# Neues Kontrollsystem erspart autonomen KI-Agenten unnötige Schritte

> Forschende schlagen eine Steuerungsebene namens Global Executive Control vor, die den Tokenverbrauch um ein Drittel senkt und zugleich hohe Erfolgsquoten gewährleistet.

Oossa · 2026-09-28 · https://oossa.com/de/new-control-system-cuts-wasted-steps-in-autonomous-ai-agents

Ein Team unter der Leitung von Dongsheng Xiao veröffentlichte am 28. September 2026 eine Studie zu einem Problem, das die Forschenden als „LLM-Parkinsonismus“ bezeichnen. Der Begriff beschreibt KI-Agenten, die weiterarbeiten, obwohl eine Aufgabe bereits erledigt ist, und dabei noch wenig hilfreiche Änderungen vornehmen oder ihre Arbeit erneut überprüfen. Die Autoren erklären, dass dies daran liegt, dass dieselbe Schleife sowohl Aktionen erzeugt als auch darüber entscheidet, wann sie beendet wird. Ihre Lösung ist eine neue Architektur namens Global Executive Control (GEC) v0.2, die die Erzeugung von Aktionen von der übergeordneten Projektsteuerung trennt.

## Wie es dazu kam

Large Language Models (LLMs) können planen, Code schreiben und Tools nutzen, verfügen aber oft über kein klares Stoppsignal. In Tests erreichte ein Basis-Agent, der einem einzigen Plan mit der höchsten geschätzten Erfolgsaussicht folgte, bei anspruchsvollen Zielen eine Erfolgsquote von 67 %. Als das Modell im selben Test aus mehreren möglichen Aktionen wählen durfte, stieg die Erfolgsquote auf 96,5 %. Den Forschenden zufolge erklärt die größere Auswahl den Großteil der Verbesserung. Zugleich verbraucht das Verfahren aber mehr Token – die grundlegenden Texteinheiten, die das Modell verarbeitet.

## Was die neue Architektur leistet

GEC ergänzt eine unsicherheitsbewusste Steuerungsebene, die den Fortschritt des Agenten überwacht und entscheidet, wann es genug ist. In einem Benchmark mit 24.000 Durchläufen und einer Obergrenze von 40.000 Token erreichte GEC dieselbe Erfolgsquote von 96,5 % wie der Ansatz mit einer Auswahl möglicher Aktionen. Der durchschnittliche Tokenverbrauch sank dabei von 19.782 auf 12.574 – ein Rückgang um 36 %. Auch die durchschnittliche Zahl der Token, die zum Erledigen einer Aufgabe innerhalb der Obergrenze nötig waren, ging von 16.136 auf 13.114 zurück. Das entspricht einer Einsparung von 18,7 %. Die zusätzlichen Steuerungsschritte verursachten pro Zyklus etwa 500 synthetische Token, was nach Ansicht der Autoren weiterhin effizient ist.

## Wie es weitergeht

Laut Studie sprechen die Simulationen dafür, den Umfang, die Belege, den Ressourcenverbrauch und den Abbruch explizit zu steuern. Eine Validierung unter realen Bedingungen steht jedoch noch aus. In künftigen Arbeiten dürfte GEC an aktiven Agenten getestet werden, die mit externen Tools oder Nutzern interagieren. Sollte sich der Ansatz bewähren, könnten Entwickler eine ähnliche Steuerungsebene in Chatbots, Programmierassistenten und andere autonome KI-Dienste integrieren. So ließe sich unnötiger Rechenaufwand vermeiden und verhindern, dass die Systeme bereits erledigte Aufgaben übermäßig weiterbearbeiten.

## Die Fakten

- Die Studie wurde am 28. September 2026 auf arXiv veröffentlicht (arXiv:2609.30662).
- Der Basis-Agent mit nur einem möglichen Kandidaten erreichte bei anspruchsvollen Zielen eine Erfolgsquote von 67,42 %.
- Ein Steuerungsansatz mit mehreren möglichen Aktionen erzielte im selben Benchmark eine Erfolgsquote von 96,53 %.
- Global Executive Control v0.2 hielt eine Erfolgsquote von 96,57 % und verbrauchte im Durchschnitt 36,4 % weniger Token.
- Die durchschnittliche Zahl der Token bis zum Abschluss sank bei einer Obergrenze von 40.000 Token mit GEC von 16.136 auf 13.114.
- Jeder Steuerungszyklus verursachte etwa 500 synthetische Token an zusätzlichem Aufwand, den die Autoren als moderat einstufen.

## Warum es wichtig ist

Für den Alltag bedeutet eine präzisere Steuerung, dass KI-Assistenten Aufgaben schneller erledigen und weniger Rechenleistung benötigen – das kann Kosten und Energieverbrauch senken. Entwickler können intelligentere Agenten bauen, die aufhören, sobald die Arbeit erledigt ist, und so unnötige Zusatzschritte oder verwirrende Ausgaben vermeiden. Der Ansatz bietet außerdem eine klarere Möglichkeit, das Verhalten von KI zu kontrollieren – wichtig für Sicherheit und Zuverlässigkeit, da solche Tools immer verbreiteter werden.

## Quellen und Referenzen

1. [LLM Parkinsonism: Executive-Control Failure, Token-Inefficient Persistence, and an Uncertainty-Aware Global Executive Control Architecture for Autonomous Language-Model Agents](https://arxiv.org/abs/2609.30662) – arXiv, 2026-09-28

Zuletzt aktualisiert: 2026-09-28