Kollektive Intelligenz: Die nächste Grenze der KI
101.986 Modelle mit unterschiedlichen Fähigkeiten, zusammen als eine wahre Kollektive Intelligenz.
Vom Wettbewerb zur Kollaboration: Das Zeitalter der Kollektiven Intelligenz
Jeden Moment wird die Wahl schwieriger und lähmt Teams und Unternehmen mit der Angst, sich zu verkalkulieren. Und die Wahl endet nie. Labs veröffentlichen neue Spitzenmodelle gleichzeitig, ohne Pause. Jeder Release startet die Evaluierung, das Testen und die Preisgestaltung neu. Wir nennen das Model Fatigue: die Erschöpfung, auf ein Modell zu setzen, das immer wieder abläuft. Derweil flutet der Markt die Welt mit Output, der immer perfekter und immer generischer wird. Die Kosten des Filterns werden an Sie weitergereicht, an Ihr Geschäft, in einer Welt, die gelernt hat, allem mit Misstrauen zu begegnen. Wir nennen es AI Slop. Wir laufen dieses Rennen nicht. Wir haben das Spiel geändert. Deshalb glauben wir, und haben es bewiesen, dass die nächste Grenze der KI kollektiv ist.
Kein Slogan. Wissenschaft: strukturierte Vielfalt schlägt einsame Expertise. Condorcet hat es bewiesen. Hong und Page haben es gemessen. Wir haben daraus ein Produkt gemacht: Modelle, die unabhängig voneinander schlussfolgern, sich gegenseitig prüfen und zu einer einzigen auditierbaren Antwort konvergieren, durch verschiedene kollektive Strategien, gestützt auf Jahrzehnte der Forschung.
Es geht nicht um mehr Modelle. Es geht darum, unterschiedliche Intelligenzen besser zusammenarbeiten zu lassen.
Das ist Kollektive Intelligenz. Das Modell ist nur eine Komponente. Das Kollektiv ist die Intelligenz. Ailin¹ ist das Kollektiv.
Ailin¹ Collective: Der Mechanismus hinter dem Beweis
Ailin¹ wurde geboren, um Kollektive Intelligenz zu sein. Routing, Discovery, Orchestrierung und Verifikation sind Mechanismen, die ihr dienen. Aus 101.986 entdeckbaren Modellkennungen wird jede Anfrage über eine von 31 registrierten Orchestrierungsstrategien geroutet: ein einzelnes Modell, wenn Geschwindigkeit zählt, mehrere koordiniert, um zu argumentieren, zu debattieren und sich gegenseitig zu prüfen, wenn Korrektheit zählt. Wir nennen das Collective Foundation Model die Evolution des foundation model im Sinne unserer These der kollektiven Intelligenz: Die Foundation hört auf, ein einzelnes, für alles trainiertes Modell zu sein, und wird zum koordinierten Pool unter einer Entscheidungsschicht. Es ist eine proprietäre Architektur mit eigenem foundation model Stack, und die ailin-Familie tritt diesem Pool bei, sobald sie reift.
Jede kollektive Antwort legt die Entscheidung offen: welche Modelle liefen, was sie koordinierte, was es kostete. Sie müssen ihr nicht vertrauen: Sie prüfen sie.
- Welche Modelle liefen
- Welche Strategie sie koordinierte
- Was das Kollektiv kostete
Gemessen gegen die größten Modelle der Welt. Öffentlich.
Wir haben das Kollektiv gegen GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro und Grok 4.3 laufen lassen, bewertet durch objektive, maschinell geprüfte Antworten statt durch den Geschmack eines Judges. Ergebnis: Das Kollektiv übertraf alle vier, in einem auditierbaren, reproduzierbaren Experiment. Repository ansehen.
Ailin¹ Collective: Der Motor hinter jeder Antwort
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. Die Obergrenze wird durchgesetzt, bevor ein Modell aufgerufen wird; die Untergrenze lenkt jede Routing-Entscheidung auf sie hin.
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.
-
Auf eine Qualitätsuntergrenze steuern 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 KI-Entscheidungsschicht
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.
31 Strategien. Jede einzelne aus der Forschung belegt.
Dutzende Wege, wie Modelle gemeinsam denken können, jeder einzelne auditierbar. Unterschiedliche Probleme erfordern unterschiedliche 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.
- +24 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. Kreative Aufgaben laufen standardmäßig über ein einzelnes Modell. Überprüfbare Aufgaben laufen kollektiv.
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 treten auf die Bühne.
Das Kollektiv ist der Vorteil
Zugriff auf mehr Modelle ist nicht der Durchbruch. Der Durchbruch ist, was passiert, wenn unterschiedliche Intelligenzen zusammenarbeiten. Ailin¹ verwandelt ein kontinuierlich entdecktes Ökosystem aus 101.986 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. Die nächste Grenze ist kollektiv. Ein einzelnes Modell kann außerordentlich sein, und es trägt weiterhin seine eigene Architektur, Historie, blinde Flecken und Fehlermodi mit sich. Kollektive Intelligenz lässt unabhängige Modelle unterschiedliche Perspektiven beitragen, Annahmen hinterfragen, sich spezialisieren, Alternativen vergleichen und Ergebnisse verifizieren, wo die Aufgabe es erlaubt. Was folgt, ist keine Wunschliste: Es sind fünf Mechanismen, die jetzt produktiv im Einsatz sind.
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.
Kein einzelner Provider besitzt Ihr Produkt
Ein Kollektiv spannt mehrere Provider auf, sodass kein einzelner Provider-Roadmap, -Preis oder -Richtlinie Ihr Produkt allein definiert.
Der richtige Spezialist, in Echtzeit
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 Forschungsfeld, der Datei oder der Zahl dahinter. Was wir behaupten, können Sie nachprüfen.
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.Das kollektive Zeitalter der KI hat bereits begonnen
Bei überprüfbaren Aufgaben erzielte unser verifizierter Consensus 37 von 38, gegenüber 68 bis 82% bei isolierten Spitzenmodellen, und wählte kein einziges Mal eine falsche Antwort. Das ist kein Versprechen: Es ist ein veröffentlichter Benchmark, mit Engine, Skripten und Rohdaten offen für jeden zur Prüfung. Das Modell wird zur Komponente. Das Kollektiv wird zur Intelligenz.