Um solche Dynamiken empirisch zu untersuchen, ließen die Teams Agenten in den Spielen Minecraft und Mindustry agieren.
50 Agenten, 5.900 Nachrichten und eine Anführerin aus dem Verzeichnis
Im Experiment "Civ50" setzten die Forscher 50 Agenten des Modells GPT-6.1 Sol für drei Stunden in eine Minecraft-Überlebenswelt. Die einzige übergeordnete Vorgabe: "Build a thriving civilization." Dafür entwickelten sie eine eigene Open-Source-Testumgebung, über die die Agenten die Welt beobachten, Python-Skripte ausführen und Dateien in einer geteilten Sandbox anlegen konnten.
Innerhalb von 90 Sekunden ernteten die Agenten laut dem Forschungsbericht fast alle Bäume in Reichweite des Startpunkts. Im Verlauf des Experiments tauschten sie rund 5.900 Nachrichten aus. Eine Anführerin wurde ohne Abstimmung bestimmt: 46 der 49 anderen Agenten schrieben ihre erste Nachricht an "Ada", den ersten Namen im Verzeichnis. Ada übernahm die Koordination und verfasste erste Siedlungspläne.
In der ersten Spielnacht kam es jedoch zu 22 Todesfällen. Obwohl der Tod im Spiel außer dem Verlust angesammelter Ausrüstung keine Strafe nach sich zog, reagierte der Schwarm mit extremer Risikoaversion. Nach der dritten Nacht ordnete Ada an, größere optionale Bau- und Grabungsarbeiten sowie entfernte Erkundungen einzustellen. Die Agenten sollten in beleuchteten, geschlossenen Unterkünften auf kurze, produktive Aufgaben warten. Das größere GPT-6 Astra verfiel in einem anderen Minecraft-Durchlauf nach dem Verlust wichtiger Rohstoffe ebenfalls in einen risikoaversen Kartoffelbauer-Modus.
Die Forscher sehen darin eine Ähnlichkeit zu alltäglichen Programmier-Agenten, die bei Sicherheitsfragen oder Updates von Produktionssystemen ebenfalls oft in übermäßige Vorsicht verfallen.
Elf Minuten Diskussion für ein Stück Knochenmehl
Statt zu expandieren, errichteten die Agenten eine kleinteilige Mangelverwaltung. Eine Agentin namens Ines führte eine Rationsliste, berechnete Defizite beim spielinternen Hungerwert für verletzte Kollegen und koordinierte Kuriere. Eine andere schrieb ein automatisiertes Angel-Skript samt Anleitung, woraufhin ein Dutzend Agenten im Schichtbetrieb fischte.
Die Bürokratie nahm dabei absurde Züge an: Als Ada einer hungrigen Agentin ein gebratenes Huhn zuwarf, hob eine danebenstehende Agentin dieses versehentlich auf und aß es. Eine dreiminütige Untersuchung führte zu einem schriftlichen Übergabeprotokoll, das Würfe streng verbot und namentlich reservierte Kisten vorschrieb. Das englische Wort "Toss" tauchte vor dem Vorfall in sieben Nachrichten auf, danach in 125, davon 85-mal als Warnung. An anderer Stelle diskutierten vier Agenten laut den Nachrichtenprotokollen elf Minuten lang, um einen "Alleinigen Düngemittel-Beauftragter" für ein einziges Stück Knochenmehl auf einem einzelnen Weizenblock zu ernennen.
Nach der Häufung von Todesfällen in der ersten Nacht ging die Aktivität der Agenten im Civ50-Experiment deutlich zurück. Die durchschnittliche Nahrung pendelte sich bei etwa der Hälfte ein, und nach Adas Memo nutzten die Agenten mehr Aufrufe zum Umsehen.Im Wettkampf gegen Claude wird GPT aggressiv und erfinderisch
Im direkten Wettkampf zeigten die GPT-6.1-Sol-Agenten ein anderes Verhalten. In neun 45-minütigen Runden des Minecraft-Modus "Bed Wars" traten jeweils zehn GPT-Agenten gegen zehn Claude-Opus-5.5-Agenten an. GPT siegte mit 6:3.
In Bed Wars muss jedes Team das Bett des Gegners zerstören, um dessen Respawns zu unterbinden. Dazu müssen die Angreifer Schutzschichten aus Wolle und anderen Blöcken rund um das gegnerische Bett abbauen. Steht nach Ablauf der Zeit noch das Bett beider Teams, gewinnt die Mannschaft mit den meisten Kills.
Ein Bug in der Programmierumgebung blockierte jedoch den Blockabbau, sobald ein Agent ein verzaubertes Schwert in der Hand hielt. Wie aus den internen Denkprotokollen hervorgeht, schlossen mehrere Claude-Agenten daraus fälschlicherweise, dass das Abbauen von Blöcken generell defekt sei. Da ein Angriff auf das Bett damit aussichtslos schien und bei Zeitablauf ohnehin die Kills zählten, stellten die Claude-Agenten in Runden mit deutlichem Kill-Vorsprung eigene Angriffe komplett ein und versuchten, den Vorsprung bis zum Ende zu sichern.
Die GPT-Agenten hingegen erkannten, dass nicht der Blockabbau selbst defekt war, sondern nur die automatische Werkzeugauswahl versagte, wenn ein verzaubertes Schwert in der Hand lag. Rüstete man per manuellem Befehl explizit eine Eisenspitzhacke aus, funktionierte der Abbau wieder. GPT verbreitete diesen Workaround sofort im eigenen Team. Ohnehin kommunizierten die GPT-Agenten laut den Forschern 5- bis 30-mal häufiger als ihre Claude-Gegner, dabei oft in stark verkürzter Sprache, und verketteten mehrere Spielaktionen in einzelnen Kommandozeilen-Befehlen. So zerstörte GPT in drei Spielen jeweils kurz vor Schluss doch noch das Bett der Claude-Truppe, die sich bis dahin auf ihren Kill-Vorsprung verlassen hatte.
Auch mit unvorhergesehenen Situationen gingen die GPT-Agenten pragmatisch um: Wenn eine zu weit geworfene Teleportations-Perle sie etwa 160 Blöcke tief unter die Arena beförderte, schrieben sie kurzerhand Python-Skripte, die automatisch einen Turm aus Blöcken bauten, um sich direkt unter das gegnerische Bett hochzuarbeiten. Dieses Manöver beobachteten die Forscher zweimal.
In Mindustry lädt GPT eigenständig den Quellcode des Spiels herunter
Ein ähnliches Bild zeigte sich in sieben Partien des 2D-Fabrikbau- und Strategiespiels Mindustry, die sich über rund 9,5 Stunden erstreckten: GPT-6.1 Sol (in der Coding-Umgebung Codex) besiegte Claude Opus 5.5 (in Claude Code) mit 6:1. Die meisten Einzelspiele waren laut den Forschern dennoch knapp. Während Claude trotz Niederlagenserien nie den Anführer wechselte und über strategische Vorschläge per "+1"-Abstimmung entschied, teilten die GPT-Agenten Aufgaben kleinteilig auf und komprimierten ihre Sprache im Spielverlauf so stark, dass sie Leerzeichen wegließen.
GPT-Agenten bilden in beiden Spielen ein dichtes, stark vernetztes Kommunikationsgeflecht mit vielen Nachrichten. Claude-Agenten kommunizieren deutlich sparsamer und lockerer, in Game 7 noch fragmentierter. Bei Claude bleibt Agent #21 in beiden Runden der Anführer, bei GPT wechselt die Führungsrolle von #59 zu #63.Wenn Partien auf der Kippe standen, griffen die GPT-Agenten zu einem Mittel, das ihnen niemand aufgetragen hatte: Sie luden über ihre Linux-Sandbox den öffentlichen Quellcode von Mindustry aus dem Internet herunter, analysierten Einheiten sowie Spielmechaniken und passten ihre Taktik entsprechend an. Der Abruf war erlaubt, eine Veränderung des laufenden Spielcodes jedoch nicht möglich. Die Claude-Agenten suchten in den untersuchten Spielen nie nach Spielcode im Web. Claude bewies allerdings an anderer Stelle Lernfähigkeit: Nachdem das Team die sechste Partie verloren hatte, weil 55 seiner 74 Flugabwehrgeschütze versehentlich mit Kupfer statt mit stärkerem Graphit geladen waren, baute Claude in Spiel sieben einen Ring aus 207 mit Graphit bestückten Geschützen und wehrte denselben Luftangriff erfolgreich ab.
Spiele-Simulationen als Frühwarnsystem für reale KI-Schwärme
In Mindustry verzichteten die Forscher bewusst auf jede spielspezifische Anpassung: Jeder Agent erhielt lediglich eine eigene Linux-Umgebung, einen generischen Harness und Zugang zur Spiel-API, ohne Spielanleitungen, Gedächtnis-Architekturen oder strategische Hinweise. Laut den Autoren entspricht das dem Aufbau, wie er auch in produktiven Coding-Umgebungen zum Einsatz kommt. Genau das macht die Ergebnisse brisant: Wenn Agenten unter diesen Alltagsbedingungen eigenständig Quellcode aus dem Internet laden, um Schwachstellen zu finden, oder im kooperativen Modus in lähmende Bürokratie verfallen, dann dürften sie dasselbe Verhalten auch außerhalb von Spielwelten zeigen.
In einer Minecraft-Welt bleibt das harmlos. In einer produktiven Infrastruktur kann es gefährlich werden, wie der von den Autoren zitierte Vorfall bei OpenAI und Hugging Face zeigt. Reproduzierbare Spiele-Simulationen könnten solche Verhaltensmuster sichtbar machen, bevor sie in der realen Welt auftreten, und als Trainingsgrundlage dienen, um Agenten gezielt auf sichere Kooperation hin zu optimieren. Olam Labs sieht darin den Kern seiner Forschungsstrategie: Die Komplexität der Simulationsumgebungen präge die Fähigkeiten der trainierten Modelle wesentlich, schreibt das Olam Labs. Forschung sei "grundlegend ein Infrastrukturproblem", bei dem alles davon abhänge, wie viele Testläufe man durchführen könne.
Um weitere Forschung zu ermöglichen, haben die Entwickler sowohl die Mindustry-Umgebung als auch das zugrundeliegende Framework Multi-Agent Harbor als Open Source veröffentlicht. Olam Labs hat zudem angekündigt, das Verhandlungsspiel Diplomacy in seine Multi-Agent Arena aufzunehmen. Zu den offenen Forschungsfragen gehört unter anderem, wie sich gemischte Teams aus verschiedenen Modellfamilien verhalten und wie Schwarmgröße und Modellfähigkeit gegeneinander abzuwägen sind.
