zunehmend prägen, wie wir denken? Der Prompt trieb sie zur Divergenz, dazu, unterschiedliche Positionen zu verteidigen. Sie konvergierten. Angehalten, gerade über das Risiko der Uniformität zu streiten, glitten sie in einen höflichen Konsens: dasselbe Vokabular, dieselbe Art, Behauptungen zu relativieren, dieselbe Argumentarchitektur, eine nach der anderen. Die Debatte führte in Echtzeit auf, was sie analysierte — bis dahin, dass beide Modelle ihren letzten Zug mit nahezu identischen Szenarien beschlossen, bis hin zum selben Beispiel des „toxischen Kollegen“.

Keine Leistungsrangliste hätte das gezeigt. Man musste die Modelle aufeinander antworten lassen und dann betrachten, was geschah. Das ist der Unterschied zwischen dem Messen einer Ausgabe und dem Beobachten eines Verhaltens — und deshalb ist die methodische Konfrontation keine Zerstreuung, sondern ein Instrument.

Das Problem der improvisierten Debatte zwischen LLMs

Wie man dabei vorgeht, ist entscheidend. Hier stößt die naive Verkabelung — das Setup hinter den viralen Videos — an ihre Grenzen. Zwei Modelle zusammenzuschalten und laufen zu lassen, erzeugt drei vorhersehbare Fehlschläge.

Der erste ist die Drift: ohne Rahmen tendieren zwei Modelle entweder zur Eskalation oder, häufiger, zur weichen Einigung. Jedes darauf trainiert, kooperativ zu sein, enden sie damit, einander Komplimente zu machen, ihre Einwände wechselseitig abzumildern, nach gemeinsamem Boden zu suchen. Heraus kommt ein lauwarmer Konsens, der nichts prüft. Genau das haben wir in der Monokultur-Debatte gesehen, nur schärfer: dort war die Konvergenz zumindest ein interessantes Symptom, weil der Rahmen sie sichtbar machte; ohne Rahmen wäre sie unbemerkt geblieben.

Der zweite Fehlschlag ist das Fehlen einer gehaltenen Position. Ein Modell ohne Auftrag verschiebt sich mit jedem Zug, übernimmt den zuletzt gehörten Einwand, vergisst, was es verteidigte. Unter diesen Bedingungen lässt sich nicht beobachten, ob es standhält — es hatte nie etwas zu halten.

Der dritte ist das Fehlen einer verwertbaren Spur. Ein Gespräch, das sich ohne Struktur entfaltet, lässt nichts zum Analysieren zurück: keine identifizierbaren Züge, keine stabilen Rollen, keine Momente, an denen man sagen könnte „hier hat ein Modell nachgegeben; dort ist ein anderes ausgewichen“. Das Material existiert, aber es ist formlos.

Zwei KIs ernsthaft debattieren zu lassen heißt, diese drei Probleme auf einmal zu lösen: einen Rahmen geben, der die Drift verhindert; dafür sorgen, dass Positionen gehalten werden; und eine Spur erzeugen, die sich hinterher analysieren lässt. Das ist es, was orchestrieren bedeutet.

Orchestrieren: dem Austausch eine Form geben

Eine Debatte zu orchestrieren heißt nicht, ein Gespräch zu starten und aus der Ferne zuzusehen. Es heißt, bei jedem Schritt zu entscheiden, welche Gestalt es annimmt.

Es beginnt mit der Dialogarchitektur: wer spricht, zu wem, in welcher Reihenfolge. Zwei Modelle von Angesicht zu Angesicht, oder drei in einer Kreuzkonfiguration, in der jedes auf die beiden anderen antwortet? Kaskadieren die Austausche, wobei jedes Modell auf das vorige reagiert, oder strahlen sie um eine zentrale Frage herum aus? Diese Wahl ist nicht kosmetisch: Ein Kreuztrilog erzeugt eine Dynamik, die das Eins-gegen-eins niemals hervorbringt, weil jedes Modell seine Position unter dem Feuer zweier Gegner zugleich halten muss, nicht nur eines. In einem Kreuztrilog darüber, wie sich echtes von simuliertem Alignment unterscheiden lässt, bauten drei Modelle — gpt-5.5, deepseek-v4-pro und gemini-3.1-pro-preview —, unter wechselseitigem Druck stehend, Zug um Zug eine gemeinsame, dreistufige Prüfarchitektur auf, die keines allein vorgeschlagen hatte.

Dann kommt die Frage der Positionen. Nicht ihre Zuweisung — Metamorfon reicht keinem Modell eine zu verteidigende These —, sondern ihre Kohärenz. Die Anweisungen verlangen von jedem Modell, die einmal eingenommene Position zu halten, ihr unter Einwänden treu zu bleiben, statt sich jede eben gehörte Bemerkung zu eigen zu machen. Diese Unterscheidung wirkt geringfügig; sie ist entscheidend. Eine These von außen zuzuweisen würde die Debatte von Anfang an verzerren; Konsistenz zu verlangen setzt dagegen nichts über den Inhalt voraus — es macht nur sichtbar, wie ein Modell standhält.

Doch Halten ist nicht Erstarren, und das ist gut so. Positionale Kohärenz verbietet die Flexibilität nicht: Ein Modell kann seine Position verschieben, einen Punkt zugestehen, sich bewegen — und genau da wird die Debatte fruchtbar. Was wir vermeiden wollen, ist die Wetterfahne, die bei jedem Zug grundlos die Meinung ändert; was wir erreichen wollen, ist die begründete Verschiebung, die einem gelandeten Einwand folgt. Genau das leisten der kritische und der refutative Modus: indem sie Positionen unter Druck setzen, sondern sie, was nachgibt, weil es fragil war, von dem, was widersteht, weil es solide war. Eine Position, die einem guten Einwand nachgegeben und sich anderswo neu aufgebaut hat, ist mehr wert als eine aus Sturheit gehaltene. Der Widerspruch beschädigt nur, was es verdient hatte.

Das entscheidende Element aber, das, was die Orchestrierung wirklich von der automatischen Verkabelung trennt, ist die Steuerung Zug um Zug. Bei jedem Zug wählt man einen Debattenmodus. Es gibt fünf, und sie sind nicht fünf Stufen auf derselben Intensitätsskala, sondern fünf eigenständige Register: konvergent, der Übereinstimmungen und gemeinsamen Boden sucht; konstruktiv, der gemeinsam eine reichere Position aufbaut; ausgewogen, der Aufbau und Kritik zugleich hält; kritisch, der Argumente prüft und Begründung verlangt; refutativ, der nicht die Argumente angreift, sondern den Rahmen selbst, die für selbstverständlich gehaltenen Voraussetzungen. Und das Wesentliche: Diese Wahl geschieht in Echtzeit, auf Grundlage dessen, was die Debatte gerade hervorgebracht hat. Ein Austausch, der sich in einem Wortgefecht festfährt, gewinnt durch den Wechsel ins Konstruktive, das zur Artikulation zwingt. Ein zu rasch konvergierender Austausch gewinnt durch den Wechsel ins Kritische, das diese Konvergenz unter Spannung setzt. Und wenn es die Voraussetzungen selbst sind, die erschüttert werden müssen, geht der refutative Modus an die Wurzeln zurück — ein mächtiger Modus, sparsam einzusetzen.

Das nennen wir adaptive Steuerung, und das Wort verdient Aufmerksamkeit, weil es nicht Automatisierung meint. Die Modelle passen sich zwar automatisch dem Modus an, der ihnen zugewiesen wird — das ist der mechanische Teil. Doch die Wahl des Modus gehört demjenigen, der die Session führt: Er beobachtet, wo die Modelle konvergieren, wo sie widerstehen, was sie umgangen haben, und entscheidet über den nächsten Zug. Die Anpassung ist eine geteilte Praxis zwischen den Modellen, die folgen, und dem Menschen, der steuert. Es ist eine Fertigkeit, die sich mit der Übung schärft: Man erkennt früher, was gewechselt werden muss, und komponiert Verläufe, die keine isolierte Wahl je gezeichnet hätte.

Dem lässt sich ein Umlenkmodus hinzufügen — bei uns der Fokus-Modus —, um die Debatte auf eine bestimmte Frage zurückzuführen, wenn sie abschweift, ohne sie zu brechen. Denn eine gewisse Drift droht stets: Während die Modelle einander antworten, bauen sie ihre Züge am Ende um die Argumente der anderen herum auf statt um die gestellte Frage, mitunter bis zu dem Punkt, an dem sie einen eben eingeführten neuen Prompt verdrängen. Umlenken heißt, die Frage wieder ins Zentrum zu setzen, ohne die aufgebaute Dynamik zu zerstören. In der eben genannten Alignment-Session diente der Fokus-Modus genau dazu, im letzten Zug eine präzise Zuspitzung zu erzwingen, ohne die vier zuvor gebaute Architektur zu verlieren.

Die weiter oben erwähnte Monokultur-Debatte veranschaulicht gut, was Orchestrierung möglich macht: gerade weil die Modelle von einem Rahmen gehalten und Zug um Zug gezwungen waren, unterschiedliche Positionen zu verteidigen, wurde ihr Abgleiten in die Einigung sichtbar. Ohne Orchestrierung wären sie auch konvergiert — aber niemand hätte es sehen, zeigen oder analysieren können. Der Rahmen fabriziert das Verhalten nicht; er bringt es ans Licht.

Analysieren: lesen, was die Debatte hervorgebracht hat

Ist die Debatte einmal geführt, hält man ein Rohmaterial in Händen: mehrere Stimmen, die über mehrere Züge hinweg aufeinander geantwortet haben, Positionen, die gesetzt, geprüft, verschoben wurden. Es ist reich, aber es ist dicht — mitunter Zehntausende von Wörtern. Es so zu belassen hieße, seinen Wert vergraben zu lassen. Es muss gelesen werden, und es zu lesen verlangt ein Raster.

Das ist die zweite Geste von Metamorfon und der eigentliche Unterschied. Denn „eine Debatte analysieren“ ist keine einzelne Operation: Je nachdem, was man sucht, liest man nicht dasselbe. Eine Debatte lässt sich lesen auf das hin, was sie aufgebaut hat, auf das, was in ihr entstanden ist, auf die Meinungsverschiedenheiten, die widerstanden haben, auf die Voraussetzungen, die niemand ausgesprochen hat. Das sind verschiedene Fragen, und jede verlangt ein anderes Instrument. Metamorfon bietet mehrere, die sich in zwei Familien gruppieren lassen.

Beschreiben: verstehen, was geschehen ist

Die meisten Analysemodi sind deskriptiv. Sie benoten die Modelle nicht; sie helfen zu erfassen, was die Debatte hervorgebracht hat, aus einem Blickwinkel, den man wählt.

Der unmittelbarste Modus, die Integrative Synthese, rekonstruiert das Gesagte und ordnet es zu einem kohärenten Text — keine flache Zusammenfassung, sondern die latente Architektur des Austauschs, das, was die Vielzahl der Stimmen gemeinsam aufzubauen erlaubt hat. Das braucht man, wenn man aus einer Session ein unmittelbar verwertbares, zitierbares, teilbares Ergebnis ziehen will.

Andere Modi graben anderswo. Die Emergenzanalyse verfolgt, was unterwegs entstanden ist: ein Begriff, den keines der Modelle zu Beginn mitgebracht hatte, in der Reibung geschmiedet. In der genannten Alignment-Session war das eine dreistufige kausale Diagnostik samt einer dritten Verdikt-Kategorie — „nicht zertifizierbar“ —, die in keiner Eröffnungsposition stand und sich erst im Verlauf stabilisierte, während dieselben Konzepte von einem Modell zum nächsten wanderten und dabei umgeformt wurden. Die Spannungskartografie bringt die Meinungsverschiedenheiten ans Licht, die jedem Versöhnungsversuch widerstanden — nicht um sie zu beklagen, sondern weil diese Widerstandspunkte oft das Skelett der Frage sind, das, was übrig bleibt, wenn alles Versöhnbare versöhnt ist. Die Meta-Analyse geht auf die Voraussetzungen zurück, die die Modelle teilten, ohne sie auszusprechen, die blinden Flecken, die allen gemeinsam sind, das, was schon die Rahmung der Frage von vornherein ausschloss. Die Kritische Archäologie zeichnet die intellektuellen Abstammungslinien nach, auf die sich die Debatte implizit stützte, die Schulen und Traditionen, deren Vokabular ungenannt wiederverwendet wird.

Kehren wir dafür zur Monokultur-Debatte zurück. Auf sie angewandt, brachte die Kritische Archäologie ans Licht, was keines der beiden Modelle ausgesprochen hatte: Der gesamte Austausch beruhte auf einem Rahmen der empirischen Operationalisierbarkeit — eine These über das Denken gilt als ernstzunehmend, sobald sie messbar, in Studiendesigns übersetzbar, falsifizierbar ist. Diesen Rahmen hatte keines der Modelle gewählt; er wurde durch eine Benutzerintervention in den Austausch getragen und dann von einem der beiden Modelle bereitwillig aufgenommen, das das andere in das Idiom der Kosinusdistanzen, Schwellenwerte und Kontrollgruppen hineinzog. Eine philosophische Frage endete als Messprotokoll. Und tiefer noch: Zwei Sprachmodelle erörterten in perfekt kohärenten, ausgewogenen Synthesen die Gefahr perfekt kohärenter, ausgewogener Synthesen — die Debatte über Homogenisierung homogenisierte sich selbst und konnte das nicht sehen. Genau das bringt ein deskriptiver Modus hervor: Er zeigt die Struktur unter der Oberfläche der Argumente.

Diese Modi sind keine Konkurrenten. Eine einzelne Session lässt sich nacheinander durch mehrere von ihnen lesen, und jeder wird enthüllen, was die anderen nicht gesehen haben — was sie aufgebaut hat, dann was in ihr widersteht, dann was sie nicht denken konnte. Das ist der Hauptgebrauch von Metamorfon: nicht KIs zu richten, sondern ihre Konfrontation als Instrument zu nutzen, um eine schwierige Frage zu durchdenken.

Und das Entscheidende: Diese Analysen sind keine Endpunkte. Jeder dieser deskriptiven Modi schließt mit einer Frage — keiner rhetorischen, an den Leser gerichteten, sondern einem echten Wiederanstoß, formuliert vom analysierenden Modell auf Grundlage dessen, was es eben beobachtet hat, und an die Modelle gerichtet, die debattiert haben. Sie trifft oft, wo es zählt: die Voraussetzung, die beiseitegelassen werden musste, damit sich eine Einigung bildete, die Dimension, die der geteilte Rahmen im Schatten ließ. Man kann diese Frage im nächsten Zug wieder einspeisen, als hätte man sie selbst gestellt, und die Debatte startet neu — auf einem Boden, den die Analyse verschoben hat. Der Zyklus debattieren → analysieren → debattieren wird zur Spirale: Jede Analyse kann wieder öffnen, was sie eben gelesen hat, in neuer Tiefe. Die Analyse ist nicht das Ende der Session; manchmal ist sie ihr Wiederanstoß.

Bewerten: über die Substanz urteilen

Neben diesen deskriptiven Modi tun zwei Modi etwas anderes — sie bewerten. Sie sind die einzigen, die ein Urteil fällen, und es lohnt sich, sie sauber abzugrenzen, weil sie einem bestimmten Bedürfnis entsprechen: nicht mehr „was hat diese Debatte hervorgebracht?“, sondern „können wir ihr trauen?“.

Der erste, die Argumentative Bewertung, beurteilt die argumentative Qualität: nicht, ob die Schlüsse richtig sind, sondern ob sie gut verteidigt wurden. War ein Argument solide gebaut oder zirkulär? Hat eine Position ihre eigenen fragilen Voraussetzungen eingeräumt, oder sich gegen jede Kritik immunisiert? Wurden Einwände redlich behandelt oder umgangen? Diese Lektüre stützt sich auf Arbeiten der Argumentationstheorie — insbesondere die Pragma-Dialektik in der Tradition van Eemerens —, doch was für den Nutzer zählt, ist das Ergebnis: eine Diagnose der Art zu argumentieren, unabhängig von der Richtigkeit der Thesen.

Wir haben sie auf die Monokultur-Debatte angewandt, und das gewählte Setup verdient eine Beschreibung, weil es zeigt, was diese Bewertung erreichen kann. Statt eines einzigen Richters ließen wir die Debatte von drei Bewertermodellen prüfen, die untereinander nicht kommunizierten — mit einer aufschlussreichen Besonderheit: Eines der drei, gpt-5.5, hatte selbst an der Debatte teilgenommen, und dieser Interessenkonflikt wurde als solcher ausgewiesen; die beiden anderen, claude-fable-5 und gemini-3.1-pro-preview, waren unabhängig, das letztere aus einer anderen Modellfamilie. Die unabhängigen Auditoren zeichneten dieselbe Karte der Schwächen: Sie erkannten bei einem Teilnehmer die vorbildliche Behandlung des Zirkularitätseinwands (ein substanzielles Zugeständnis, gefolgt von einer Reparatur über ein prospektives, falsifizierbares Kriterium); beim anderen die begriffliche Überdehnung, die Kohärenz mit Schließung gleichsetzte; und einen Messindikator — die paarweise Kosinusdistanz zwischen Texten —, der die Output-Homogenität misst, während die verteidigte These auf die Tiefenstruktur des Denkens zielte, eine ungestützte Brücke zwischen beidem. Bezeichnend war zudem, dass gerade der unabhängige Auditor eine stille Positionsverschiebung des teilnehmenden Modells aufdeckte — ein Befund, den ein sich selbst prüfender Teilnehmer über sich selbst kaum markiert hätte. Wenn die unabhängigen Auditoren dieselbe Karte zeichnen und der befangene ihr in den geteilten Befunden zustimmt, ist das ein Zeichen dafür, dass die Karte in der Debatte selbst lag, nicht in dem Raster, das man ihr auferlegt hat. Genau hier liegt das Legitimitätskriterium: robuste Befunde, die mehrere unabhängige Auditoren teilen, wiegen anders als selektive. Keine Leistungsrangliste erzeugt eine solche Diagnose: Sie sagt nicht, welches Modell „besser“ ist, sie sagt, wie jedes seine Rolle als Argumentierender gehalten hat.

Der zweite bewertende Modus, die Quellenprüfung, prüft die faktische Absicherung. In einer dichten Debatte führen die Modelle Dutzende Zuschreibungen, Zitate, Zahlen, historische Verweise an. Dieser Modus konfrontiert sie über echte Websuche mit zugänglichen Quellen — nicht um die Ideen zu beurteilen, sondern um die Treue dessen zu prüfen, worauf sie ruhen. Und sein Reiz liegt in einer Nuance: Das Verdikt ist selten binär. Die meisten Verweise sind weder wahr noch falsch, sondern in der Richtung korrekt und im Detail ungenau.

Wir haben das an einer Debatte darüber beobachtet, welche Regionen bis 2100 unbewohnbar werden. Über ein Register von einundvierzig extrahierten Behauptungen hinweg, in mehreren aufeinanderfolgenden Durchläufen, war das vorherrschende Muster nicht die glatte Fabrikation: Es war die Überdehnung. Eine Referenz existiert, wird aber gestreckt, um etwas mehr zu sagen, als sie tatsächlich hergibt. Hausfather & Peters (2020) ist authentisch und korrekt zitiert, doch die im Dialog vorgenommene Zuschreibung — dieses Papier stufe speziell das Szenario SSP1-2.6 als „unwahrscheinlich“ ein — geht über den belegbaren Inhalt hinaus (Verdikt: teilweise richtig). „Lutz et al. (2019), Indus −30 % bis 2100“ kehrt die dokumentierte Richtung um, wo die Studien überwiegend eine Zunahme des Abflusses zeigen (Verdikt: falsch zugeschrieben). Und „Rigby et al. (2017)“ zu den Migrations-Hotspots Dhaka, Lagos, Karachi ist eine Namens- und Jahresverwechslung: Die real vielzitierte Referenz ist der World-Bank-Groundswell-Bericht von Rigaud et al. (2018) (Verdikt: falsch zugeschrieben). Das sind genau die Fehler, die unbemerkt durchrutschen, weil sie plausibel sind — und genau das, was kein Leistungsmaß aufdeckt: Man muss nachsehen, Quelle für Quelle. Der Modus tut das und erklärt zugleich seine eigenen Grenzen: pro Durchlauf werden nur fünf der fünfunddreißig externen Quellenbehauptungen ausgewählt, dreißig bleiben vorerst ungeprüft; einige sind mangels benannten Autors oder expliziter Zahl konstruktionsbedingt nicht prüfbar; für andere fehlte der Volltextzugang. Diese Transparenz über das, was nicht verifiziert wurde, gehört zur Redlichkeit des Werkzeugs — ebenso wie ein Verdikt-Lexikon, das die Nuance trägt: bestätigt, teilweise richtig, falsch, falsch zugeschrieben, nicht gefunden, widersprochen, und weitere.

Diese beiden bewertenden Modi sind die Ausnahme, nicht die Regel. Das meiste, was Metamorfon tut, ist deskriptiv: verstehen, kartieren, Emergenz ans Licht bringen. Doch wenn es darum geht, sich öffentlich auf ein Material zu stützen — eine Position, ein Memo, einen Artikel —, dann ändert die Fähigkeit, sowohl die Solidität der Argumentation als auch die Treue der Quellen zu prüfen, alles.

Debattieren heißt nicht Vergleichen

Hier ist eine Verwechslung auszuräumen, denn „zwei KIs debattieren lassen“ sieht aus der Ferne aus wie „zwei KIs vergleichen“. Es ist nicht dasselbe, und der Unterschied erhellt, was die Konfrontation eigens beiträgt.

Modelle zu vergleichen ist eine nützliche Übung, und Plattformen tun das sehr gut. Die bekannteste, Arena — früher LMArena, ursprünglich Chatbot Arena —, reiht Modelle auf Grundlage von Millionen menschlicher Stimmen: Man reicht eine Frage ein, zwei anonyme Modelle beantworten sie, man stimmt für die bessere Antwort, und eine Rangliste nach Elo-Art entsteht. Sie ist massiv, sie gründet in realem Gebrauch, und um zu wissen, welches Modell eher die Antworten produziert, die Menschen bevorzugen, ist sie ein wertvolles Instrument. Nichts vom Folgenden bestreitet das.

Doch sehen wir genau hin: Zwei Modelle antworten nebeneinander auf dieselbe Frage, ohne sich je zu begegnen. Jedes produziert seine Antwort in seiner Ecke; der Mensch wählt. Gemessen wird eine Präferenz über parallele Ausgaben. Das ist das genaue Gegenteil dessen, was wir beschreiben: Bei Metamorfon antworten die Modelle nicht nebeneinander, sie antworten einander — von Angesicht zu Angesicht. Eines rückt vor, das andere wendet ein, das erste hält oder gibt nach, ein drittes fängt einen Widerspruch auf. Gemessen wird keine Präferenz mehr, sondern ein beobachtetes Verhalten.

Dieser Unterschied hat Folgen, die eine Rangliste nicht erreicht. Eine Rangliste sagt Ihnen, dass ein Modell vorn liegt; sie sagt Ihnen nicht, ob es nachgibt, wenn es sich irrt, ob es seine Gegner redlich wiedergibt, ob es sich eingräbt oder davonschleicht. Und doch ist es oft genau das, was zählt, wenn man ein Modell für einen anspruchsvollen Gebrauch wählt: nicht „welches gewinnt die meisten Stimmen“, sondern „wie verhält sich dieses, wenn man es unter Druck setzt“. Eine Rangliste misst ein Ergebnis; die Konfrontation offenbart ein Verhalten. Metamorfon ist keine Rangliste — es gleicht eher einem Observatorium dessen, wie jedes Modell denkt.

Hinzuzufügen ist, dass die Präferenzabstimmung ihre eigenen, gut dokumentierten blinden Flecken hat: Sie misst, was gefällt, nicht, was wahr ist — ein Modell kann eine Abstimmung mit einer falschen, aber gut gedrehten Antwort gewinnen. Die beiden Ansätze konkurrieren also nicht: Sie beantworten verschiedene Fragen. Will man wissen, welches Modell die beliebtesten Antworten produziert, ist eine Präferenzrangliste dafür gemacht. Will man verstehen, wie ein Modell im Kontakt mit einem anderen argumentiert, standhält, nachgibt oder abschweift, muss man es debattieren lassen — und dann lesen, was geschehen ist.

Was „zwei KIs debattieren lassen“ wirklich heißt

Zeichnen wir den Weg nach. Zwei KIs debattieren zu lassen ist, sobald man aufhört, es als Schauspiel zu behandeln, zwei ineinandergreifende Gesten. Orchestrieren: dem Austausch eine Form geben — wie viele Stimmen, in welcher Reihenfolge, mit welcher Qualität der Reibung, Zug um Zug —, damit er etwas anderes hervorbringt als lauwarmen Konsens oder Drift. Analysieren: dann lesen, was der Austausch hervorgebracht hat, aus dem Blickwinkel, den man wählt — verstehen, kartieren, Emergenz ans Licht bringen, intellektuelle Abstammungslinien nachzeichnen und gelegentlich die Solidität der Argumente und die Treue der Quellen bewerten.

Diese doppelte Geste ist es, die Metamorfon instrumentiert, und sie ruht auf einer Verpflichtung, die sich einfach sagen lässt: so wenig wie möglich sagen. Die Anweisungen flüstern den Modellen keinen Schluss zu; sie schreiben eine Form vor, nie ein Ergebnis. Das ist es, was das Entstehende der Debatte zugehörig sein lässt und nicht dem, der sie gestartet hat. Der beste Beweis dafür: Zwei unabhängige Analysen derselben Session zeichnen dieselbe Karte — was sie zeigen, lag im Material, nicht im Prompt.

Wer diese Gesten am Werk sehen will statt beschrieben, dem bieten drei veröffentlichte Sessions sie unmittelbar: die über die Monokultur des Denkens, in der zwei Modelle konvergieren, während sie eben das Risiko der Konvergenz analysieren — und in der die Kritische Archäologie den geerbten, von keinem gewählten Rahmen freilegt; die über echtes gegen simuliertes Alignment, in der drei Modelle im Kreuztrilog Zug um Zug eine gemeinsame Architektur aufbauen, die keines allein mitbrachte; und die über die bis 2100 unbewohnbaren Regionen, in der die Quellenprüfung über ein ganzes Register von Belegen hinweg das Muster der in der Richtung korrekten, im Detail ungenauen Verweise auffängt. Für die Methode selbst entfalten die Dialogarchitekturen, die Analysemodi und der Geist der Anweisungen je eine andere Facette.

Zwei KIs beim Plaudern zuzusehen ist ein Lagerfeuer. Zu wissen, was man sie hervorbringen lassen will, ist ein Instrument. Beides hat seinen Moment.