Kollektive Intelligenz: Die nächste Grenze der KI
107.175 KI-Modelle koordinieren sich in einem einzigen Modell der Kollektiven Intelligenz.
Von individueller KI zu Kollektiver Intelligenz
Die KI hat die letzte Ära damit verbracht, einzelne Modelle leistungsfähiger zu machen. Die nächste Grenze ist kollektiv.
Unterschiedliche Modelle tragen unterschiedliche Perspektiven bei, und das ist keine Floskel: Condorcets Jury-Theorem und das Diversity Prediction Theorem von Hong und Page zeigen, dass strukturierte Vielfalt einzelne Expertise übertreffen kann. Strukturierte kollektive Strategien setzen diese Forschung in die Praxis um: Die Modelle schlussfolgern unabhängig voneinander, prüfen sich gegenseitig und konvergieren zu einer einzigen auditierbaren Antwort.
Es geht nicht um mehr Modelle. Es geht darum, unterschiedliche Intelligenzen besser zusammenarbeiten zu lassen.
Das ist Kollektive Intelligenz. Ailin¹ betreibt sie bereits.
Ailin¹ Collective: Der Mechanismus hinter dem Anspruch
Ailin¹ ist für Kollektive Intelligenz gebaut. Routing, Discovery, Orchestrierung und Verifikation sind Mechanismen, die ihr dienen. Aus 107.175 entdeckbaren Modellkennungen wird jede Anfrage über eine von 32 registrierten Orchestrierungsstrategien geroutet: ein einzelnes Modell, wenn Geschwindigkeit zählt, mehrere koordiniert, um zu argumentieren, zu debattieren und sich gegenseitig zu prüfen, wenn Korrektheit zählt.
Kollektive Antworten enthalten die Entscheidungsprovenienz. Der Koordinationspfad bleibt einsehbar.
- Welche Modelle liefen
- Welche Strategie sie koordinierte
- Was das Kollektiv kostete
Im Offenen getestet gegen Spitzenmodelle
Wir haben das Kollektiv gegen GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro und Grok 4.3 getestet, bewertet nach objektiven, maschinell geprüften Antworten statt nach Geschmack. In einem auditierbaren, reproduzierbaren Experiment hat das Kollektiv alle vier übertroffen. Repository ansehen.
Ailin¹ startet am 15. September 2026.
Steigen Sie vor der allgemeinen Verfügbarkeit ein und helfen Sie, die erste Version mitzugestalten.
Ailin¹ Kollektiv
Jede Anfrage durchläuft dieselbe Routing-Kaskade, bevor auch nur ein Modell aufgerufen wird, eine Kaskade, die auf kollektive Strategien zurückgreifen kann, die in peer-reviewten Ergebnissen zur Gruppenentscheidung verankert sind, darunter Condorcets Jury-Theorem und das Diversity Prediction Theorem von Hong und Page. Nennen Sie genau, was Sie wollen, und es wird sofort berücksichtigt. Sagen Sie nichts, entscheidet die Kaskade.
Spitzentechnologie ist keine Black Box. Es sind zwei Hebel, die Sie kontrollieren.
Fünf Aliase decken das gesamte Spektrum ab, vom sofortigen Einzelmodell bis zum Konsens aus fünf Modellen. Zwei unabhängige Felder setzen die Grenzen: max_cost ist eine Obergrenze, quality_target ist eine Untergrenze. Setzen Sie eines, das andere oder beide. Ailin¹ Collective überschreitet nie die von Ihnen festgelegte Grenze.
Die meisten Plattformen geben Ihnen eine Modellliste und nennen das eine Wahl. Ailin¹ gibt Ihnen zwei unabhängige Hebel, nicht einen Schieberegler: wie gut die Antwort sein muss und wie viel Sie dafür ausgeben wollen.
-
Ausgaben deckeln und die Qualität ihr eigenes Niveau finden lassen.
-
Eine Untergrenze garantieren und die Kosten der Nachfrage folgen lassen.
-
Einen exakten Korridor zwischen beiden festlegen.
| Alias | Optimiert für | Typische Kosten | Einsetzen bei |
|---|---|---|---|
| ailin-auto | Ausgewogene Passung, pro Anfrage entschieden | Normal | Standard. Keine Vorgabe über ein ausgewogenes Verhältnis von Kosten und Qualität hinaus. |
| ailin-best | Qualität, Kosten unbegrenzt | Am höchsten | Korrektheitskritische Arbeit, bei der die Kosten nicht der begrenzende Faktor sind. |
| ailin-fast | Latenz, einzelnes Modell | Niedrig | Interaktive Pfade mit striktem Latenzbudget. |
| ailin-economy | Kosten, harte Obergrenze durchgesetzt | Am niedrigsten | Hintergrundarbeit mit hohem Volumen ansteht |
| ailin-consensus | Korrektheit durch unabhängige Gegenprüfung | Höher, mit Absicht | Unbemerkt falsche Antworten sind der Fehlerfall, für dessen Ausschluss Sie bezahlen. |
Jede Antwort liefert die Entscheidungsprovenienz in ailin_metadata: strategy_used, models_used und cost_usd, sodass die Routing-Entscheidung überprüfbar ist, statt Vertrauen vorauszusetzen.
Anfrage: Ihr bestehender OpenAI-Client, eine geänderte Zeile
from openai import OpenAI
client = OpenAI(
base_url="https://api.ailin.one/v1",
api_key="YOUR_KEY",
)
response = client.chat.completions.create(
model="ailin-consensus",
messages=[{"role": "user", "content": "..."}],
extra_body={"max_cost": 0.15}
)Antwort
{
"ailin_metadata": {
"strategy_used": "ailin-consensus",
"models_used": [
"gpt-5.5-pro",
"claude-opus-4.8",
"gemini-3.1-pro"
],
"final_decider_model_id": "claude-opus-4.8",
"final_decider_role": "synthesizer",
"cost_usd": 0.0842,
"subcalls": [
{ "model_id": "gpt-5.5-pro", "role": "voter", "cost_usd": 0.0301, "latency_ms": 1840, "success": true },
{ "model_id": "claude-opus-4.8", "role": "synthesizer", "cost_usd": 0.0288, "latency_ms": 2010, "success": true },
{ "model_id": "gemini-3.1-pro", "role": "voter", "cost_usd": 0.0253, "latency_ms": 1650, "success": true }
]
}
}Wie Ailin¹ Collective entscheidet: die Routing-Kaskade
Eine mehrstufige Kaskade, ausgewertet nach dem Prinzip schnellste Stufe zuerst. Jede Anfrage wird so früh aufgelöst, wie es sicher möglich ist, sodass einfache Anfragen schnell abgeschlossen sind, während schwierigere die tieferen Stufen nutzen.
Vor der Kaskade: semantischer Cache Ein nahezu identisches Duplikat einer kürzlichen Anfrage liefert sofort die zwischengespeicherte Antwort. Triage und alle sechs darunterliegenden Stufen werden dabei nicht nur per Short-Circuit abgekürzt, sondern vollständig übersprungen.
-
Explizites Routing
Sie haben es benannt, ein Alias, ein Modell oder eine Strategie, deshalb löst diese Stufe die Anfrage sofort auf. Sie gewinnt immer gegen jede darunterliegende Stufe, und lässt sich das Benannte tatsächlich nicht erfüllen, schlägt die Anfrage direkt fehl, statt still auf etwas anderes durchzufallen.
-
Triage
Ein dediziertes Modell liest Absicht und Komplexität der Aufgabe und empfiehlt eine Strategie, bevor ein Modell des Kollektivs läuft. Echte Analyse, keine Nachschlagetabelle, weshalb sie selbst einen echten, wenn auch kleinen, Aufruf kostet.
-
Konfigurationsarchiv
Wird nach 5 erfassten Ergebnissen freigeschaltetSobald mindestens 5 Ergebnisse für eine Aufgabennische erfasst sind, greift Ailin¹ Collective auf das bereits Bewährte zurück, statt es neu herzuleiten.
-
Kosten-/Qualitäts-/Latenz-Grenze
Wird nach 3 erfassten Ergebnissen freigeschaltetOptimiert den mehrdimensionalen Zielkonflikt (Qualität, Kosten, Geschwindigkeit, Erfolgsquote) direkt, sobald genug Historie vorliegt, auch ohne bereits belegte exakte Nischenübereinstimmung.
-
Gelernte Strategiepräferenz
Wird nach 5 erfassten Ergebnissen freigeschaltetEin Thompson-Sampling-Bandit gewichtet Strategien nach ihren realen, gemessenen Ergebnissen im Zeitverlauf und verfeinert so die eigenen Standardwerte der Kaskade, und er prüft sich selbst: Fällt seine insgesamt gemessene Erfolgsrate unter 95% des besten je erfassten Snapshots, setzt der Bandit seinen gesamten gelernten Zustand automatisch auf diesen besten bekannten Snapshot zurück.
-
Fallback-Heuristik
Löst keine Stufe darüber die Anfrage auf, wählt eine deterministische, bewertete Heuristik die Strategie anhand von Aufgabentyp, Komplexität und verfügbarem Modellpool. Die Strategieauflösung endet immer mit einer Entscheidung, festgehalten in
strategy_used.
Nach der Kaskade: Kostengovernance-Gate Was auch immer die Stufen 1 bis 6 gewählt haben, außer bei explizitem Routing: eine letzte Prüfung kann eine teure Kollektiv-Wahl noch auf ein einzelnes Modell zurückstufen, wenn der geschätzte Nutzen die Schwelle nicht erreicht. Nur eine explizite Anfrage überspringt auch diese Prüfung.
Die Stufen 3 bis 5 schalten sich unabhängig voneinander frei, sobald sich Nutzungshistorie für eine Aufgabennische ansammelt: ab 3 erfassten Ergebnissen für die Kosten-/Qualitäts-/Latenz-Grenze, bis zu 5 für das Konfigurationsarchiv und den Bandit der gelernten Strategiepräferenz. Bis dahin trifft die deterministische, prüfbare Heuristik der Stufe 6 die Entscheidung, immer dann, wenn die Stufen 1 und 2 sie nicht zuerst auflösen.
32 Strategien, verankert in der Forschung
Dutzende Wege für Modelle, gemeinsam zu denken, jeder auditierbar. Unterschiedliche Probleme profitieren von unterschiedlichen Formen kollektiven Denkens.
Nichts davon ist ad hoc entstanden. Jede Strategie im Katalog lässt sich auf ein konkretes, benanntes Ergebnis aus der Koordinations- oder Kollektiventscheidungsforschung zurückführen, nicht auf eine interne Vermutung im Wissenschaftskostüm.
-
consensus
Condorcets Jury-Theorem (1785): Mehrheitsentscheid über 3 bis 5 Modelle, mit einer Diversitätsuntergrenze, damit Übereinstimmung nicht aus geklontem Reasoning entsteht.
-
diversity-ensemble
Das Diversity Prediction Theorem von Hong und Page (PNAS, 2004): stellt ein Team zusammen, das die Vielfalt über alle Achsen hinweg konstruktionsbedingt maximiert.
-
debate
Modelle argumentieren in strukturierten Runden mit einem Moderator.
-
swarm-explore
Parallele Exploration, von der Triage automatisch für offene Design- und Architekturarbeit ausgewählt.
-
stigmergic-refinement
Konvergenz über ein gemeinsames Artefakt statt über eine Abstimmung, von der Triage automatisch für komplexe Schreibaufgaben ausgewählt.
-
expert-panel
Unabhängige Prüfung aus mehreren Rollen, bevor eine Antwort ausgeliefert wird, direkt ansprechbar für verifizierungsintensive Anfragen.
-
tri-role-collective
Planner, Solver, Auditor: eine deterministische Zustandsmaschine, kein trainierter Koordinator, die strukturell verhindert, dass der Auditor dasselbe Modell oder derselbe Reasoning-Durchlauf ist, der gerade als Solver die Antwort erzeugt hat.
- +25 weitere Strategien
Sie wählen nicht das Modell. Ailin¹ Kollektiv tut es.
Einfachheit bei einfachen Aufgaben. Tiefe, wenn es kompliziert wird. Sie setzen die Grenzen, Ailin¹ Kollektiv entscheidet innerhalb ihrer, und ein Feld hebt sie stets auf.
Sie müssen nie entscheiden, ob eine Anfrage ein Modell oder fünf braucht. Jede Anfrage durchläuft Ailin¹ Collective, dieselbe Routing-Kaskade hinter ailin-auto, bevor ein einziges Modell aufgerufen wird. Sie wissen genau, was Sie wollen? Benennen Sie es: ein Alias wie ailin-fast, ein bestimmtes Modell oder strategy: "single", und Ailin¹ Collective setzt es sofort um, ohne Verhandlung, ohne zusätzliche Latenz. Sagen Sie nichts, liest die Kaskade die Aufgabe selbst und wählt eine passende Form. Ein einzelnes Modell über Ailin¹ laufen zu lassen, ist kein Notbehelf und keine Herabstufung. Es ist ein vollwertiger Weg, den Ailin¹ Collective ständig und bewusst wählt.
Einzelmodell
Eine konsistente Stimme vom Anfang bis zum Ende. Geringere Kosten, geringere Latenz und genauso erreichbar wie die Alternative.
ailin-fast
Multimodell-Kollektiv
Unabhängige Antragsteller arbeiten parallel, werden geprüft und von einem Synthesizer zusammengeführt, bevor Sie eine Antwort sehen. Uneinigkeit wird abgefangen, bevor sie Sie erreicht, nicht danach.
ailin-consensus
Was ist mit kreativer Arbeit und Refactorings?
Bei objektiv überprüfbaren Aufgaben, maschinell geprüft, kein Geschmacksurteil, gewinnt das Kollektiv. Bei offener kreativer Arbeit gewinnt ein einzelnes, gut gewähltes Modell genauso eindeutig. Genau deshalb gibt es die Triage: Die Kaskade mittelt nicht über Aufgabentypen hinweg, sie unterscheidet zwischen ihnen. Kreative Arbeit läuft standardmäßig einzeln. Überprüfbare Arbeit läuft kollektiv.
Sie entscheiden sich nicht zwischen einfach und gründlich, indem Sie auswendig lernen, wann was passt. Sie sagen, was Sie wissen, Ailin¹ Collective ergänzt, was Sie nicht wussten, und die Übersteuerung ist immer genau ein Feld entfernt.
Tausende Modelle. Nur die richtigen werden aktiviert.
Das Kollektiv ist der Vorteil
Zugriff auf mehr Modelle ist nicht der Durchbruch. Was zählt, ist, was passiert, wenn unterschiedliche Intelligenzen zusammenarbeiten können. Ailin¹ verwandelt ein kontinuierlich entdecktes Ökosystem aus 107.175 Modellkennungen in ein Kollektiv und aktiviert dann nur die Teilmenge, die jede Strategie benötigt.
-
Stets aktuell
Ein neu veröffentlichtes Modell wird in demselben Entdeckungszyklus indexiert, in dem es erscheint, ohne Wartezeit auf einen Release-Zyklus.
-
Vollspektrum
Text, Vision, Audio und Embeddings im selben Katalog, hinter demselben Endpunkt.
Warum Intelligenz mächtiger wird, wenn sie kollektiv wird
KI wurde um einzelne Modelle herum gebaut. Ihre nächste Grenze ist kollektiv. Einzelne Modelle können außerordentlich leistungsfähig sein, aber jedes spiegelt weiterhin seine eigene Architektur, Trainingshistorie, blinden Flecken und Fehlermodi wider. Kollektive Intelligenz erlaubt es unabhängigen Modellen, unterschiedliche Perspektiven beizutragen, Annahmen zu hinterfragen, sich zu spezialisieren, Alternativen zu vergleichen und, wo die Aufgabe es zulässt, Ergebnisse zu verifizieren. Was folgt, ist keine Wunschliste. Es sind fünf Mechanismen, die bereits produktiv im Einsatz sind, keine Roadmap.
Fast Einzelmodell-Kosten, wenn es zählt
Bei Aufgaben, die eine Maschine prüfen kann, akzeptiert ein deterministischer Verifizierer die korrekte Antwort sofort und umgeht den Rest des Kollektivs per Short-Circuit, sodass die Kosten bei diesen Aufgaben viel näher an denen eines einzelnen Modells liegen als an denen des restlichen Kollektivs, genau dort, wo der Genauigkeitsvorteil des Kollektivs am stärksten ist.
Resilienz
Ein Provider-Ausfall muss nicht Ihr Ausfall werden. Das Kollektiv routet eigenständig um degradierte Modelle und Fehler herum, und jede Antwort trägt weiterhin die Entscheidungsprovenienz: welche Strategie lief, welche Modelle und was es kostete.
Eingebaute Vielfalt
Provider, Architektur und Trainingsziel werden durch Round-Robin-Auswahl auseinandergehalten, sodass aufeinanderfolgende Modelle in einem Durchlauf nie denselben Provider teilen. Das ist das Diversity Prediction Theorem von Hong und Page, fest in die Routing-Schicht eingebaut, nicht die Hoffnung, dass unterschiedliche Trainingsdaten zufällig nützlich uneins sind. Es macht blinde Flecken sichtbar; es verspricht nicht, sie zu beseitigen.
Verringerte Abhängigkeit von einem Provider
Ein Kollektiv spannt mehrere Provider auf, sodass kein einzelner Provider-Roadmap, -Preis oder -Richtlinie Ihr Produkt allein definiert.
Dynamische Spezialisierung
Der richtige Spezialist für die richtige Aufgabe: Reasoning, Code, Vision, langer Kontext oder niedrige Latenz: in Echtzeit für jede Anfrage gewählt.
Häufig gestellte Fragen
Klare Antworten, mit dem Feld, der Datei oder der Zahl dahinter.
Integration & Grundlagen
chat/completions, responses, embeddings, models) ist Drop-in-kompatibel, ergänzt um einen zusätzlichen ailin_metadata Block mit der Nachvollziehbarkeit der Entscheidung. Richten Sie Ihren bestehenden Client auf den Ailin¹ Endpunkt, tauschen Sie den Auth-Header aus, und dieselbe Anfrageform funktioniert.Ailin¹ Kollektiv & Strategien
ailin-auto (ausgewogener Standard, die Kaskade entscheidet), ailin-best (Qualität zuerst, Kosten unbegrenzt), ailin-fast (Latenz zuerst, einzelnes Modell), ailin-economy (Kosten zuerst, harte Obergrenze durchgesetzt), ailin-consensus (Korrektheit durch unabhängige Gegenprüfung). Beginnen Sie mit ailin-auto. Greifen Sie erst dann zu einem anderen, wenn Sie etwas wissen, das der Router nicht weiß.<strategy>:<tier> ansprechen, zum Beispiel consensus:large, und legen damit den exakten Mechanismus und die Preisstufe fest.ailin-fast, strategy: "single"), und dasselbe eine Feld gibt Ihnen unabhängige Multi-Modell-Verifikation (expert-panel, tri-role-collective), falls Sie stattdessen genau das wollen.Kosten & Verantwortung
max_cost deckelt die Ausgaben hart, bevor ein Modell aufgerufen wird; überschreiten die geschätzten Kosten der Strategie, die laufen würde, diese Grenze, schlägt die Anfrage mit 400 strategy_budget_exceeded fehl, statt still zu viel auszugeben. quality_target ist die zugehörige Untergrenze. Jede Antwort meldet die reale Zahl zurück: ailin_metadata.cost_usd, mit einer Aufschlüsselung nach Posten. Multi-Modell-Strategien kosten spürbar mehr als ein einzelnes Modell. Bei Aufgaben, die eine Maschine prüfen kann (strukturierte Extraktion, Mathematik, Code mit Tests, faktenbasierte QA), verschwindet dieser Aufpreis größtenteils: Greift der deterministische Short-Circuit einer verifizierten Strategie, maß unser neuester Spitzenmodell-Benchmark die Kosten des Kollektivs bei etwa 2,98 $/Mtok, rund 100x günstiger als der unverifizierte Pfad des Kollektivs und in derselben Größenordnung wie Einzelmodell-Preise.ailin_metadata.final_decider_model_id, also genau das Modell, das Ihre Antwort erzeugt hat, dazu final_decider_role (primary, synthesizer, fallback oder cache) und ein vollständiges subcalls[] Array, das jeden Beteiligten mit eigenen Kosten, eigener Latenz und eigenem Ergebnis auflistet. Wenn Sie ein Qualitätsproblem an einen Anbieter eskalieren, zählt genau diese Kennung, nicht „die Ailin¹-API“. Wenn Sie rekonstruieren müssen, warum eine Multi-Modell-Entscheidung so ausgefallen ist, aktivieren Sie den gespeicherten Koordinations-Trace: GET /v1/collective/runs/:id/trace liefert eine Zeitleiste jeder Phase auf Millisekundenebene, und sie ist so gebaut, dass ein Mandant niemals bestätigen kann, dass der Run eines anderen Mandanten überhaupt existiert. Eine Abfrage zur Run-ID eines anderen liefert dieselbe 404 wie ein Run, der nie erstellt wurde.Evidenz & Vertrauen
/source, /license), SLSA/Sigstore-Release-Provenienz und eine SBOM im SPDX-Format werden mit jedem Release ausgeliefert. Was noch fehlt: die formale Zertifizierung. SOC 2 und ISO 27001 sind in Arbeit, noch nicht zertifiziert; wenn Ihr Einkauf einen bestimmten Nachweis benötigt, fragen Sie Ihr Account-Team, statt ihn aus Marketingtexten abzuleiten, unseren eingeschlossen. Auch dabei müssen Sie uns nicht beim Wort nehmen: Die Koordinations-Engine hinter den Zahlen auf dieser Seite ist öffentlich unter github.com/ailinone/collective-intelligence verfügbar (AGPL-3.0-or-later), mit Benchmark-Skripten und Rohdaten im Repository.Helfen Sie, die kollektive Ära der KI zu bauen
Die nächste Grenze der KI ist kollektiv, und sie sollte im Offenen gebaut werden. In unserem eigenen Benchmark beantwortete ein verifizierter Consensus 37 von 38 objektiv überprüfbare Aufgaben korrekt, gegenüber 68 bis 82% bei isolierten Spitzenmodellen, und wählte kein einziges Mal eine falsche Antwort. Die Dokumentation deckt die gesamte API-Oberfläche ab. Das Repository enthält die Koordinations-Engine, die Benchmark-Skripte und die Rohdaten hinter diesem Ergebnis.