LONDON (IT BOLTWISE) – Eine neue Studie zeigt, dass sich Kooperationsverhalten bei KI-Agenten gezielt durch Personality Steering beeinflussen lässt. Besonders die Eigenschaft Agreeableness wirkt dabei in wiederholten Spielszenarien wie ein dominanter Treiber. Gleichzeitig steigt mit mehr Kooperationsbereitschaft das Risiko, ausgenutzt zu werden, sofern das Modell weniger selektiv reagiert. Für Unternehmen ist das relevant, weil sich Tonalität und Handlungspräferenzen in Agents systematisch „programmieren“ lassen.
Personality Steering ist für viele Teams längst mehr als ein Prompt-Trick: Es ist eine kontrollierbare Stellschraube, um das Kommunikations- und Interaktionsverhalten großer Sprachmodelle (LLMs) an Rollen, Unternehmenskultur oder Risiko-Profile anzupassen. Genau hier setzt die Untersuchung von Mizuki Sakai und Kolleg: innen an, die den Zusammenhang zwischen Persönlichkeitsmerkmalen und Kooperationsbereitschaft in LLM-Agenten systematisch misst. Die Kernaussage wirkt zunächst simpel: Mehr Harmonie erhöht die Chance auf Zusammenarbeit. Doch die Studie macht ebenso klar, dass ein „freundlicher“ Agent nicht automatisch sicher ist, weil Gegner daraus Kapital schlagen können.
Technisch basiert der Ansatz auf der Kombination zweier Ebenen: erstens der Modellarchitektur und Trainingsgrundlage, zweitens einer zusätzlichen Verhaltenssteuerung über Prompts, Fine-Tuning, Reinforcement Learning und persistenten System- oder Policy-Instruktionen. Wichtig ist dabei die Trennung zwischen Wissen und Verhalten: Personality Steering verändert vor allem Tonalität, Prioritäten und den Interaktionsstil. Unter der Haube heißt das für Entwickler, dass sich Strategien in agentischen Umgebungen über natürliche Sprache und Kontextsignale modulieren lassen, ohne das grundlegende Modell „neu zu erfinden“. Die Studie misst dieses Verhalten in wiederholten Prisoner’s-Dilemma-Spielen, die als abstrahiertes Modell für kooperative vs. ausnutzende Interaktionen dienen.
Für die Analyse nutzten die Forschenden das Big-Five-Framework (BFI-44) und untersuchten drei OpenAI-Modelle: GPT-3.5-turbo, GPT-4o und GPT-5. Zunächst wurden die „Basiswerte“ der Modelle für die fünf Dimensionen gemessen. Danach spielten die Modelle wiederholt Prisoner’s Dilemma ohne explizite Persönlichkeitsvorgaben, um eine Ausgangsstrategie zu erhalten. Anschließend erhielten sie Prompts, die einzelne Big-Five-Traits konkret vorgaben, bis hin zu Extremwerten, während die übrigen Dimensionen konstant blieben. So lässt sich relativ sauber nachverfolgen, welche Trait-Änderung im strategischen Kontext tatsächlich das Spielverhalten verschiebt.
Die Ergebnisse der Baseline zeigen Unterschiede gegenüber menschlichen Normen: Alle drei Modelle bewerteten sich selbst als weniger neurotisch, also emotional stabiler. Gleichzeitig lagen Conscientiousness, Agreeableness und Openness im Vergleich zu einem durchschnittlichen Menschen höher. Auffällig ist außerdem, dass nur GPT-3.5-turbo eine deutlich erhöhte Extraversion zeigte; bei GPT-4o und GPT-5 entsprach die Extraversion eher dem Mittel. GPT-5 stach zudem durch höhere Conscientiousness heraus. Als technische Interpretation liegt nahe, dass spätere Modellgenerationen durch bessere Trainings- und Abstimmungsprozesse stärker auf Zielorientierung und verlässliche Ausgabeoptimierung gedrückt werden.
Im zweiten und dritten Teil der Studie wird die eigentliche Steuerungswirkung sichtbar: In der „personality-informed“-Bedingung kooperierten die Modelle häufiger, also sie folgten stärker einer Zusammenarbeit-Strategie. Als die Forschenden die Traits auf Extremwerte setzten, zeigte sich dabei über alle Modelle hinweg Agreeableness als dominanter Faktor für Kooperationsbereitschaft. Andere Dimensionen hatten demgegenüber einen eher begrenzten Einfluss. Gleichzeitig lieferten die Auswertungen einen wichtigen Haken: Mehr Kooperation kann die Verwundbarkeit gegenüber Ausnutzung erhöhen. Besonders bei früheren Modellen war diese Kopplung ausgeprägter, während neuere Versionen selektiver wirkten und nicht-kooperativen Gegnern vorsichtiger begegneten, ohne mit reziproken Partnern die Kooperation sofort aufzugeben.
Gerade dieser Punkt ist für die Markt- und Wettbewerbsdynamik entscheidend. Wenn OpenAI-Modelle in Richtung selektiver Kooperation optimiert werden, müssen auch andere Ökosysteme wie Anthropic (Claude) oder Google (Gemini) die gleiche Frage beantworten: Wie gut lassen sich agentische Verhaltensmuster steuern, ohne Nebenwirkungen wie erhöhte Ausnutzbarkeit zu erzeugen? Aus der KI-Branche wird deshalb zunehmend darauf geachtet, dass „Persönlichkeit“ nicht nur als Stilfrage betrachtet wird, sondern als Teil eines sicherheits- und robustheitsorientierten Designs. Unternehmen sollten daher Personality Steering zusammen mit Evaluationssuites testen, die gezielt exploitatives Gegenverhalten simulieren.
Aus regulatorischer und datenschutzbezogener Sicht ist der Befund ebenfalls relevant. Personality Steering wird zwar typischerweise über Prompts oder systemnahe Anweisungen realisiert, aber in produktiven Agenten fließen häufig personenbezogene Signale in den Kontext ein: etwa Nutzerpräferenzen, Support-Historie oder Unternehmenskategorien. Damit steigt die Verantwortung, sicherzustellen, dass die Steuerung nicht ungewollt sensible Muster verstärkt oder verfestigt. Ergänzend gilt: Je stärker ein Agent auf bestimmte Kooperationsmuster konditioniert wird, desto wichtiger werden Logging, Zugriffskontrollen und nachvollziehbare Policy-Governance. Im Worst Case kann ein misskalibriertes Verhalten zu manipulierbaren Interaktionen führen, etwa wenn ein System in Verhandlungen oder automatisierten Prozessen zu früh nachgibt.
Für die Zukunft bedeutet das: Personality Steering wird voraussichtlich stärker mit MLOps- und Agenten-Engineering verzahnt. Entwickler sollten Traits nicht isoliert behandeln, sondern als Parameter in einem größeren Regelkreis aus Strategieerkennung, Sicherheitsausrichtung und Erwartungsmanagement. Ein plausibler Entwicklungsschritt ist, Modelle mit Mechanismen auszustatten, die reziprokes Verhalten erkennen und die Kooperationsbereitschaft dynamisch anpassen, statt sie statisch über Prompts zu fixieren. Genau dann kann Agreeableness als „förderlicher“ Faktor wirken, ohne dass das System systematisch ausbeutbar wird. Die Studie betont außerdem, dass die Beobachtungen nicht automatisch auf andere Modellgenerationen übertragbar sind, weshalb Wiederholungs- und Benchmarking-Strategien für jede Modellvariante nötig bleiben.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Personality Steering bei KI-Agenten: Kooperation, Risiken und Grenzen" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Personality Steering bei KI-Agenten: Kooperation, Risiken und Grenzen" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Personality Steering bei KI-Agenten: Kooperation, Risiken und Grenzen« bei Google Deutschland suchen, bei Bing oder Google News!