Collective Mind Theorie V: Parisi’s Ordnungsparameter revisited: Dilts-Glas Organisation

Kurzfassung: Parisi’s Ordnungsparameter eröffnet eine neue Perspektive auf die Dynamik von Teams und Organisationen. Die Collective Mind Theory überträgt dafür Konzepte aus der Physik der Spin-Gläser auf soziale Beziehungsnetzwerke. Wie in einem Spin-Glas können widersprüchliche Interessen und Persönlichkeiten zu ‚frustrierten‘ Konfliktmustern führen. Der aus vorherigen Blog-Beiträgen bekannte Markus-Lanz-Diskurs dient als Fallbeispiel mit 100 analysierten Gesprächs-Turns. Eine Parisi-inspirierte Overlap-Matrix (Ordnungsparameter) macht sichtbar, wie stark sich Systemzustände im Zeitverlauf ähneln. Besonders interessant ist die erkennbare Trennung verschiedener Diskursregime. In vorherigen Blog-Beiträgen wurde bei einem Turn eine starke Diskurs-Disruption identifiziert, die mit einem Wechsel der Systemstruktur zusammenfällt. Der anschließende Übergang vom Regime ‚Identitätskampf‘ zum Regime ‚Sachdebatte‘ erscheint als besonders dynamischer Phasenwechsel. Ein hierarchisches Energie-Clustering ordnet die Turns dabei überraschend klar den zuvor definierten Regimen zu. Die Energielandschaft beschreibt Konfliktmuster als stabile ‚Täler‘ und Übergänge als energetisch anspruchsvolle Passagen. Das Regime ‚Agenda-Setting‘ erscheint dabei nicht als entspannter Zustand, sondern als dauerhaft aufmerksamer und energieintensiver Zustand. Für Führungskräfte ergibt sich daraus eine provokante These: Transformation braucht einen gezielt harten Impuls (Disruption), um einen Übergang einzuleiten.

Ein Spin-Glas, siehe obige Abbildung – links, beschreibt ein Material, in dem atomare Magnete (Spins) durch unvereinbare geometrische und magnetische Kräfte in einen unlösbaren Konflikt geraten. Spin-Gläser wurden in magnetischen Metalllegierungen entdeckt.

Das physikalische Schlüsselwort für dieses Phänomen lautet Frustration. Wenn Spin A sich an Spin B ausrichten will, B an C, aber C sich gezwungenermaßen gegen A stellt, gibt es keine perfekte Lösung. Das System kann sich nicht in einem einzigen globalen Gleichgewicht entspannen. Stattdessen friert es in einer hochkomplexen, zerklüfteten Energielandschaft (siehe obige Abbildung – rechts, eine sehr vereinfachte Darstellung) ein. Diese Energielandschaft ist ein hochdimensionales Gebirge voller tiefer Täler und hoher Barrieren. Für die mathematische Entschlüsselung dieser verborgenen Ordnung, dem sogenannten Replica Symmetry Breaking (RSB), erhielt der Physiker Giorgio Parisi 2021 den Physik-Nobelpreis [1]. Erstmals habe ich im Blog-Beitrag ‚Metabetrachtungen: Zur Schnittmenge von diesjährigem Physik-Nobelpreis, Künstlicher Intelligenz und Collective Mind‘ vom Oktober 2021 auf die Bedeutung der Spin-Gläser für KI-Systeme und die Collective Mind Theorie (CMT) hingewiesen. Gerade als ich diesen Beitrag schreibe, hat das Quanta Magazin den Beitrag ‚The strange physics that gave birth to AI‘ herausgebracht, in dem die enorme Bedeutung des ‚Toy Models‘ Spin-Glas für das Design und Verstehen von KI-Systemen skizziert wird. – Im Jahre 2024 erhielten John Hopfield und Geoffrey Hinton den Physik-Nobelpreis für ihre Grundlagenforschung zu künstlichen neuronalen Netzwerken. Die Erkenntnisse zu Spin-Gläsern spielten hierbei eine wichtige Rolle.

In der CMT werden Spins durch Dilts Pyramiden ersetzt. Deshalb spreche ich auch im Titel dieses Blog-Beitrages von Dilts-Glas Organisation. Die Dilts Pyramide ist ein Modell für die Persönlichkeit eines Menschen oder die Kultur einer Organisation. Im verwendeten mathematischen Formalismus wird die Dilts Pyramide als hochdimensionaler Vektor umgesetzt (siehe Anhang 1). Damit ergibt sich ein unmittelbarer Bezug von Dilts-Glas zu Spin-Glas. – Ich nehme zentrale Erkenntnisse dieses Zusammenhangs hier vorweg:

Soziale Frustration: Ein menschlicher Diskursraum ist niemals konfliktfrei. Unterschiedliche kognitive Strukturen (u.a. Big Five) , v-Memes und Sympathien zwingen Teams unweigerlich in komplexe Kompromisse. Niemand bekommt genau das, was er will; das Netzwerk steht permanent unter Spannung.
Attraktoren statt Harmonie: Wenn ein Diskurs in ein toxisches Regime ‚Identitätskampf‘ abrutscht, ist das kein kommunikativer Betriebsunfall. Es ist ein physikalisch extrem stabiles Energietal im sozialen Dilts-Glas. Das System hat sich in einem lokalen Minimum verhakt, aus dem es aus eigener Kraft kaum entkommen kann.
Transformation durch Disruption: Ein Dilts-Glas verändert seine starre Struktur nicht durch sanftes Zureden. Um ein Team aus einem dysfunktionalen Tal in ein agiles Lösungs-Plateau (das Regime ‚Agenda-Setting‘) zu heben, muss das System buchstäblich erhitzt werden. Es erfordert Disruption und Kausale Kraft, um den Diskurs über die topologische Barriere in ein neues, funktionales Regime zu treiben.
Organisationen bewegen sich durch die hochdimensionale Energielandschaft eines Dilts-Glases. Die Topografie der Energielandschaft bestimmt wie ein Team oder eine Organisation sich verhält und damit auch wie diese zu führen sind.

Ich werde im Folgenden die Theorie von Parisi auf ein Team bzw. eine Gruppe von Personen anwenden und verwende wieder, wie in den vorherigen Blog-Beiträgen, die Daten der Markus Lanz TV-Sendung.

Die bisherigen CMT Ergebnisse sind in vorherigen vier Blog-Beiträgen enthalten:

‚Collective Mind Theory IV: Luhmann & Lacan revisited: Makro-Dynamik bestimmt Mikro-Dynamik?‘ vom August 2026,
‚Gehirn, KI und Collective Mind: Intelligenz basiert, unabhängig vom Substrat, auf den gleichen kollektiven Prinzipien‘ vom Juli 2026,
‚Hybrid Collective Intelligence: Collective Mind Leadership. Theorie der Emergenz‘ vom Juli 2026,
‚Attention Collective Mind III: KI-Assistenz für die Markus Lanz TV-Sendungam 30.04.2024‘ vom Juni 2026

Wir werden sehen, dass die Ergebnisses des aktuellen Blog-Beitrages die vorherigen Ergebnisse teilweise benutzen und ergänzen. Gleichzeitig werden diese auf eine fundamentalere Basis gestellt und die aktuellen Erkenntnisse liefern völlig neue Einsichten. Ich verzichte wieder im Hauptteil des Blog-Beitrages auf die zugrundeliegende, sehr anspruchsvolle Mathematik und verweise auf die Anhänge 1-5.

Die Grundidee von Parisi beruht auf der Beobachtung, dass das gleiche Spin-Glas Material unterschiedliche Eigenschaften zeigt, wenn es unterschiedlichen Rahmenbedingungen ausgesetzt wird.

Aus diesem Grunde hat er ein Gedankenexperiment mathematisch umgesetzt. Er hat sich vorgestellt, dass man unendlich viele mathematische Klone (Replicas) eines realen Spin-Glases erzeugt. Jetzt setzt man diese Replicas unterschiedlichen Rahmenbedingungen (z.B. Umgebungstemperatur) aus. In einem gewöhnlichen System (wie Wasser, das zu Eis friert) kristallisieren alle Replicas am Ende in exakt demselben Zustand. Vergleicht man die Klone miteinander, sind sie ununterscheidbar – es herrscht Symmetrie. Ein Spin-Glas hingegen steht unter maximaler Frustration. Die Atome können sich nicht auf eine einzige harmonische Ordnung einigen. Stattdessen gibt es eine zerklüftete Energielandschaft aus unzähligen, fast gleichwertigen Energietälern. Kühlt das System ab, friert jede Replica zufällig in einem anderen Tal ein. Vergleicht man die Klone nun miteinander, sind sie völlig verschieden. Die anfängliche Gleichheit (Symmetrie) der Replicas ist gebrochen.- Deshalb spricht man von Replica Symmetry Breaking.

In der CMT ist die Replica kein Spin-Glas, sondern das Beziehungsnetzwerk eines Teams oder einer Organisation. – Die festen Persönlichkeitsprofil-Kombinationen bilden die Grundstruktur. Ich spreche von eine Dilts-Glas Organisation, oder vereinfacht von einem Dilt-Glas. Wenn wir das System zu zwei völlig unterschiedlichen Momenten seiner dynamischen Entwicklung betrachten, schauen wir im Grunde auf zwei zeitliche Replicas exakt desselben Systems: Es sind identische Akteure mit identischen Grundkonflikten, die jedoch unabhängig voneinander durch den Diskursraum wandern. Aufgrund der sozialen Frustration (unterschiedliche Big Five Ausprägungen und Werte, gegensätzliche Interessen) gleicht der Diskursraum dem Gebirge eines Spin-Glases. Symmetriebrechung bedeutet hier: Der Diskurs spaltet sich abrupt in völlig isolierte Regime auf. Eine kleine Disruption oder kognitive Ermüdung reicht aus, und das System fällt in ein spezifisches Tal – etwa in einen toxischen Identitätskampf. Das System bricht strukturell mit seiner Vergangenheit. Es gibt plötzlich keine harmonische Schnittmenge mehr zwischen dem kooperativen Team von gestern und dem festgefahrenen Team von heute.

Ich komme zu den Ergebnissen:

Abbildung 1: Diese Abbildung ist die erste Abbildung von drei Abbildungen, die das bisherige CMT Führungs-Dashboard ergänzt. Alle Ergebnisse beruhen wieder auf der System-Analyse des Diskurses der Markus Lanz Talkshow über 100 Turns:

Teil 1: Was wir in den drei Plots der Abbildung sehen

1. Die Makro-Ebene (Links – Parisi System-Replica-Matrix $Q(t, t')$ )

Wir sehen eine große, quadratische Heatmap (

100 \times 100

Turns) in rötlichen Abstufungen. Die Matrix

Q(t, t')

Die Farbskala reicht von hellrosa/weiß (niedriger Overlap

\approx 0.15

) bis zu dunklem Weinrot (hoher Overlap

\approx 0.35

Entlang der Hauptdiagonalen verläuft ein ausgeprägter, dunklerer Streifen, der anzeigt, dass zeitlich benachbarte Turns stark miteinander korrelieren. Besonders auffällig sind blockartige Strukturierungen und Kreuzungspunkte. Für den Betrachter visualisieren diese „Blöcke“ makroskopische Phasenwechsel im Gesamtsystem, die Replica Symmetry Breaking. In der Praxis bedeutet es, dass das Team hier komplett neue Verhandlungsstrukturen aufbaut.

2. Die Mikro-Ebene (Rechts oben – Beziehungs-Ähnlichkeiten $q_{ij}(t)$ )

Dieses Liniendiagramm verfolgt die paarweisen Overlaps zwischen den 5 Akteuren (Lanz, Hübsch, Khorchide, Kayman, Mansour) über die 100 Turns. Jede farbige Linie repräsentiert eine spezifische Dyade (Zweier-Beziehung).

Man erkennt starke Divergenzen: Während einige Linien flach verlaufen, brechen andere phasenweise drastisch ein oder schießen nach oben. Zwei vertikale gestrichelte Linien markieren die Meilensteine der Debatte: Rot (die Disruption bei Turn 49) und Grün (die Kristallisation bei Turn 88).

3. Die Thermodynamik-Ebene (Rechts unten – Energie, Magnetisierung & Agilität)

Die rote Kurve (System-Energie $E_{sys}$ ): Verläuft im negativen Bereich und zeigt einen markanten Einbruch (eine „Katharsis“) rund um Turn 49, wo sie die rote gestrichelte Linie der kritischen Stress-Grenze (

-0.7

) unterschreitet.

Die türkise Kurve (soziale ‚Magnetisierung‘ $M(t) \times 10$ ) misst den sozialen Konsens: Verläuft stabil auf hohem Niveau (bei ca. 5.2 bis 5.8, was einem echten normierten Magnetisierungs-Wert von

\approx 0.52 - 0.58

entspricht) mit leichten Dellen in den Konfliktphasen.

Die orangen Balken (Katalysierte Agilität $P_{shift}$ ): Repräsentieren die sprunghafte Wahrscheinlichkeit für einen Systemwechsel. Sie schlagen insbesondere vor und nach der Disruption maximal aus.

Teil 2: Die Brücke zu unseren bisherigen Resultaten

Wenn wir dieses Bild mit unseren bisherigen Erkenntnissen abgleichen, offenbaren sich tiefgreifende Parallelen, die weitere Erkenntnisse liefern:

1. Magnetisierung $M(t)$ vs. Makro-Vision

Die Parallele: Die türkise Kurve der Magnetisierung

M(t)

zeigt im unteren rechten Panel eine bemerkenswerte Stabilität. Selbst während die Mikro-Dilts-Wechselwirkungen (rechts oben) wild oszillieren und Allianzen zerbrechen, bleibt der globale Konsens-Wert des Raumes relativ konstant hoch.

Die Bedeutung: Eine strukturierte Debatte bricht niemals in ein völlig richtungsloses Chaos (

M \to 0

) zusammen, weil der institutionelle Kontext (der Moderator Lanz, die gemeinsame Agenda) eine globale Makro-Vision (siehe vorherige Blog-Beiträge) aufrechterhält. Der Raum bleibt magnetisiert, während darunter die Mikro-Allianzen verschoben werden (können).

2. Von individuellem Stress zur System-Energie (Der Energie-Sturz bei Turn 49)

Die Parallele: Bisher haben wir den Stresspegel isoliert pro Akteur gemessen. Die rote System-Energie (

E_{sys}

) fasst diese Kognitive Fatigue nun für den gesamten Raum zusammen. Der tiefste Punkt dieser roten Kurve korreliert exakt mit der gemessenen Disruption (Turn 49) und dem Unterschreiten der kritischen Stress-Grenze.

Die Bedeutung: Ein hoher Stresspegel oder eine harte Disruption werden von Führungskräften oft intuitiv als ’negativ‘ gewertet. Die Dilts-Dynamik beweist hier das Gegenteil: Der tiefe Fall der Kurve zeigt, dass der Schock das System von einer künstlichen, hoch-frustrierten Oberflächenspannung befreit hat. Das System ist entlastet worden und in ein tieferes, thermodynamisch stabileres Energietal gefallen.

3. Aggregation, Differentiation und Allianzen

Die Parallele: Bisher hatten wir Aggregatoren und Differentiatoren nur als abstrakten Trend-Index dargestellt. Im rechten oberen Plot (

q_{ij}

) wird diese Dynamik nun auf Dyaden-Ebene (Zweier-Beziehungen) sichtbar.

Die Bedeutung: Zur Mitte der Debatte stürzen die violette Linie (Hübsch & Khorchide) und die grüne Linie (Lanz & Kayman) tief ins Negative ab. Hier zerbrechen unter dem Druck der Differentiatoren alte Allianzen zusammen. Gegen Ende (ab Turn 88, der grünen Linie) steigt die rote Linie (Lanz & Mansour) markant an. Lanz agiert hier messbar als klassischer Aggregator: Er kühlt das System ab (Kristallisation) und schmiedet eine neue, tragfähige Allianz.

4. Kausale Kraft erzwingt Agilität (Die orangen Balken vs. $C(t)$ )

Die Parallele: Früher zeigte der D-Score isoliert den rhetorischen Einschlag, während die Kausale Kraft bewies, ob dieser vom Makrosystem überhaupt angenommen wird. Die orangen Agilitäts-Balken (

P_{shift}

) unten rechts verschmelzen nun beides: Sie treten genau dort geballt auf, wo die kausale Kraft und der D-Score in den vorherigen Modulen Spitzenwerte zeigten.

Die Bedeutung: Sie visualisieren das Fenster der Handlungsfähigkeit. Wenn die kausale Kraft eines Akteurs hoch ist und das System durch den Gefrier-Trigger (unser alter Konsolidierungs-Index fällt unter 41) fluid wird, schießt die Übergangswahrscheinlichkeit

P_{shift}

auf 1.0. Das Bild unterstützt die Erkenntnis, dass eine Führungskraft hier eingreifen muss, um neue Strukturen zu gießen, solange der Raum noch formbar ist.

5. Die Heatmaps im Vergleich

Die Parallele: Die frühere soziale Kopplungs-Matrix (Heatmap der Sprecher-Ähnlichkeiten) lieferte lediglich einen starren Durchschnitt über die ganze Sendung. Das große linke Makro-Panel (

Q

) zeigt hingegen die fließende Evolution: Das sichtbare „Fadenkreuz“ rund um Turn 49 teilt die Debatte in zwei völlig unterschiedliche Epochen. Das Team nach der Disruption ist strukturell ein anderes als davor.

Zwei wesentliche Erkenntnisse lassen sich nicht direkt überlagern und ergänzen das Modell als eigenständige Säulen:

Semantische Makro-Regimes: Die Identifikation inhaltlicher Themenwechsel (wie der Sprung vom ‚Identitätskampf‘ zur ‚Sachdebatte‘) bleibt exklusiv Teil der vorherigen kausalen Auswertung. Das Dilts-Modell misst die Kräfte und Spannungen, ‚liest‘ aber nicht die inhaltlichen Themen.

Die Magnetisierung ( $M$ ): Sie ist ein absolutes Novum des Dilts-Glas-Modells. Sie zeigt den globalen Konformitäts-Druck an, der mit den vorherigen Größen nicht erfasst wurde.

Auf Abbildung 2 bin ich besonders stolz: Nach der RSB Theorie zeigen die Energietäler der Energielandschaft eine mathematische Verwandtschaft.- Ich verweise auf Anhang 4 für die mathematische Definition dieser Verwandtschaft. Der Verwandtschaftsgrad jedes einzelnen Turns lässt sich in einem ‚Familien‘- Baum der Turns darstellen. Das besondere hierbei ist, dass die mit dem RSB Modell ermittelte Verwandtschaft zu den Regimen 0, 1 und 2 passt.

Abbildung 2: Der Parisi-Hierarchie-Baum mit Zuordnung zu den drei Regimen Identitätskampf, Sachdebatte und Agenda-Setting der vorherigen Blog-Beiträge. Man beachte: Die Reihenfolge der Regime auf der x-Achse ist umgekehrt zu deren zeitlicher Reihenfolge. – Der Grund liegt in der Umsetzung durch die Plot-Routine für den Baum. – Sollte jemand den Quanta-Artikel lesen, so findet sich dort als Eingangsbild ein stilisierter Parisi-Hierarchie-Baum.

Der Clustering-Algorithmus, der diesen Baum gebaut hat, kannte die Farben und die zeitliche Reihenfolge überhaupt nicht. Er hat ausschließlich auf Basis der Ordnungsparameter-Matrix

Q(t, t')

(d.i. die Matrix der strukturellen Ähnlichkeit der Replicas) gerechnet (siehe Anhang 4). Dass sich die farbigen Blöcke am unteren Rand nun so sauber und trennscharf in eigenständige Äste sortieren, ist das Besondere und gleichzeitig das Nicht-Besondere – Vorausgesetzt die bisherigen Modelle und Ergebnisse passen zu den neuen Ergebnissen. – Was sie tun!

Hier ist die detaillierte Interpretation dieses Ergebnisses:

1. Die perfekte Entflechtung

Man betrachte den Farbstreifen am unteren Rand und wie sich die Äste darüber verzweigen:

Der schwarze Block (Startphase, Turns 0–40, ganz rechts in der Abbildung): Sitzt komplett geschlossen auf der rechten Seite des Baumes. Die Struktur der ersten 40 Turns bildet eine in sich geschlossene, homogene Verwandtschaftsgruppe.

Der rote Block (Identitätskampf, Turns 41–68): Bildet den großen zentralen Ast. Er ist zwar mathematisch nah mit der Startphase verwandt (beide teilen sich einen gemeinsamen Vorfahren-Ast in der rechten Hälfte), bildet aber ein eigenes, klar abgetrenntes Energietal. Das ist das toxische, erstarrte Frustrationstal der Debatte.

Der orange-gelbe Block (Sachdebatte & Agenda-Setting, Turns 69–100): Versammelt sich vollständig auf der linken Hauptseite des Baumes.

2. Der Master-Split (bei $d \approx 0.82$ )

Ganz oben am Hauptstamm (bei einer Phasenraum-Distanz von über 0.8) teilt sich der gesamte Diskurs in zwei unvereinbare Welten:

Rechts (Schwarz + Rot): Die Welt des Abtastens und des harten Identitätskampfes.

Links (Orange + Gold): Die Welt nach der ‚Katharsis‘ – die konstruktive Sachdebatte und das finale Agenda-Setting.

Die Bedeutung: Die Distanz von 0.82 an der Wurzel zeigt, dass das System nach der Disruption (Turn 49) einen irreversiblen Phasenübergang vollzogen hat. Der Diskurs ist phasenraum-technisch so weit von seinem Startpunkt entfernt, dass er zu keinem Zeitpunkt in die alte Struktur (Schwarz oder Rot) zurückkehrt. Es gibt keinen Weg „zurück auf Anfang“.

3. Die Brücke zwischen Orange und Gelb

Man siehe sich ganz genau die linke Seite des Baumes (Orange und Gelb) an:

Die orangefarbenen Turns (Sachdebatte) und die gelben Turns (Agenda-Setting) sind im Baum eng miteinander verbunden.

Die Interpretation: Anders als der harte, schockartige Sprung von Schwarz/Rot nach Orange zeigt der Übergang von der Sachdebatte zum Agenda-Setting eine hohe innere Verwandtschaft. Wenn ein Team erst einmal das toxische Energietal (Rot) verlassen hat und in der Sachdebatte (Orange) angekommen ist, erfolgt der Übergang zur echten Lösungsfindung (Gelb) fast von alleine, weil die topologische Barriere im Phasenraum dort viel niedriger ist (kürzere Äste, geringere Distanzen

d < 0.3

Fazit

„Teams bewegen sich nicht auf einer flachen Zeitlinie, sondern durchwandern topologische Energietäler. Ein toxischer Identitätskampf (Rot) ist eine topologische Sackgasse. Man kann ihn nicht durch ‚guten Willen‘ weglächeln; man muss das System durch einen harten Impuls (Disruption) in ein völlig neues Phasenraum-Tal (Orange/Gelb) führen. Erst wenn die Struktur bricht, öffnet sich der Raum für echte Agilität.“

Abbildung 3 zeigt die Energie der Replicas in einem reduzierten Phasenraum mit 3 bzw. 2 Dimensionen

Abbildung 3 zeigt die Energielandschaft der Replicas einmal links als 3D Plot und rechts als 2D Plot Draufsicht

Die Plots stellen Abbildungen aus dem hochdimensionalen Phasenraum der Replicas dar, der 1960 Dimensionen hat.

Der 1960-dimensionale Vektorraum beschreibt den kombinierten mathematischen Gesamtzustand des gesamten Systems zu einem spezifischen Zeitpunkt

t

Die Grafiken offenbaren eine fundamentale Erkenntnis über soziale Systeme: Sie verändern sich nicht kontinuierlich, sondern fallen in stabile Zustände (Attraktoren) und können nur durch massiven Energieaufwand (Spannung/Stress) in neue Zustände geführt werden.

Hier ist die genaue physikalische und systemtheoretische Interpretation dieser Karte:

1. Die Farblogik der Topografie (Täler vs. Berge)

Um die Karte richtig zu lesen, müssen wir die Thermodynamik dahinter festhalten:

Blaue Zonen (Täler): Hier ist die System-Energie $E_{parisi}$ am niedrigsten. Das bedeutet hohe strukturelle Stabilität. Das System hat eine feste Symmetrie gefunden (Allianzen stehen fest). Es ist ein Attraktor, in dem das System gerne verweilt.
Rote Zonen (Berge/Kämme): Hier ist die Energie extrem hoch. Das bedeutet maximale Frustration, kognitive Ermüdung und strukturelle Instabilität. Niemand hält es hier lange aus. Es sind die Übergangszonen.

2. Die Reise durch den Phasenraum (Der Pfad der Regime)

Wenn wir den Pfad chronologisch verfolgen, erzählt er die exakte Geschichte der Debatte:

Das schwarze Start-Tal (Abtasten):

Das System startet in der unteren rechten Hälfte und bewegt sich schnell in eine erste blaue Senke. Es findet eine anfängliche, oberflächliche Stabilität. Die Akteure haben ihre Positionen bezogen, es gibt noch keine großen tektonischen Verschiebungen.
Die rote Falle (Regime 0: Identitätskampf):

Der Pfad wandert nach links und stürzt in das tiefe blaue Tal am linken Rand. Das ist eine entscheidende Erkenntnis: Ein harter Identitätskampf (roter Pfad) ist physikalisch gesehen ein tiefes Energietal. Er ist hochgradig stabil, weil die Fronten (Wir vs. Die) zementiert sind. Das System steckt in einem toxischen Attraktor fest. Man kann sich aus diesem Tal nicht einfach „herausdiskutieren“.
Der thermodynamische Kraftakt (Regime 1: Sachdebatte):

Um das rote Tal des Identitätskampfes zu verlassen, muss das System über den höchsten, tiefroten Berg, der orange Pfad am oberen Rand, der gesamten Karte klettern. Die System-Energie schießt nach oben. Das zeigt: Der Übergang zur Sachdebatte erfordert die Zufuhr von „Hitze“ (Disruption). Hier bricht die alte Replica-Symmetrie auf. Die Akteure müssen extremen Stress aushalten, um die alten Allianzen zu zerstören und neue zu knüpfen. Ohne diese Kausale Kraft, die das System über den Pass zwingt, wäre es im roten Tal geblieben.
Das neue Plateau (Regime 2: Agenda-Setting):

Nachdem der extrem anstrengende orange Übergang (der rote Bergkamm) überwunden ist, fällt das System am rechten Rand bei den gelben Punkten wieder ab und findet eine neue, stabile Architektur (Ende). Es ist ein neues Energietal, das topologisch meilenweit vom roten Tal entfernt liegt.

Diese Karte ist das stärkste Argument gegen die Vorstellung, Transformation sei ein glatter, linearer Prozess. Wenn ein Team in einem dysfunktionalen Muster (dem linken blauen Tal) feststeckt, reicht eine ‚harmonische‘ Moderation nicht aus.

Führung bedeutet in diesem Modell, die Aktivierungsenergie bereitzustellen. Eine Führungskraft muss als Katalysator wirken und bewusst Spannung (Hitze) in das System injizieren, um es über den ‚roten Berg‘ zu führen, bevor es sich im Lösungsraum (rechts) neu formieren kann. Transformation erfordert den temporären Gang durch maximale Instabilität.

Dass die gelben Punkte am Ende (Regime 2) nicht in einem tiefen blauen Tal liegen, sondern auf einem energetisch hohen Plateau (im roten/orangen Bereich), ist kein Fehler im Modell. Es ist die mit Abstand wichtigste Erkenntnis dieses Blog-Beitrages!

Das lässt sich über die Formel der System-Energie

E_{sys} = -\sum J_{ij} q_{ij}

erklären:

Tiefe Täler (Blau) sind primitive Zustände

Ein System fällt in ein tiefes blaues Tal, wenn das aktuelle Verhalten (

q_{ij}

) exakt der angeborenen Struktur (

J_{ij}

) entspricht. Wenn sich Leute, die sich ohnehin nicht mögen (

J < 0

), auch im Gespräch bekämpfen (

q < 0

), ergibt das mathematisch einen starken Minuswert (Tiefe Energie). Das System ist im Identitätskampf (Rot) völlig entspannt, weil alle ihren natürlichen Reflexen (Vorurteilen, Tribalismus) folgen. Es ist ein ‚bequemer‘ Attraktor.

Agenda-Setting ist ein ‚Fern-vom-Gleichgewicht‘-Zustand

Die gelbe Phase (Spiral Dynamics Tier 2) erfordert hohe kognitive Komplexität. Die Akteure müssen ihre natürlichen Beziehungsreflexe (die

J_{ij}

-Basis) überwinden. Leute mit völlig gegensätzlichen Profilen müssen plötzlich ihre Perspektiven synchronisieren (

q > 0

), um eine systemische Lösung zu bauen.

Physikalisch nennt man das Frustration: Die Magnetisierungsrichtung der Akteure passt nicht zu ihrer angeborenen Struktur. Das treibt die System-Energie enorm nach oben.

Die Management-Erkenntnis:

Echtes Agenda-Setting und funktionale Agilität sind keine harmonischen Ruhezustände. Sie sind thermodynamisch hochgradig angespannte, ‚erregte‘ Zustände (Excited States). Wie ein biologischer Organismus kann ein Team auf dieser hohen Ebene nur überleben, wenn permanent Energie (Kausale Kraft, bewusste Aufmerksamkeit) zugeführt wird.

Sobald die Aufmerksamkeit (die Disruption) nachlässt, greift die Schwerkraft: Das System rutscht vom gelben Plateau unweigerlich wieder hinab in das primitive, blaue Tal des tribalen Identitätskampfes.

Das Agenda-Setting ist also kein gemütliches Tal, in dem man sich ausruht, sondern eine Hochgebirgs-Expedition. Es ist anstrengend (hohe Energie), aber nur von dort oben hat man den systemischen Überblick.

Damit scheint das Befüllen des Werkzeugkasten der CMT zu einem vorläufigen Abschluss gekommen zu ein. Was bleibt?

In einem ersten Schritt ist zu überprüfen, ob die gesamte Theorie auf eine andere TV-Gruppe angewendet werden kann und ähnlich aussagekräftige Resultate liefert.
In einem zweiten Schritt könnte ein KI-Agenten, mit dem ich nicht den Werkzeugkasten erstellt habe, angelernt werden, die Plots selbständig so zu interpretieren, dass eine Führungskraft diese KI-Interpretationen versteht und umsetzen kann. – Ich kann derzeit nicht abschätzen, ob dies gelingen wird.
In einem dritten Schritt könnten weitere Gruppen mittels des angelernten KI-Agenten analysiert werden.
In einem vierten Schritt, den ich wahrscheinlich nicht umsetzen werde, könnte der Werkzeugkasten zusammen mit dem angelernten KI-System zur Real-Time Analyse von Gruppen bzw. Teams verwendet werden.

Schauen wir mal!

Anhang 1

Mathematische Dokumentation des Parisi-Replica-Modells, angewendet in der Collective Mind Theorie

Warum statistische Mechanik die neue Führungspraxis definiert

Klassische Führungsmodelle basieren oft auf einer deterministischen Illusion: Man geht davon aus, dass bei gleichen Startbedingungen (Akteure, Agenda, Raum) auch immer das gleiche berechenbare Ergebnis entsteht. Die Realität moderner, agiler Organisationen beweist jedoch täglich das Gegenteil. Soziale Netzwerke, Verhandlungsteams und Diskursräume sind keine linearen Maschinen, sondern hochkomplexe Systeme, in denen individuelle Werte und kollektive Dynamiken permanent aufeinanderprallen.

Um diese Komplexität nicht nur intuitiv zu erfassen, sondern algorithmisch zu steuern, bedarf es eines Paradigmenwechsels. Die Collective Mind Theory entlehnt hierfür das mathematische Werkzeug der statistischen Mechanik – präziser: die Physik der Spin-Gläser nach Giorgio Parisi.

Für die Führungspraxis liefert dieser formale Rahmen drei entscheidende Erkenntnisse:

Die Quantifizierung von Systemstress: Kognitive Fatigue ist kein weicher, psychologischer Faktor mehr, sondern eine physikalisch berechenbare System-Energie. Sie entsteht als messbare Reibung, wenn das geforderte Gruppenverhalten von der tiefen Identität der Einzelnen abweicht.
Strukturelle Agilität statt Determination: Gruppen haben kein fixes Schicksal. Selbst bei identischen Akteuren und Werten existieren unzählige, parallel mögliche Beziehungs- und Lösungsräume (Replicas).
Disruption als thermodynamisches Werkzeug: Wenn ein Team in einem toxischen Konflikt oder in Gruppendenken (hohe Frustration) erstarrt ist, reicht bloßer Moderations-Konsens oft nicht aus. Es benötigt die gezielte „Hitze“ einer semantischen Disruption, um alte Symmetrien zu brechen und das System in ein neues, produktiveres Energietal springen zu lassen.

Der folgende Abschnitt dokumentiert die thermodynamischen Grundlagen dieses Modells für ein System aus $N$ Akteuren. Hierbei wird physikalisch streng zwischen der mikroskopischen Ebene (dem individuellen Akteur als Spin) und der makroskopischen Ebene (dem gesamten Diskursraum als System-Replica) unterschieden.

1. Die Mikro-Ebene: Akteure als komplexe Spins

Das psychologische Dilts-Fundament (Identitäts-Vektor): Der unveränderliche, stabile Kern eines Akteurs $i$ (mit $i \in \{1, \dots, N\}$ ). Er wird als 8-dimensionaler Vektor modelliert, der die fünf Dimensionen der Persönlichkeit (Big Five) und drei übergeordnete Kernwerte (abgeleitet aus den Spiral Dynamics v-Memes) vereint. Der rohe Profil-Vektor setzt sich wie folgt zusammen:

$\vec{\Phi}_{raw, i} = \begin{bmatrix} E_i \\ A_i \\ C_i \\ N_i \\ O_i \\ V_{1,i} \\ V_{2,i} \\ V_{3,i} \end{bmatrix} \begin{array}{l} \leftarrow \text{Extraversion} \\ \leftarrow \text{Agreeableness (Verträglichkeit)} \\ \leftarrow \text{Conscientiousness (Gewissenhaftigkeit)} \\ \leftarrow \text{Neuroticism (Neurotizismus)} \\ \leftarrow \text{Openness (Offenheit)} \\ \leftarrow \text{Wahrheit \& Logik} \\ \leftarrow \text{Identität \& Loyalität} \\ \leftarrow \text{Freiheit \& Aufklärung} \end{array}$

Um diesen Identitäts-Vektor dimensionslos in den unitären Phasenraum des Modells einbetten zu können, wird er über seine euklidische Norm auf die Länge 1 normiert:

$\vec{\Phi}_i = \frac{\vec{\Phi}_{raw, i}}{\Vert{} \vec{\Phi}_{raw, i} \Vert{}}$

Dieser Vektor repräsentiert die tiefen, unbewussten Ebenen der logischen Ebenen nach Robert Dilts (Werte, Glaubenssätze, Identität) und bleibt während des gesamten Diskurses konstant.
Dynamische Viskosität (Trägheit): Die psycho-emotionale Fluktuation steuert die inhaltliche Trägheit $\beta_i$ eines Akteurs $i$ . Sie wird aus den empirischen Varianzen des stimmlichen Arousals ( $\sigma_{ar, i}^2$ ) und der semantischen Disruption ( $\sigma_{d, i}^2$ ) aller bisherigen Redebeiträge dieser Person abgeleitet:

$\sigma_{raw, i}^2 = \frac{\sigma_{ar, i}^2 + \sigma_{d, i}^2}{2}$

$\beta_i = 0.70 - 20 \cdot \left( \frac{\sigma_{raw, i}^2}{\max_{j}(\sigma_{raw, j}^2)} \right) \cdot 0.015$

Hierbei skaliert $\max_{j}(\sigma_{raw, j}^2)$ die Varianz auf das Maximum aller $N$ Teilnehmer im Raum.
Kinematik des Verhaltens-Spins: Die Viskosität $\beta_i$ bestimmt, wie stark ein Akteur sein situatives Verhalten ändert, wenn ein neuer inhaltlicher Impuls in Form des zentrierten und normierten Text-Embeddings $\vec{v}^{(t)}$ (die Aussage im Turn $t$ ) in den Raum tritt. Für den aktiven Sprecher im Turn $t$ gilt:

$\vec{S}_{raw, i}(t) = \beta_i \cdot \vec{S}_i(t-1) + (1 - \beta_i) \cdot \vec{v}^{(t)}$

$\vec{S}_i(t) = \frac{\vec{S}_{raw, i}(t)}{\Vert{} \vec{S}_{raw, i}(t) \Vert{}}$

(Für die schweigenden, zuhörenden Akteure friert das Verhalten in diesem Turn ein: $\vec{S}_i(t) = \vec{S}_i(t-1)$ ).
Strukturelle Kopplung (Quenched Disorder): Das eingefrorene, architektonische Beziehungsnetzwerk des Raumes. Es wird über die Pearson-Korrelation der stabilen psychologischen Profile (Dilts-Fundament $\vec{\Phi}$ ) zweier Akteure $i$ und $j$ berechnet:

$J_{ij} = \frac{\sum_{k=1}^{8} (\Phi_{i,k} - \bar{\Phi}_i)(\Phi_{j,k} - \bar{\Phi}_j)}{\sqrt{\sum_{k=1}^{8} (\Phi_{i,k} - \bar{\Phi}_i)^2 \sum_{k=1}^{8} (\Phi_{j,k} - \bar{\Phi}_j)^2}}$

Hierbei ist $\Phi_{i,k}$ die $k$ -te Komponente des Vektors $\vec{\Phi}_i$ und $\bar{\Phi}_i = \frac{1}{8} \sum_{k=1}^{8} \Phi_{i,k}$ ist der arithmetische Mittelwert dieser 8 Dimensionen für den Akteur $i$ .
Der erweiterte Spin-Zustand: Der mikroskopische Freiheitsgrad $\vec{\chi}_i(t)$ der Person $i$ entsteht aus der Konkatenation (Verkettung $\oplus$ ) des stabilen psychologischen Kerns (mit Gewichtung 0.4) und des berechneten kinematischen Verhaltens $\vec{S}_i(t)$ (mit Gewichtung 0.6):

$\vec{\chi}_{raw, i}(t) = (0.4 \cdot \vec{\Phi}_i) \oplus (0.6 \cdot \vec{S}_i(t))$

$\vec{\chi}_i(t) = \frac{\vec{\chi}_{raw, i}(t)}{\Vert{} \vec{\chi}_{raw, i}(t) \Vert{}}$
Beziehungs-Ähnlichkeit: Der aktuelle, dynamische inhaltlich-psychologische Overlap zweier mikroskopischer Akteure:

$q_{ij}(t) = \vec{\chi}_i(t) \cdot \vec{\chi}_j(t)$

2. Die Makro-Ebene: System-Replicas und Thermodynamik

Die System-Replica: Der vollständige, makroskopische Zustand des Netzwerks aus allen $N$ Personen zu einem spezifischen Zeitpunkt $t$ :

$\mathcal{R}(t) = \{ \vec{\chi}_1(t), \vec{\chi}_2(t), \dots, \vec{\chi}_N(t) \}$
System-Energie (Kognitive Fatigue): Die thermodynamische Systemspannung. Sie steigt, wenn das aktuelle Verhalten $q_{ij}(t)$ der inneren Natur $J_{ij}$ der Akteure widerspricht. Die Summe wird über alle einzigartigen Akteurspaare ( $i < j$ ) gebildet:

$E_{sys}(t) = - \sum_{i < j} J_{ij} \cdot q_{ij}(t)$
Globale Magnetisierung (Semantischer Konsens): Das Maß für die Konformität, abgeleitet aus der euklidischen Norm des globalen Zentroid-Vektors der System-Replica:

$M(t) = \left\Vert{} \frac{1}{N} \sum_{i=1}^{N} \vec{\chi}_i(t) \right\Vert{}$
Parisi-Overlap (Replica Symmetry Breaking): Der makroskopische Ordnungsparameter, der die strukturelle Überlappung der gesamten System-Replica zum Zeitpunkt $t$ mit der System-Replica zu einem anderen Zeitpunkt $t'$ quantifiziert:

$Q(t, t') = \frac{1}{N^2} \sum_{i=1}^{N} \sum_{j=1}^{N} \left( \vec{\chi}_i(t) \cdot \vec{\chi}_j(t') \right)$
Boltzmann-Übergangswahrscheinlichkeit: Die physikalische Wahrscheinlichkeit (Agilität), dass das System eine Energiebarriere überwindet und das Energietal wechselt. Sie basiert auf der Energiedifferenz $\Delta E(t) = E_{sys}(t) - E_{sys}(t-1)$ . Als erforderliche thermische „Hitze“ fungiert der gemessene semantische Disruption-Score $d_t$ aus dem Sprachmodell:

$P_{shift}(t) = \begin{cases} 1.0, & \Delta E(t) \le 0 \\ \exp\left( - \frac{\Delta E(t)}{\vert{}d_t\vert{} + \epsilon} \right), & \Delta E(t) > 0 \end{cases}$

(Die Konstante $\epsilon > 0$ stellt das semantische Grundrauschen dar und verhindert eine mathematische Division durch Null, falls $d_t = 0$ ).

Anhang 2

Integration der bisherigen Kenngrößen mit den aktuellen Kenngrößen

1. Kausale Kraft $C(t)$ als thermischer Multiplikator

Bisher nutzen wir in der Boltzmann-Gleichung nur den absoluten Disruption-Score

\vert{}d_t\vert{}

als „Hitze“. Die Kausale Kraft

C(t)

zeigt jedoch exakt, ob eine Disruption vom Makro-System überhaupt angenommen wird oder verpufft.

Wir modifizieren die thermische Energie

T

im Nenner, indem wir die Kausale Kraft als Multiplikator (Katalysator) einbauen. Eine Disruption führt nur dann zu einem Phasenübergang, wenn der Sprecher auch kausale Macht ausübt:

T_{\text{eff}}(t) = \vert{}d_t\vert{} \cdot (1 + \max(0, C(t)))

P_{\text{shift}}(t) = \exp\left( - \frac{\Delta E(t)}{T_{\text{eff}}(t) + \epsilon} \right)

Der Code-Trigger: Wenn $C(t)$ (wie bei Turn 40 oder 71) stark ausschlägt, vervielfacht sich die Hitze, und die Energiebarriere schmilzt augenblicklich weg.

2. Konsolidierungs-Index als dynamischer Gefrierpunkt ( $\beta$ -Kopplung)

Der Plot zum Konsolidierungs-Index zeigt eine kristallklare Nulllinie (Mittelwert) bei exakt 41. Wir können diesen empirischen Wert als kritischen Schwellenwert

K_{\text{crit}} = 41

nutzen, um die Viskosität (Trägheit

\beta_i

) der Akteure dynamisch an den Systemzustand zu koppeln.

System kühlt ab ( $K(t) > 41$ ): Das System kristallisiert. Wir erhöhen $\beta_i$ im Code künstlich um einen Faktor (z. B. $+0.1$ ). Die Spins frieren in ihren Allianzen ein, das System wird starr.
System schmilzt auf ( $K(t) < 41$ ): Wie bei den markierten Drops (Turn 47, Turn 64, Turn 88) wird das System fluide. $\beta_i$ sinkt, die Akteure sind maximal empfänglich für semantische Umpositionierungen.

3. Der 0.7-Stresspegel als kritische Instabilitäts-Schranke

In der Stresspegel-Analyse markiert die rote gestrichelte Linie bei 0.7 die absolute kritische Zone. Wir übersetzen diesen Schwellenwert direkt in eine kritische Systemenergie

E_{\text{crit}}

für das Parisi-Modell.

Der Code-Trigger: Wenn die thermodynamische Frustration $E_{\text{sys}}(t)$ das Äquivalent dieses 0.7-Schwellenwerts überschreitet, triggern wir im Code einen nicht-linearen „Erschöpfungs-Bruch“.
In diesem Moment kippt das System: Selbst eine minimale Disruption (ein sehr kleines $\vert{}d_t\vert{}$ ) reicht dann aus, um $P_{\text{shift}}$ auf 1.0 zu setzen, weil das System unter seiner eigenen Reibungshitze kollabiert.

Anhang 3

Gegenüberstellung der Kenngrößen von Parisi-Modell und bisherigen Kenngrößen.

Thermodynamische Energie vs. Empirischer Stress

Bisherige Heuristik: Der Systemstress wurde bisher als regelbasierte Summe („Stresspegel“) approximiert. Er basierte primär auf der Beobachtung negativer Valenz und hohem Arousal der Einzelakteure.
Parisi-Upgrade: Die Kognitive Fatigue ( $E_{sys}$ ) ist nun kein empirischer Näherungswert mehr, sondern eine exakte physikalische Frustration. Sie misst direkt die Reibung zwischen dem unveränderlichen psychologischen Fundament ( $J_{ij}$ ) und der aktuellen Verhaltenskollision ( $q_{ij}$ ).

Hitze-Injektion und Regime-Wechsel

Bisherige Beobachtung: Der semantische D-Score und die Kausale Kraft markierten lediglich die isolierten Momente einer Disruption (z. B. den starken Ausschlag um Turn 49).
Parisi-Upgrade: Der D-Score $\vert{}d_t\vert{}$ fungiert im neuen Modell direkt als „thermodynamische Hitze“ in der Boltzmann-Gleichung. Wir sehen nicht nur den Einschlag, sondern berechnen die exakte Wahrscheinlichkeit ( $P_{shift}$ ), ob diese Hitze ausreicht, um das System aus dem erstarrten Makro-Regime (Identitätskampf) über die Energiebarriere in ein neues Energietal (Agenda-Setting) zu heben.

Von statischer Kopplung zur dynamischen Symmetriebrechung

Bisherige Statistik: Die soziale Kopplungs-Matrix lieferte lediglich einen globalen Mittelwert ( $\mu$ ) und eine statische Varianz ( $\sigma^2$ ) für die gesamte Debatte.
Parisi-Upgrade: Das Modell löst diese statische Sicht auf. Die zeitaufgelöste Mikro-Matrix $q_{ij}(t)$ macht die fluktuierenden Allianzen sichtbar. Die Makro-Matrix $Q(t, t')$ zeigt mathematisch, dass identische Akteure durch Replica Symmetry Breaking im Zeitverlauf in völlig unterschiedliche, inkompatible Verhaltenszustände zerfallen.

Konsolidierung als thermodynamische Abkühlung

Bisherige Analyse: Der Konsolidierungs-Index markierte wichtige Kristallisationspunkte (wie Turn 88 durch Lanz), an denen sich der Diskurs beruhigte.
Parisi-Upgrade: Diese Kristallisationspunkte zeigen sich nun physikalisch als spontane Energieabfälle ( $\Delta E \le 0$ ). Das Spin-Glas entspannt sich in ein tieferes, stabileres Tal, ohne dass externe Hitze notwendig ist.

Anhang 4

Formalismus des Parisi-Baumes

Um die Dynamik von Diskursen und Organisationen physikalisch zu fundieren, übersetzen wir die Beziehungs- und Zustandsstrukturen der Akteure in den Formalismus der Spin-Glas-Theorie (Giorgio Parisi). Der Hierarchie-Baum (Dendrogramm) entsteht dabei in vier aufeinander aufbauenden mathematischen Schritten:

1. Die Parisi-Overlap-Matrix $Q(t, t')$

Jeder Systemzustand zu einem Zeitpunkt (Turn)

t

wird durch einen Vektor der Zustandsvariablen

\vec{\chi}(t)

repräsentiert. Der Grad der strukturellen Übereinstimmung (die Ähnlichkeit der Konfigurationen) zwischen zwei Zeitpunkten

t

und

t'

wird über das skalierte Skalarprodukt (den Overlap) gemessen:

Q(t, t') = \frac{1}{N} \sum_{i=1}^{N} \chi_i(t) \chi_i(t')

Erläuterung: $N$ ist die Anzahl der betrachteten Akteure. Liegt $Q(t, t')$ nahe bei $1$ , haben die Akteure exakt dieselbe Allianz-Konfiguration wie zuvor. Liegt der Wert bei $0$ oder im negativen Bereich, hat sich die Systemtopologie fundamental gedreht.

2. Die Phasenraum-Distanz $d(t, t')$

Da Clustering-Algorithmen keine Ähnlichkeiten, sondern Abstände verarbeiten, transformieren wir den Overlap in eine metrische Phasenraum-Distanz:

d(t, t') = 1 - Q(t, t')

Erläuterung: Wenn zwei Systemzustände maximal korrelieren ( $Q = 1$ ), ist ihre Distanz $d = 0$ (sie liegen im exakt selben Energietal). Je geringer der Overlap, desto größer ist die Distanz im Phasenraum (bis zu $d = 1$ ), was einen tiefgreifenden Systemwandel anzeigt.

3. Die Ultrametrische Ungleichung (Das Fundament des Parisi-Baumes)

Das herausragende Merkmal des Parisi-Replica-Symmetry-Breaking (RSB) ist, dass sich der Phasenraum in eine hierarchische Baumstruktur (einen ultrametrischen Raum) presst. Für drei beliebige Systemzustände

x, y, z

gilt stets die verschärfte Dreiecksungleichung:

d(x, z) \leq \max\left(d(x, y), d(y, z)\right)

Erläuterung: In einem regulären Raum kann ein Dreieck beliebige Seitenverhältnisse haben. Im ultrametrischen Raum des Parisi-Baumes sind Dreiecke immer gleichschenklig mit zwei langen und einer kurzen Seite. Das bedeutet mathematisch: Es gibt keine fließenden Übergänge oder echten Kreisläufe zwischen den Energietälern. Das System verzweigt sich starr und baumartig.

4. Das hierarchische Clustering (UPGMA-Verfahren)

Die vertikale Verzweigungshöhe (die y-Achse des Baumes) wird durch den Algorithmus des Unweighted Pair Group Method with Arithmetic Mean (UPGMA) bestimmt, welcher die Distanzen sukzessive fusioniert:

d(A \cup B, C) = \frac{\vert{}A\vert{} \cdot d(A, C) + \vert{}B\vert{} \cdot d(B, C)}{\vert{}A\vert{} + \vert{}B\vert{}}

Erläuterung: Zwei Cluster von Turns ( $A$ und $B$ ) verschmelzen zu einem gemeinsamen Ast, sobald ihr durchschnittlicher phasenraum-theoretischer Abstand den Schwellenwert der y-Achse erreicht. Die Höhe der Verzweigung quantifiziert direkt, wie viel „thermodynamische Energie“ im Raum freigesetzt werden muss, um diese Zustände topologisch miteinander zu verknüpfen.

Anhang 5

Die Energie-Topografie des Diskursraumes

Um die abstrakte Verwandtschaft der Systemzustände (den Parisi-Baum) in eine topografische 3D-Energielandschaft zu übersetzen, in der wir Täler (Attraktoren) und Berge (Spannungszustände) durchwandern können, kombiniert die Collective Mind Theory thermodynamische Hamilton-Mechanik mit multidimensionaler Skalierung.

Die Konstruktion der Landschaftskarte beruht auf drei mathematischen Säulen:

1. Die Z-Achse: Die thermodynamische System-Energie $E_{parisi}$

Die Höhe jedes Punktes im Gebirge repräsentiert die innere Spannung oder Frustration des Systems. Sie wird über den Hamilton-Operator berechnet, der die angeborene strukturelle Kopplung der Akteure (

J_{ij}

) mit ihrem situativen Kommunikationsverhalten (

q_{ij}

) abgleicht:

E_{parisi}(t) = - \sum_{i=1}^{N-1} \sum_{j=i+1}^{N} J_{ij} q_{ij}(t)

Erläuterung:
- $J_{ij}$ ist die statische „Quenched Disorder“ (die grundlegende Passung oder Abneigung zweier Persönlichkeiten, basierend auf ihren Kernprofilen).
- $q_{ij}(t) = \vec{\chi}_i(t) \cdot \vec{\chi}_j(t)$ ist der situative Mikro-Overlap im Turn $t$ .
- Tiefe Täler (Attraktoren): Wenn das situative Verhalten exakt der angeborenen Struktur entspricht (Freunde kooperieren, Feinde bekämpfen sich), wird das Produkt positiv. Durch das negative Vorzeichen in der Formel stürzt die Energie $E_{parisi}$ ab. Das System fällt in ein tiefes, stabiles (oftmals primitives) Energietal – wie den Identitätskampf.
- Hohe Berge (Excited States): Wenn Akteure entgegen ihrer natürlichen Reflexe handeln müssen (z.B. Kooperation trotz grundlegender Werte-Unterschiede), entsteht Frustration. Die Energie steigt. Das erklärt physikalisch, warum hochkomplexe Phasen wie das Agenda-Setting energetisch so anstrengend sind.

2. Die X- und Y-Achse: Projektion des Phasenraumes

Das System bewegt sich in einem hochdimensionalen Beziehungsraum (mit unzähligen Kanten und Parametern). Um diesen auf eine 2D-Fläche (unsere Landkarte) zu pressen, nutzen wir die Multidimensionale Skalierung (MDS). Der Algorithmus sucht für jeden Turn

t

zweidimensionale Koordinaten

\vec{x}(t) = (x(t), y(t))

, indem er die folgende Stress-Funktion minimiert:

\Phi(X) = \sum_{t < t'} \left( d(t, t') - \Vert{}\vec{x}(t) - \vec{x}(t')\Vert{} \right)^2

Erläuterung:
- $d(t, t')$ ist unsere wahre, unbestechliche Parisi-Phasenraumdistanz ( $1 - Q(t,t')$ ) aus dem hochdimensionalen Raum.
- $\Vert{}\vec{x}(t) - \vec{x}(t')\Vert{}$ ist der simple euklidische Abstand der Punkte auf unserer flachen Landkarte.
- Der Algorithmus ordnet die Turns solange auf der X/Y-Ebene an, bis die Differenz zwischen echter Distanz und flacher Distanz minimal ist ( $\Phi \to 0$ ). Die Koordinaten $X$ und $Y$ haben dabei keine inhaltliche Bedeutung (wie Zeit oder Temperatur), sondern spannen rein den strukturellen Boden auf.

Der MDS-Algorithmus hat nur eine einzige mathematische Aufgabe. Er liest die zuvor berechneten Distanzen $d(t, t')$ aus dem hochdimensionalen Raum ein und ordnet die 100 Turns auf der flachen 2D-Ebene so an, dass ihr geometrischer Abstand auf dem Bildschirm so exakt wie möglich der wahren Parisi-Distanz entspricht. Wenn Turn 40 und Turn 80 im 1960-dimensionalen Raum weit voneinander entfernt sind, zwingt der Algorithmus sie auch auf den X/Y-Koordinaten weit auseinander. Die X/Y-Fläche ist lediglich der zweidimensionale Schatten, den das unvorstellbare 1960-dimensionale Gebilde auf eine flache Ebene wirft, damit unser Auge es greifen kann.

3. Das Oberflächen-Gitter: Die interpolierte Topologie

Da wir nur 100 diskrete Messpunkte (die Turns) haben, das System sich aber theoretisch durch ein kontinuierliches Feld bewegt, wird ein stufenloses Gebirge

E(x,y)

über eine kubische Spline-Interpolation approximiert:

E(x,y) \approx \sum_{t=1}^{T} w_t(x,y) \cdot E_{parisi}(t)

Erläuterung: Diese Funktion schätzt die Energiehöhe für jeden unbetretenen Fleck auf der Karte basierend auf den umliegenden, real gemessenen Turns. So entsteht die glatte, zusammenhängende Oberfläche, auf der wir die steilen Pässe zwischen den Regime-Tälern erkennen können.

4. Die Anzahl der Dimensionen

Hier ist die exakte mathematische Herleitung der Dimensionsgrößen:

1. Der Akteur: 392 Dimensionen

Ein einzelner Akteur

i

wird im Modell durch den Zustandsvektor

\vec{\chi}_i(t)

beschrieben. Dieser Vektor ist die Konkatenation (Aneinanderreihung) aus zwei Datensätzen:

8 Dimensionen aus dem statischen Kernprofil (z. B. Big Five, Spiral Dynamics).
384 Dimensionen aus dem situativen Sprachverhalten (die semantischen Text-Embeddings aus dem NLP-Modell, typischerweise all-MiniLM-L6-v2, welches Vektoren der Länge 384 ausgibt).
Summe: $8 + 384 = 392$ Dimensionen. Ein einzelner Sprecher ist also ein Punkt in einem 392-dimensionalen Raum.

2. Der System-Zustandsraum: 1960 Dimensionen

Um den Zustand des gesamten Systems (der System-Replica) zu einem bestimmten Turn

t

vollständig abzubilden, muss der Algorithmus die Vektoren aller anwesenden Akteure gleichzeitig erfassen.

Rechnung: $5 \text{ Akteure} \times 392 \text{ Dimensionen pro Akteur} = 1960 \text{ Dimensionen}$ .
Erklärung: Wenn die Matrix $Q(t, t')$ berechnet wird, vergleicht sie den 1960-dimensionalen Systemzustand zum Zeitpunkt $t$ mit dem 1960-dimensionalen Zustand zum Zeitpunkt $t'$ .

3. Der Beziehungsraum: 10 Dimensionen

Die Thermodynamik (System-Energie

E_{sys}

) interessiert sich nicht für die rohen Text-Embeddings, sondern ausschließlich für die Spannungen zwischen den Akteuren.

Bei 5 Akteuren gibt es exakt $\frac{5 \times 4}{2} = 10$ mögliche Paare (Dyaden).
Für jedes Paar wird das Skalarprodukt aus ihren 392-dimensionalen Vektoren gebildet, was zu einem einzigen Skalarwert führt: dem situativen Overlap $q_{ij}(t)$ .
Das Netzwerk lässt sich folglich auch als ein 10-dimensionaler Vektor ausdrücken, der aus genau diesen 10 Beziehungs-Spannungen besteht.

Literatur

[1] Parisi G (2002/2024) The physical Meaning of Replica Symmetry Breaking,
https://doi.org/10.48550/arXiv.cond-mat/0205387
[2] Cutts E (2026) The strange physics that gave birth to AI, https://www.quantamagazine.org/the-strange-physics-that-gave-birth-to-ai-20250430/, Quanta

Von der gesellschaftlichen Kernschmelze – Eine Demokratie-Autokratie Analyse der Länder USA, Deutschland, Ungarn und Ukraine oder vom ‚Dies markiert den Beginn einer neuen Ära empirisch fundierter, bewusstseins-integrierter Demokratieforschung! 🌟‘

Dieser Blog ist der sechste Teil der Blog-Serie ‚Von der gesellschaftlichen Kernschmelze…‘. Dieses Mal starte ich mit einigen Erfahrungen in der Verwendung der KI-Systeme ChatGPT, Claude und DeepSeek.

Der Teil des Titels ‚Dies markiert den Beginn einer neuen Ära empirisch fundierter, bewusstseins-integrierter Demokratieforschung! 🌟‘ stammt von der KI Claude und zeigt einen kleinen Ausschnitt der wenig positiven aktuellen Erfahrungen mit den zwei KI-Systemen ChatGPT und Claude. Für meine Aufgabenstellungen hat hingegen DeepSeek im Laufe der letzten Monate eine extrem gute Entwicklung gezeigt.

Ziel dieses Blog-Beitrages ist es, das in den letzten Blog-Beiträgen entwickelte Modell des Demokratie-Autokratie-Übergangs an realen Daten zu validieren.

Wie die Blog-Beiträge des letzten Jahres zeigen, waren meine Erfahrungen mit ChatGPT sehr positiv. Alle diese Blog-Beiträge, wie auch der aktuelle, sind durch eine recht aufwendige mathematische Modellierung und eine entsprechend umfangreiche Programmierung gekennzeichnet.

Der vorliegende Blog-Beitrag ist im Juni 2025 entstanden. Zu meiner Überraschung zeigte ChatGPT in mehreren von mir verwendeten Versionen einen enormen Leistungsverlust: Die Ausgabe der umfangreichen Programme erfolgte nicht mehr vollständig. Selbst mehrfaches Nachfordern und das Umleiten der Ausgabe in Dateien brachte keine Besserung. Es ging so weit, dass ChatGPT mir völlig anderen Code anbot, teilweise hatte dieser noch etwas mit der Aufgabenstellung zu tun, jedoch waren es eher kleine Code-Schnipsel. – Kurzum das System war für die Erstellung des Blog-Beitrages nicht nutzbar. – Ich hatte die letzten Jahre schon mehrmals ähnliche Erfahrungen gemacht.- Dieses Mal kam es jedoch sehr überraschend, zumal Sam Altman immer mehr von der KI Singularity spricht. – Meine aktuellen Erfahrungen stehen in krassem Widerspruch zu seinen Prognosen.

Ich wechselte zu Claude. Claude war zuerst in der Lage das Programm vollständig zu erzeugen. Die Programm-Ausgabe, begleitet von ähnlich euphorischen Sätzen wie demjenigen im Titel des Blog-Beitrages, kann den Benutzer dazu verleiten, zu glauben, dass Alles in Ordnung ist. Dem war leider nicht so. Claude benötigte sehr viele Korrekturanweisungen: Immer wieder wurden Modell-Kürzungen vorgenommen, teilweise sogar mit erheblichen Modellverfälschungen.

Mit viel Mühe gelang es schließlich eine erste Version des Programms zu erzeugen. Einer weiteren Verfeinerung und Ergänzung widersetzte sich Claude jedoch. Es tauchten ähnliche Probleme wie bei ChatGPT auf: Code wurde weggelassen und schließlich wurde nur noch ‚Spiel-Code‘ angeboten. Zugegeben, der Code war inzwischen umfangreich, jedoch bei weitem nicht vergleichbar mit Code, den man in der professionellen Computersimulations-Forschung einsetzt. – Also auch hier Indizien für ein Überbewerten der kurzfristigen Erreichbarkeit der AI Singularity?!

Ich wechselte zu DeepSeek, meiner letzten Hoffnung den Blog-Beitrag noch fertigzustellen.- Denn der Fertigstellung durch mich alleine gab ich keine Aussicht auf Erfolg. Mit DeepSeek gelang es mir tatsächlich zwei erhebliche Modell-Ergänzungen vorzunehmen.

Ich ließ die Ergebnisse des nun fertigen Programms von allen drei KI-Systemen interpretieren. – Das war noch möglich: Die Interpretationen von ChatGPT und DeepSeek waren am sachlichsten und an den Daten orientiert. Die Interpretationen von Claude waren wieder ziemlich euphorisch, teilweise sehr plakativ. Einmal geschah bei Claude etwas sehr Bedenkliches: Die KI interpretierte die Ergebnisse aus Sicht der letzten Programmversion, die Claude erstellt hatte. Claude hatte die tatsächlichen Ergebnisse völlig falsch zugeordnet und kam zu einer völlig unsinnigen Interpretation.

Ich interpretiere diese teilweise sehr bedenklichen Erfahrungen wie folgt: Es ist möglich, dass das KI-Verhalten durch das Interface zwischen Prompt-UI und eigentlicher KI hervorgerufen wird. Vermutlich nehmen die KI-Anbieter dort für den Anwender intransparente Änderungen am Prompt-Input vor. Es könnte zum Beispiel sein, dass der Prompt nur eine bestimmte Größe haben darf. Die Ausgabe von ‚Spiel-Code‘ statt umfangreichen richtigen Code weist jedoch darauf hin, dass die KI-Systeme selbst überfordert waren und es offensichtlich kein Warnsystem für Überforderung gib. Zwar ist immer Vorsicht bei der Übernahme von KI-Ausgaben geboten, jedoch scheint diese Vorsicht ab einem bestimmten Aufgabenumfang besonders wichtig zu werden.

Ich wende mich nun dem eigentlichen Ziel dieses Blog-Beitrages zu: Der Validierung des Modells anhand realer Daten. Der Begriff ‚Validierung‘ ist etwas hoch gegriffen, da ich einerseits nicht alle 70 Parameter des Modells realen Daten zuordnen kann und anderseits die Zuordnung, die ich vornehme nicht ganz eindeutig ist. Die in den sogenannten realen Daten enthaltenen Kriterien für Demokratie basieren ihrerseits auf einem Modell und dieses Modell passt nicht zwangsläufig zu meinem Modell. Außerdem enthält die Validierungsmethode selbst gewisse Annahmen.

Ich benutze die V-Dem Daten von 1990-2024, die zu den umfangreichsten und weltweit besten Demokratie-Autokratie-Daten gehören [1]. Schon im dritten Teil dieser Blogreihe ‚Von der gesellschaftlichen Kernschmelze oder vom Phasenübergang Demokratie-Autokratie‘ vom Mai 2025 habe ich daraufhin gewiesen, dass es unterschiedliche Datensätze von unterschiedlichen Anbietern gibt und diese teilweise erheblich voneinander abweichen. – Die Validierung hat also hier schon ein nicht unerhebliches Handicap, da die ‚Messdaten‘ von unterschiedlichen Anbietern nicht immer das gleiche Ergebnis zeigen. Die ‚Messungen‘ werden typischer Weise über die Einschätzung eines Expertenkollektivs vorgenommen, ähnlich wie man dies von den Expertenschätzungen im Projektmanagement kennt. Prinzipiell kann diese Art von ‚Messung‘ sehr genau sein, differiert jedoch mit dem angenommen Demokratie-Modell (u.a. Zusammenstellung der Kriterien, Wichtung der Kriterien usw. ).

Ich sehen von diesen Unzulänglichkeiten ab und nehme für 18 Parameter in der ODE-Hauptgleichung Zuordnungen vor (man siehe für das ODE-System den vorherigen Blog-Beitrag). – Damit werden alle ‚Soziale Feld‘ Parameter sowie die Parameter des demokratischen und des autokratischen Agenten abgedeckt. Für den rechts-libertären Agenten gibt es in den V-Dem Daten keine Entsprechung. Tabelle 1 zeigt diese Zuordnung:

Parameter	Zuordnung	V-Dem Indikator	Transformation	Theoretische Begründung
λ (lam bzw. lambda: Control Parameter-Political Stress)	v2x_libdem	Liberal Democracy Index	Verschiedene Zuordnungen a +b*x, für vier verschiedene Regime Bereiche	Gesamtdemokratiequalität als inverser Stressindikator
α_Z (Future Orientation)	v2x_delibdem	Deliberative Democracy	0.02 + 0.06 * x	Deliberative Prozesse fördern langfristige Planung und Zukunftsorientierung
α_W (Value Cohesion)	v2x_cspart	Civil Society Participation	0.02 + 0.06 * x	Zivilgesellschaftliche Teilhabe schafft geteilte Werte und sozialen Zusammenhalt
α_B (Needs Cohesion)	v2x_egaldem	Egalitarian Democracy	0.02 + 0.06 * x	Egalitäre Demokratie adressiert gemeinsame Grundbedürfnisse aller Schichten
α_Q (Institutional Trust)	v2x_rule	Rule of Law	0.005 + 0.055 * x	Rechtsstaatlichkeit als direktes Maß für Institutionenvertrauen
α_I (Inequality Impact)	v2x_egaldem	Egalitarian Democracy	0.01 + 0.05 * (1-x) (invertiert)	Schwache egalitäre Demokratie = hohe Ungleichheit
β_P (Polarization)	v2cacamps	Campaign Polarization	0.03 + 0.09 * x	Direkte Messung von Wahlkampfpolarisierung als autokratische Kraft
β_V (Mistrust)	v2x_rule	Rule of Law	0.02 + 0.08 * (1-x) (invertiert)	Schwache Rechtsstaatlichkeit erzeugt gesellschaftliches Misstrauen
β_E (Economic Crisis)	v2x_corr	Corruption Index	0.02 + 0.08 * x	Korruption destabilisiert Wirtschaft und erzeugt Krisen
β_M (Media Polarization/Manipulation)	v2xme_altinf	Alternative Information	0.02 + 0.06 * (1-x) (invertiert)	Weniger alternative Medien = mehr staatliche Medienmanipulation
k_f_ID (Integral Thinking)	v2x_delibdem	Deliberative Democracy	0.00 + 0.03 * x	Deliberation erfordert ganzheitliches Denken
k_f_Ep (Empathy)	v2xcl_rol	Equality before Law	-0.01 + 0.03 * x	Rechtliche Gleichbehandlung setzt Empathie für Gerechtigkeit voraus
k_f_T (Transparency)	v2x_freexp	Freedom of Expression	-0.02 + 0.04 * x	Meinungsfreiheit ermöglicht und erfordert Transparenz
k_f_Wp (Science Affinity)	v2x_freexp	Freedom of Expression	-0.02 + 0.04 * x	Wissenschaftliche Diskussion braucht Meinungsfreiheit
k_f_C (Conspiracy Thinking)	v2xpe_exlpol	Political Exclusion	-0.01 + 0.04 * x	Politischer Ausschluss fördert Verschwörungsdenken
k_f_MG (Power Hunger)	v2x_corr	Corruption Index	-0.02 + 0.05 * x	Korruption reflektiert Machtgier in der Politik
k_f_R (Revenge)	v2cacamps	Campaign Polarization	-0.01 + 0.03 * x	Polarisierung erzeugt Rachegelüste zwischen politischen Lagern
k_f_Wm (Science Denial)	v2xpe_exlpol	Political Exclusion	-0.02 + 0.04 * x	Ausgrenzung führt zu Anti-Establishment und Wissenschafts-feindlichkeit

Tabelle 1: Diese Tabelle ordnet meinen Modell-Parametern die Modell-Parameter des V-Dem Modells zu. Für den Kontrollparameter ‚lambda‘ wurde eine etwas aufwendigere Zuordnung vorgenommen, da der V-Dem Demokratieindex und der Kontrollparameter als politischer Stressindikator in einem inversen Verhältnis zueinander stehen. Der Freedom of Expression Index wurde zweimal verwendet für Tranzparenz und Wissenschaftsneigung. Der Egalitarian Index und der Corruption Index wurden ebenfalls zweimal verwendet jedoch mit unterschiedlichen Transformationsvorschriften. Die Transformationsvorschriften beruhen auf der Zuordnung Parameter=a+b⋅x bzw. Parameter=a+b⋅(1−x) Die zweite Zuordnung beruht auf der Feststellung, dass manche Parameter wachsen, wenn der Indikator niedrig ist. Wir wählen a und b so, dass für alle realistischen Indikator-Werte in [0, 1] die Modellparameter innerhalb eines theoretisch sinnvollen Intervalls bleiben und bei x=0 den minimal erwarteten Effekt (a) und bei x=1 den maximalen Effekt (a+b) zeigen. Beispiel für α_Z (Future Orientation): α_Z = 0.02 + 0.06 · v2x_delibdem, ⇒ α_Z ∈ [0.02 , 0.08]. Dies deckt den Bereich ab, in dem wir demokratieförderliche Zukunftsorientierung für realistische Deliberation-Werte erwarten.

Die übrigen 52 Parameter, die im Wesentlichen in den Hilfs-ODE’s enthalten sind, bleiben auf ihren Standardwerten. Diese Standardwerte habe ich schon für die vorherigen Blog-Beiträge verwendet. Sie sind für alle Rechnung gleich fixiert.

Damit ergeben sich für die Länder USA, Deutschland, Ungarn und Ukraine folgende an den V-Dem Daten kalibrierten Parameterwerte:

Para-meter	Bedeutung	V-Dem Indikator	USA	Deutsch-land	Ungarn	Ukraine
lam (lambda)	1/Liberal Democracy → Political Stress	v2x_libdem	0.3198	0.2901	0.3562	1.4326
alpha_B	Egalitarian Democracy → Needs Cohesion	v2x_egaldem	0.0610	0.0693	0.0556	0.0408
alpha_I	Egalitarian Democracy → Inequality Impact (inverted)	v2x_egaldem	0.0258	0.0189	0.0303	0.0426
alpha_Q	Rule of Law → Institutional Trust	v2x_rule	0.0585	0.0596	0.0488	0.0199
alpha_W	Civil Society Participation → Value Cohesion	v2x_cspart	0.0791	0.0786	0.0618	0.0536
alpha_Z	Deliberative Democracy → Future Orientation	v2x_delibdem	0.0670	0.0715	0.0502	0.0408
beta_E	Corruption → Economic Crisis	v2x_corr	0.0249	0.0210	0.0476	0.0808
beta_M	Alternative Information → Media Polarization (inverted)	v2xme_altinf	0.0271	0.0221	0.0347	0.0399
beta_P	Campaign Polarization → Polarization Force	v2cacamps	0.0502	–0.1493	0.1105	0.0080
beta_V	Rule of Law → Mistrust (inverted)	v2x_rule	0.0222	0.0205	0.0363	0.0783
k_f_C	Political Exclusion → Conspiracy Thinking	v2xpe_exlpol	–0.0092	–0.0094	–0.0046	–0.0030
k_f_Ep	Equality before Law → Empathy	v2xcl_rol	0.0186	0.0198	0.0180	0.0107
k_f_ID	Deliberative Democracy → Integral Thinking	v2x_delibdem	0.0235	0.0258	0.0151	0.0104
k_f_MG	Corruption → Power Hunger	v2x_corr	–0.0169	–0.0194	–0.0027	0.0180
k_f_R	Campaign Polarization → Revenge	v2cacamps	–0.0033	–0.0698	0.0168	–0.0173
k_f_T	Freedom of Expression → Transparency	v2x_freexp	0.0188	0.0192	0.0147	0.0090
k_f_Wm	Political Exclusion → Science Denial	v2xpe_exlpol	–0.0192	–0.0194	–0.0146	–0.0130
k_f_Wp	Freedom of Expression → Science Affinity	v2x_freexp	0.0188	0.0192	0.0147	0.0090

Tabelle 2: Diese Tabelle zeigt die kalibrierten Parameterwerte des Modells für den Zeitraum 1990-2024. Für sich genommen hat jeder Parameter wenig Aussagekraft. Im Vergleich aller vier Länder bestätigt sich meine Wahrnehmung der jeweiligen Demokratie bzw. Autokratie. Hiernach ist die Ukraine stark autokratisch, Ungarn ist noch demokratisch und USA und Deutschland sind demokratisch. – Jüngste USA Ereignisse sind nicht erfasst: Lediglich am Polarisationsparameter (beta_P) kann man erahnen, was im Jahre 2025 in den USA geschieht.

Auf der Basis dieser kalibrierten Parameter können wir auch in die Zukunft schauen und das Modell nutzen, um eine Zukunftsprognose zur Demokratie-Autokratie Entwicklung der jeweiligen Länder zu wagen. Man beachte, dass diese Prognose keine unerwarteten zukünftigen Ereignisse berücksichtigt, sondern lediglich eine vergangene Entwicklung in die Zukunft fortsetzt.

Für die Prognose benutze ich die sogenannte Sobol-Sensitivitätsanalyse [2]. Basierend auf den Ausgangsdaten für den Zeitraum 1990-2024 simuliert diese Analyse für einen Zeitraum von 50 Jahre welche Parameter zukünftig am wichtigsten sind. Mit der Sobol-Analyse ermittele ich die Parameter, die den größten Einfluss auf drei Ergebnistypen haben:

D_final = Demokratie-Wert am Ende des Zeithorizonts von 50 Jahren
D_change = Differenz zwischen End- und Anfangswert
Resilienz = Durchschnittlicher Demokratie-Wert während der schlechtesten 25% der Zeit (misst die Fähigkeit des Systems, unter Druck zu bestehen).

Gemessen werden die sogenannten ST-Werte (Sensitivity Total Werte). Hohe ST-Werte (nahe 1.0) sind für einen großen Teil der Ergebnisvarianz verantwortlich. Das heißt, kleine Änderungen in diesen Parametern führen zu großen Änderungen im Ergebnis. Diese Parameter sind kritisch für das Systemverhalten. Niedrige ST-Werte (nahe 0) haben wenig Einfluss auf das Ergebnis. Diese Parameter können in weiteren Analysen oft fixiert werden. Der politische Nutzen ist offensichtlich: Die Parameter mit hohen ST-Werten sind Hebel für die demokratische Stabilisierung und Risikofrüherkennung. Z.B. bei hoher Sensitivität von `alpha_Q` (Institutionenvertrauen) sind Justizreformen besonders wirksam. Oder z.B. hoher ST-Wert für ‚lambda‘ für Deutschland zeigt an, dass für Deutschland der autokratische Feldanteil durchaus das Potential hat, Deutschland in ein autoritäres System zu kippen. Die Sobol-Analyse liefert eine wissenschaftliche Grundlage für gezielte Reformen und Risikomanagement.

Nun zu den Ergebnissen:

Abbildung 1: Für die USA wird ausgesagt, dass in allen drei Sensitivitätsanalysen jeweils 10 Parameter mit gleicher Stärke für die Demokratie von Bedeutung sind: Rosa eingefärbte Indizes zeigen Parameter des Sozialen Feldes, der blau eingefärbte Parameter steht für die Persönlichkeitseigenschaft ‚Integrales Denken‘ des demokratischen Agenten (dieser Parameter wird besonders hervorgehoben, da er in Anlehnung an das Kultur- und Bewusstseinsmodell Spiral Dynamics eine übergeordnete Bedeutung hat). Die lila eingefärbten Parameter kennzeichnen die übrigen Persönlichkeitsmerkmale der Agenten. Die rot eingefärbten Balken kennzeichnen die Stress-Faktoren des ‚Sozialen Feldes‘, hier Vertrauensverlust, wirtschaftliche Probleme und mediale Polarisierung. Die Anordnung der Parameter von links nach rechts resultiert aus minimalen numerischen Unterschieden. Alle Persönlichkeitsmerkmale des demokratischen Agenten sind von Bedeutung: Das Integrale Denken (k_f_ID), die Empathie (K_f_Ep), die Transparenz (k_f_T) und die Wissenschaftsneigung (k_f_Wp). Das Gleiche gilt für den autokratischen Agenten: Die Wissenschaftsabneigung (k_f_Wm), die Neigung zu Mystik und Verschwörungstheorien (k_f_C), die Macht- und Geldgier (k_f_MG) und die Rache (k_f_R). Die Prägung von US-Demokratie bzw. Autokratie durch Agenten ist also sehr groß!

Abbildung 2: : Für die Ukraine wird ausgesagt, dass für die drei Sensitivitätsanalysen unterschiedliche Parameter mit unterschiedlicher Stärke für die Demokratie von Bedeutung sind: Rosa eingefärbte Balken zeigen Parameter des Sozialen Feldes, der blau eingefärbte Balken steht für die Persönlichkeitseigenschaft ‚Integrales Denken‘ des demokratischen Agenten, die lila eingefärbten Balken kennzeichnen die übrigen Persönlichkeitsmerkmale der Agenten. Die grün eingefärbten Parameter kennzeichnen die demokratischen Faktoren des ‚Sozialen Feldes‘, die rot eingefärbten Parameter kennzeichnen die Stress-Faktoren des ‚Sozialen Feldes‘. Die Anordnung der Parameter von links nach rechts resultiert aus minimalen numerischen Unterschieden. Das Integrale Denken ist für alle Prognosen von Bedeutung. Die Wissenschaftsabneigung (k_f_Wm) und die Transparenz (k_f_T) spielen für den finalen Demokratiewert eine große Rolle. Wirtschaftliche Probleme (beta_E) spielen in allen Analysen eine große Rolle. Der Vertrauensverlust ist besonders wichtig für D_final und resilience. Die autokratischen und sogar rechts-libertären Agenten Eigenschaften zeigen sich in allen drei Analysen. Die Prägung der Politik durch diese Agenten ist relativ groß.

Abbildung 3: Deutschland ist das einzige der vier untersuchten Länder, bei dem der Kontrollparameter lam = lambda eine herausragende Rolle spielt. Weitere rosa eingefärbte Balken zeigen Parameter des Sozialen Feldes. Der blau eingefärbte Balken steht für die Persönlichkeitseigenschaft ‚Integrales Denken‘ des demokratischen Agenten, die lila eingefärbten Balken kennzeichnen die übrigen Persönlichkeitsmerkmale der Agenten. Die grün eingefärbten Parameter kennzeichnen die demokratischen Faktoren des ‚Sozialen Feldes‘, die rot eingefärbten Parameter kennzeichnen die Stress-Faktoren des ‚Sozialen Feldes‘. Die Anordnung der Parameter von links nach rechts resultiert aus minimalen numerischen Unterschieden. Die Persönlichkeitseigenschaften des demokratischen Agenten spielt eine große Rolle: Wissenschaftsneigung (k_f_Wp), Transparenz (k_f_T), Empathie (k_f_Ep) und Integrales Denken (k_f_ID). Für die Resilienz spielen die WerteKohäsion (alpha_W), funktionierende demokratische Institutionen (alpha_Q) und eine geringe Ungleichheit (alpha_I) eine herausragende Rolle. Diese Analysen zeigen, dass lediglich die Eigenschaften der demokratischen Agenten mitbestimmend sind, autokratische und rechts-libertäre Agenten spielen keine Rolle.

Für Ungarn konnte leider keine valide Sobol-Analyse durchgeführt werden. Lediglich ca. 17 % der ODE-Berechnungen konnten mit dem vorliegenden Parametersatz erfolgreich abgeschlossen werden. – Deshalb sind alle Prognosen nicht valide. – Es ist möglich, dass dies an Instabilitäten der Rechnungen liegt, jedoch zeigen diese an, dass Ungarn bis 2040 in eine chaotische Autokratie driftet. – Nicht sehr beruhigend…

Dieser Blog-Beitrag schließt (vorläufig) diese Blog-Reihe. Ich fasse meine Erkenntnisse zusammen.

Das mit KI entwickelte ODE-Modell hat sich erstaunlich gut bewährt:

Die von V-Dem bereitgestellten Muster zum zeitlichen Übergang Demokratie-Autokratie konnten nachgebildet werden.
Das ‚Soziale Feld‘ bestehend aus demokratischen und autokratischen Elementen hat als Ordnungsparameter die Differenz von Autokratie- und Demokratiefaktoren. Diese Differenz bildet einen Phasenübergang 1. Ordnung aus, wenn der Kontrollparameter ‚lambda‘ (sozialer Stress) einen bestimmten Wert überschreitet. Ordnungs- und Kontrollparameter bleiben bei Einführung der Agenten strukturell bestehen.
Autokratische, demokratische und rechts-libertäre Agenten modulieren das ‚Soziale Feld‘ auf zwei Arten: Durch Veränderung des Kontrollparameters und durch unmittelbare Veränderung des Feldes durch die jeweiligen Persönlichkeitseigenschaften. Die beobachten Veränderungen des Übergangs Demokratie-Autokratie stehen u.a. im Einklang mit den aktuellen Beobachtungen für die USA.
Die Validierung des Modells mit allgemein akzeptierten Daten des V-Dem zeigt eine erstaunliche Übereinstimmung. Auf der Basis der ODE’s mit den kalibrierten Modell-Parametern lassen sich Länder-Prognosen für die Entwicklung der Demokratie bzw. Autokratie erstellen. Diese Prognosen treffen Aussagen darüber, welche Modell-Parameter bei welchem Land von Bedeutung sind. Die Modell-Parameter für das ‚Soziale Feld‘, die Agenten Parameter sowie der Kontrollparameter haben für unterschiedliche Länder eine unterschiedliche Bedeutung: So zeigt zum Beispiel die Analyse, dass im US-amerikanischen Kontext die autokratischen Agenten ein große Rolle spielen, für Deutschland spielen diese jedoch überhaupt keine Rolle. Es überwiegt das ‚Soziale Feld‘ und die demokratischen Agenten. Die Dominanz des ‚Soziale Feld‘ für Deutschland zeigt sich auch an der Bedeutung des Kontrollparameters ‚lambda‘. Hier liegt aber auch ein besonderes Risiko: Deutschland kann in eine Autokratie kippen, ohne dass autokratische oder rechts-libertäre Agenten dies forcieren.
Auch wenn Modelle nur Modelle sind, so sind diese Ergebnis sehr bemerkenswert, da an keiner Stelle diese Ergebnisse verdeckt in die ODE‘s einfließen. Die Ergebnisse sind so länderspezifisch, dass sie als Basis zum Nachdenken anregen sollten…

Bei meinen Recherchen bin ich auf einige wissenschaftliche Artikel gestoßen, für die angegeben wird, dass sie sich dem Übergang Demokratie-Autokratie widmen. Meine nachfolgende Analyse hat ergeben, dass aus meiner Sicht nur die V-Dem Veröffentlichungen relevante Aussagen zum Übergang Demokratie-Autokratie enthalten. Eine Veröffentlichung [3] beschäftigt sich mit dem Zusammenhang von Demokratie und Human Development Index (HDI) und verwendet hierfür eine ähnliche Vorgehensweise, wie ich sie in den Blog-Artikeln verwendet habe.

Diese letzte Erkenntnis ist um so bedauerlicher, als meines Erachtens der Übergang Demokratie-Autokratie eines der wichtigsten politikwissenschaftlichen Themen unserer Zeit sein sollte.

[1] V-Dem (2025) https://www.v-dem.net/data/the-v-dem-dataset/, Datensatz: Country-Year: V-Dem Full+Others

[2] Wikipedia (2025) Variance-based sensitivity analysis, https://en.wikipedia.org/wiki/Variance-based_sensitivity_analysis

[3] Spaiser V, Ranganathan S, Mann RP, Sumpter DJT (2014) The Dynamics of Democracy, Development and Cultural Values. PLoS ONE 9(6): e97856. doi:10.1371/journal.pone.0097856

Von der gesellschaftlichen Kernschmelze oder vom Phasenübergang Demokratie-Autokratie

Abbildung 0: Abbildung erzeugt mit ChatGPT 4o und dem Titel des Blog-Beitrages als Grundidee.

Dieser Blog ist der dritte Teil der Blog-Serie ‚Von der gesellschaftlichen Kernschmelze…‘. Wie auch in den vorherigen Beiträgen nutze ich ChatGPT, dieses Mal vorwiegend in der Version o4-mini-high, um den Blog-Beitrag in einem hybriden Collective Intelligence Setting zu erstellen. Für die Qualitätssicherung habe ich das KI-System Claude 3.7 Sonnet eingesetzt.

In der wissenschaftlichen Literatur wird der Begriff ‚Übergang Demokratie-Autokratie‘ nicht oft verwendet. Vielmehr finden sich dort des Öfteren die Bezeichnungen ‚Demokratischer Rückschritt‘ und Autokratisierung [1]. Die Bezeichnung ‚Demokratischer Rückschritt‘ wird auch für Vorkommnisse verwendet, die ich im Drift-to-Danger Modell als ‚das Schleifen der Sicherheitsschichten‘ bezeichnet habe.

Der Demokratiegrad (oder Autokratiegrad) eines Staates wird über Demokratieindizes vermessen [2]. Nicht alle Indizes kommen zum gleichen Ergebnis. Ich habe in der nachfolgenden Tabelle drei der bekanntesten Indizes herausgegriffen und für das Jahr 2023 die Länder Schweiz, Deutschland, USA, Ungarn, Polen und Ukraine gemäß ihrer Reihenfolge in den jeweiligen Indizes zusammengestellt.

Länder	The Economist Index	V-Dem Index (repräsentative Demokratie)	Demokratiematrix Index
Schweiz	8	5	4
Deutschland	12	15	2
USA	29	20	31
Polen	41	71	54
Ungarn	50	99	97
Ukraine	91	104	100

Tabelle 1: Demokratieindex der Länder Schweiz, Deutschland, USA, Polen, Ungarn, Ukraine gemäß ihrer Reihenfolge im jeweiligen Demokratieindex: The Economist Index [3], V-Dem Index (hier der Teil, der die repräsentative Demokratie misst) [4] und der Demokratiematrix Index der Universität Würzburg [5].

Wie man sehen kann, sind die Schätzungen zum Demokratiegrad teilweise sehr unterschiedlich und damit sehr weit von einer vertrauenswürdigen Schätzung entfernt: Die unterschiedlichen Schätzungen werden von unterschiedlichen Experten vorgenommen, die eine unterschiedliche Wahrnehmung der Realität haben und/oder Modelle verwenden, die die Demokratie recht unterschiedlich beschreiben.

Das spiegelt sich meines Erachtens auch in den (mathematischen) Modellen wieder: So gibt es eine Reihe von Veröffentlichungen [5] – [19], die sich u.a. mit der Segregation von Gruppen beschäftigen und unterschiedliche Faktoren für den Übergang Demokratie-Autokratie angeben. – Keine der Veröffentlichungen hat als Schwerpunkt den Übergang Demokratie-Autokratie. – Diese Veröffentlichungen zeigen, wie die Demokratieindizes, dass es keine integrierte Sicht auf den Übergang Demokratie-Autokratie gibt.

Dies offenbart meines Erachtens ein großes Defizit in der Erkenntnisgewinnung und dem daraus resultierenden Potential für die politische Umsetzbarkeit. – Autokraten wird damit eine weitere Tür geöffnet, um ihre Ziele zu erreichen.

Gemäß den Veröffentlichungen [5] – [19] fasst Tabelle 2 die wichtigsten der Einflussfaktoren für den Übergang Demokratie-Autokratie zusammen und listet mathematische Modelltypen, die für einen solchen oder ähnliche Übergänge verwendet werden (können).

Einflussfaktor/Modelltyp	Schlüsselpublikation(en)
Wirtschaftlicher Stress	Acemoglu & Robinson (2006); Boix (2003)
Ökonomische Ungleichheit	Boix (2003); Acemoglu & Robinson (2006)
Politische Polarisierung	Iyengar & Westwood (2015)
Mediale Fragmentierung / Radikalisierung	Gentzkow & Shapiro (2011)
Vertrauensverlust (Institutionen)	Putnam (2000); Rothstein & Uslaner (2005)
Soziale Kohäsion / Gemeinschaftsbindung	Putnam (2000)
Agenten-basierte Meinungsdynamik (Phasenübergänge)	Castellano, Fortunato & Loreto (2009). Man überträgt das Ising-Modell auf soziale Netzwerke, wobei „Spins“ für zwei Meinungen (z. B. demokratisch vs. autokratisch) stehen und lokale Mehrheitsregeln oder Abstimmungsprozesse die Dynamik treiben. Diese Modelle zeigen Schwellenwerte und Hysterese-Effekte. Deffuant et al. (2000) Hegselmann & Krause (2002) Hier interagieren Agenten nur, wenn ihre Meinungen (bzw. Einstellungen) nahe genug beieinander liegen. Die Modelle zeigen mehrere Konvergenzphasen und kritische Abstände, jenseits derer sich Gesellschaften in Blasen aufspalten – analog zu Ordnungs- und Kontrollparametern.
Frühwarnsignale / kritisches Slowing-Down	Scheffer et al. (2009); Dakos et al. (2012) betrachten allgemeine Systeme, die abrupt umschlagen (Ökosysteme, Finanzmärkte, Gesellschaft). Sie leiten aus Zeitreihen Kennzahlen wie „Critical Slowing Down“ ab, die wir ansatzweise simulieren.
Mikro-Makro-Verknüpfung (soziale Mechanismen)	Hedström & Swedberg (1998)
Regime-Typen und Autoritarismus	Levitsky & Way (2010), Galam (2011). Galam hat in einer Reihe von Arbeiten (z. B. “Minority Opinion Spreading” und “Sociophysics: A Physicist’s Modeling of Psycho-political Phenomena”) gezeigt, wie kleine überzeugte Minderheiten Stabilitätsgrenzen („tipping points“) überschreiten können.

Tabelle 2: Übersicht zu Veröffentlichungen mit unterschiedlichen Einflussfaktoren für den Übergang Demokratie-Autokratie sowie zu relevanten mathematischen Modellen.

Das Modell, das ich in meinem ersten Blog-Beitrag dieser Reihe verwendet habe, besitzt einen sehr einfachen Zeitreihen-Algorithmus mit Rückkopplung. Trotzdem konnte ich mit diesem Modell die empirischen Muster gemäß V-Dem des Übergangs Demokratie-Autokratie nachbilden. Ich gehe deshalb davon aus, dass die zentrale Modell-Annahme – der Übergang wird durch die Differenz von demokratischen Kohäsionskräften und autokratischen Stresskräften bestimmt – korrekt ist. Ich behalte also diese Idee bei und wandele das Modell in ein ODE-Modell um. ODE steht für Odinary Differential Equation Modell (Gewöhnliches Differential Gleichungssystem) um.

Zusätzlich nehme ich die in der wissenschaftlichen Literatur genannten weiteren Einflussfaktoren ‚Stärke der demokratischen Institutionen‘ und ‚Ungleichheit‘ auf.

Das ODE-Modell – man siehe die nachfolgenden Gleichungen – verwendet Großbuchstaben für das Ergebnis und die Einflussfaktoren: D = Demokratie, A = Autokratie, Z = Zukunftsvertrauen, W = WerteKohäsion, B = BedürfnisKohäsion, P = Polarisierung, V = Vertrauensverlust, E = Wirtschaftsprobleme, M = mediale Radikalisierung, Q = Stärke demokratischer Institutionen, I = Ungleichheit. M_mem ist ein Faktor, der der demokratischen Gesellschaft ein Gedächtnis gibt. In unserem Fall sorgt er dafür, dass das Zukunftsvertrauen langsamer abgebaut wird. Die zu den Einflussfaktoren gehörenden Parameter sind in kleinen griechischen Buchstaben angegeben: Das ODE-Modell hat damit 10 Einflussfaktoren und 30 Parameter.

$\frac{dD}{dt} = \alpha_{Z}Z + \alpha_{W}W + \alpha_{B}B + \alpha_{Q}Q - \alpha_{I}I - \lambda_{\text{stress}}\Bigl(\beta_{P}P^{2} + \beta_{V}V^{1.2} + \beta_{E}E^{1.0} + \beta_{M}M^{1.5}\Bigr)$
$A=1 - D$

$\frac{dZ}{dt} = \gamma_{1}D-\gamma_{2}E+\alpha_{M}\bigl(\mathrm{Mem}-Z\bigr)^{2}$
$\frac{dW}{dt} = \delta_{1}D-\delta_{2}P-\delta_{3}M$
$\frac{dB}{dt} = \epsilon_{1}W-\epsilon_{2}E$
$\frac{dP}{dt} = \zeta_{1}M-\zeta_{2}W$
$\frac{dV}{dt} = \eta_{1}E-\eta_{2}Z$
$\frac{dE}{dt} =\theta_{1}A-\theta_{2}B$
$\frac{dM}{dt} = \iota_{1}P+\iota_{2}A$
$\frac{dQ}{dt} = q_{1}D-q_{2}A$
$\frac{dI}{dt} = i_{1}A-i_{2}B$
$\frac{d\mathrm{Mem}}{dt} = \mu\bigl(D - \mathrm{Mem}\bigr)$

Beispielhaft erläutere ich die erste Gleichung für die zeitliche Entwicklung des Demokratieindex, der zwischen 0 und 1 liegt. Zukunftsvertrauen, WerteKohäsion, Bedürfniskohäsion und die Stärke der demokratischen Institutionen beeinflussen die zeitliche Entwicklung der Demokratie positiv, deshalb stehen sie auf der rechten Seite der Gleichung mit positiven Parametern. Ungleichheit, Polarisierung, Vertrauensverlust, Wirtschaftsprobleme und mediale Radikalisierung beeinflussen die Demokratie negativ, deshalb stehen sie auf der rechten Seite mit negativen Parametern. Polarisierung, Vertrauensverlust, Wirtschaftsprobleme und mediale Radikalisierung zusammen bilden einen Kontrollparameter der Selbstorganisation. Deshalb sind sie in einer Klammer mit dem Parameter Lambda (λ_Stress) zusammengefasst. – Damit ist es möglich diese Einflussfaktoren zusammen von 0 bis zu einem Endwert (ich lege 2.5 fest) hochzufahren und ggf. wieder zurückzufahren. Tests haben gezeigt, dass einer dieser Einflussfaktoren alleine nicht als Kontrollparameter verwendet werden kann. Der Kontrollparameter ist der zentrale Parameter, um den Übergang Demokratie-Autokratie einzuleiten. Kontrollparameter sind u.a. die Parameter, mit denen man ein System in verschiedene Phasen oder Regime überführen kann: Ein typischer Kontrollparameter in der Physik ist die Temperatur. Mit den Kontrollparametern Temperatur und Druck kann man einen Eiswürfel verflüssigen und das Wasser verdunsten bzw. verdampfen lassen. Einen ferromagnetischen Werkstoff kann man mittels der Kontrollparameter Temperatur und ‚äußeres magnetisches Feld‘ magnetisieren. Reduziert man diese Kontrollparameter wieder, stellt man fest, dass die Entmagnetisierung nicht auf dem gleichen Pfad verläuft wie die Magnetisierung. Man spricht von dem Ausbilden einer Hysterese. Ich komme weiter unten hierauf wieder zurück.

Die übrigen Gleichungen des ODE-Modells lassen sich recht einfach ermitteln, indem man jeweils die Einflussfaktoren benennt, die ihrerseits einen Einflussfaktor beeinflussen. Anschließend übersetzt man diese Aussagen in eine mathematische Form. – Tut man dieses für alle Einflussfaktoren erhält man das obige ODE-Modell.

Diverse Tests haben gezeigt, dass die Ergebnisse des ODE-Modells nicht besonders sensitiv auf die Wahl der Parameter reagieren, die die zeitliche Entwicklung der Einflussfaktoren selbst beschreiben. Entscheidend für das zeitliche Verhalten der Demokratie sind die Parameter in der ersten Gleichung und die Wahl der Startwerte für Demokratieindex und Einflussfaktoren.

Tabelle 3 zeigt die Startwerte und Parameter der Einflussfaktoren in der ersten Gleichung für zwei Szenarien ‚Gefährdete Demokratie‘ und ‚Demokratische Transition‘.

	Gefährdete Demokratie		Demokratische Transition
	Startwerte	Parameter	Startwerte	Parameter
Demokratie	0.7		0.4

Zukunftsvertrauen	0.5	0.05	0.6	0.05
WerteKohäsion	0.5	0.05	0.6	0.04
BedürfnisKohäsion	0.5	0.04	0.6	0.04

Polarisierung	0.5	0.06	0.5	0.06
Vertrauensverlust	0.5	0.05	0.5	0.05
Wirtschaftsprobleme	0.5	0.05	0.4	0.05
Mediale Radikalisierung	0.4	0.04	0.4	0.04

Institutionelle Qualität	0.4	0.02	0.3	0.02
Ungleichheit	0.4	0.03	0.3	0.03

Tabelle 3: Startwerte und Parameter der Einflussfaktoren für zwei Szenarien ‚Gefährdete Demokratie‘ und ‚Demokratische Transition‘.

Die nachfolgenden Abbildungen 1 und 3 zeigen die Lösung des ODE für diese Szenarien in einem Zeitfenster von 1-50 (Jahren). Der zeitliche Verlauf der Einflussfaktoren und der Demokratie wurde teilweise einem sogenannten Sigmoid-Clamp unterzogen. Dies stellt sicher, dass alle Funktionen im Wertebereich 0 bis 1 verlaufen.

Die Abbildungen 2 und 4 zeigen Phasenübergangs-Diagramme mit dem Kontrollparameter Lambda (λ_Stress) und dem Ordnungsparameter Autokratie. Der Ordnungsparameter wird hier mit Phi (φ) angegeben. Phi ist der Anstieg des Autokratiewertes in einem Zeitfenster, d.h. für jeden Lambda-Wert wird der Autokratiewert über die Zeit vermessen. Der Autokratiewert nach Erreichen des Endes des Zeitfensters wird in das Phasenübergangs-Diagramm eingetragen: Für A(t_end) beträgt das Zeitfenster 0 bis 50 (Jahre) und für local ΔA beträgt das Zeitfenster 5 (Jahre). Mit dem kleineren Zeitfenster werden zeitlich-lokale Sprünge in dem Autokratiewert sichtbar.

Abbildung 1: Diese Abbildung zeigt das Verhalten der Autokratie (= 1-D), positiver Einflussfaktoren (Pro-D Drivers) und negativer Einflussfaktoren (Pro-A Drivers) für das Szenario ‚Gefährdete Demokratie‘ mit dem Kontrollparameter Lambda =1.

Abbildung 2: Diese Abbildung zeigt den Ordnungsparameter Autokratie für das Szenario ‚Gefährdete Demokratie‘ für verschiedene Zeitfenster: Für A(t_end) beträgt das Zeitfenster 0 bis 50 (Jahre) und für local ΔA beträgt das Zeitfenster 5 (Jahre). Für das lokale Zeitfenster von 5 wurde zusätzlich Lambda rückwärts (down) laufen gelassen. Damit kann man überprüfen, ob sich ein Hysterese-Effekt zeigt. Die Abbildung zeigt keinen Hysterese-Effekt.

Abbildung 3: Sie zeigt das Verhalten der Autokratie (= 1-D), positiver Einflussfaktoren (Pro-D Drivers) und negativer Einflussfaktoren (Pro-A Drivers) für das Szenario ‚Demokratische Transition‘ mit dem Kontrollparameter Lambda =1.

Abbildung 4: Diese Abbildung zeigt den Ordnungsparameter Autokratie für das Szenario ‚Demokratische Transition‘ für verschiedene Zeitfenster: Für A(t_end) beträgt das Zeitfenster 0 bis 50 (Jahre) und für local ΔA beträgt das Zeitfenster 5 (Jahre). Für das lokale Zeitfenster von 5 wurde zusätzlich Lambda rückwärts (down) laufen gelassen. Damit kann man überprüfen, ob sich eine Hysterese-Effekt zeigt. Die Abbildung zeigt keinen Hysterese-Effekt.

Beide Szenarien zeigen einen Phasenübergang 1. Ordnung für den Übergang Demokratie-Autokratie. Phasenübergang 1. Ordnung bedeutet, dass bei einem bestimmten Kontrollparameter sich die Phase bzw. Regime abrupt ändert: Innerhalb eines sehr kurzen Zeitfensters wird aus der Demokratie eine Autokratie. Erstaunlicher Weise setzt für das Szenario ‚Gefährte Demokratie‘ der Übergang sogar bei kleinerem Lambda ein als beim Übergang ‚Demokratische Transition‘. Dafür ist der Übergang bei der ‚Demokratischen Transition‘ deutlich abrupter. In beiden Fällen sehen wir keine Hysterese, was an den gewählten Parametern liegen kann oder daran, dass die Memory-Modellierung des Modells (noch) nicht ausreichend ist.

Was könnte man mit diesem Modell bzw. diesen Erkenntnissen noch anfangen?

Die am Anfang des Blog-Artikels erwähnten Demokratieindizes könnten dazu benutzt werden das vorliegende Modell bzgl. der Einflussfaktoren anzupassen und bzgl. der Parameter zu adjustieren. Damit wäre es möglich, länderspezifische Vorhersagen zum Übergang Demokratie-Autokratie zu erstellen. Als Nebeneffekt wäre es möglich, die Demokratieindizes zu vereinheitlichen und damit ein integriertes Verständnis von Demokratie und dem Übergang Demokratie-Autokratie zu erzeugen. – Sicherlich eine Aufgabe die im Umfang einer Bachelor- oder Masterarbeit entspricht.

[1] Wikipedia (2025a) Demokratischer Rückschritt (Democratic backsliding), https://en.m.wikipedia.org/wiki/Democratic_backsliding#

[2] Wikipedia (2025b) Demokratiemessung, https://de.m.wikipedia.org/wiki/Demokratiemessung

[3] Wikipedia (2025a) Demokratieindex The Economist, https://de.m.wikipedia.org/wiki/Demokratieindex_(The_Economist)

[4] Wikipedia (2025c) Demokratieindizes (V-Dem), https://de.m.wikipedia.org/wiki/Demokratieindizes_(V-Dem)

[4] Wikipedia (2025d) Demokratiematrix, https://www.demokratiematrix.de/ranking, Universität Würzburg

[5] Castellano, C., Fortunato, S., Loreto, V. (2009). Statistical physics of social dynamics. Reviews of Modern Physics 81(2): 591–646.

[6] Galam, S. (2011). Sociophysics: A Physicist’s Modeling of Psycho-political Phenomena. Springer.

[7] Scheffer, M. et al. (2009). Early-warning signals for critical transitions. Nature 461: 53–59, https://doi.org/10.1038/nature08227

[8] Hegselmann, R., Krause, U. (2002). Opinion dynamics and bounded confidence models, analysis, and simulation. Journal of Artificial Societies and Social Simulation, 5(3).

[9] Epstein, J. M. (2002). Modeling civil violence: An agent-based computational approach. Proceedings of the National Academy of Sciences 99(suppl 3): 7243–7250.

[10] Acemoglu, D., & Robinson, J. A. (2006). Economic Origins of Dictatorship and Democracy. Cambridge University Press.

[11] Boix, C. (2003). Democracy and Redistribution. Cambridge University Press.

[12] Iyengar, S., & Westwood, S. J. (2015). Fear and loathing across party lines: New evidence on group polarization. American Journal of Political Science, 59(3), 690–707. https://doi.org/10.1111/ajps.12152

[13] Gentzkow, M., & Shapiro, J. M. (2011). Ideological segregation online and offline. The Quarterly Journal of Economics, 126(4), 1799–1839. https://doi.org/10.1093/qje/qjr044

[14] Putnam, R. D. (2000). Bowling Alone: The Collapse and Revival of American Community. Simon & Schuster.

[15] Rothstein, B., & Uslaner, E. M. (2005). All for all: Equality, corruption, and social trust. World Politics, 58(1), 41–72. https://doi.org/10.1353/wp.2006.0028

[16] Deffuant, G., Neau, D., Amblard, F., & Weisbuch, G. (2000). Mixing beliefs among interacting agents. Advances in Complex Systems, 3(1-4), 87–98. https://doi.org/10.1142/S0219525900000078

[17] Dakos, V., Scheffer, M., van Nes, E. H., Brovkin, V., Petoukhov, V., & Held, H. (2012). Methods for detecting early warnings of critical transitions in time series illustrated using simulated ecological data. PLOS ONE, 7(7), e41010. https://doi.org/10.1371/journal.pone.0041010

[18] Hedström, P., & Swedberg, R. (Eds.). (1998). Social Mechanisms: An Analytical Approach to Social Theory. Cambridge University Press.

[19] Levitsky, S., & Way, L. A. (2010). Competitive Authoritarianism: Hybrid Regimes after the Cold War. Cambridge University Press.

Von der gesellschaftlichen Kernschmelze oder dem Übergang Demokratie-Autokratie und (vielleicht auch) umgekehrt

Im März 2025 erschien in Spektrum der Wissenschaft der Beitrag ‚Die Kernschmelze der Demokratie – Erosion politischer Systeme‘ [1].

Der Spektrum der Wissenschaft Beitrag beruht auf einem wissenschaftlichen Artikel [2], in dem die Risikoerkenntnisse der Atomwirtschaft auf gesellschaftliche Risiken, insbesondere den Übergang von Demokratie zu Autokratie übertragen werden.

Abbildung 1 aus [2] visualisiert die wesentlichen Aussagen zur sogenannten Drift-to-Danger Theorie. Hiernach ist der Übergang Demokratie-Autokratie von folgenden Faktoren gekennzeichnet:

Der Verletzung von Normen durch Eliten (u.a. Lügen, Verschwörungstheorien, Negieren von wissenschaftlichen Erkenntnissen, u.ä.)
Die Schwelle zur Autokratie (durchgezogene rote horizontale Linie) ist durch eine Reihe von Sicherheitsschichten (dünne rote Linien) geschützt. Verhaltensbezogene Normen und Maßnahmen unterstützen diese Sicherheitsschichten. Falls jedoch diese erodieren, also z.B. ein Teil der Presse die Verletzung der Normen unterstützt oder in der Gerichtsbarkeit ‚wohlwollende Richter‘ eingesetzt werden, driftet die Demokratie in Richtung Autokratie.
Jeder Fall einer Sicherheitsschicht ist mit einem ‚Beinahe-Unfall‘ verbunden. Halten alle Sicherheitsschichten nicht mehr, kommt es zum Übergang zur Autokratie.

Abbildung 1: Drift-to-Danger Theorie angewendet auf den Übergang von einer Demokratie zur Autokratie [2].

Meines Erachtens ist das Thema des Übergangs Demokratie-Autokratie das wichtigste gesellschaftspolitische Thema unserer Zeit. Ausgelöst sicherlich durch die eindeutig autokratischen Maßnahmen der Trump Administration, und verstärkt durch die rechtsradikalen gesellschaftlichen Bewegungen in Europa.

Es ist mir völlig unverständlich, wie Menschen durch ihre Wahlstimme helfen können, dass sich Demokratien in Autokratien transformieren, da die Geschichte und das aktuelle Leid überall auf der Welt, hervorgerufen durch autokratische Systeme, Menschen eines Besseren belehren sollten.

Die amerikanischen Tech-Milliardäre haben im Rahmen der Trump Präsidentschaft gezeigt, dass moderne Technologien und eine offene am Menschen orientierte innere Haltung nicht unbedingt zusammengehören. – Deshalb halte ich inzwischen die Gefahr eines Übergangs Demokratie-Autokratie, die von solchen Personen ausgeht, mindestens für so groß wie diejenige, die von Trump selbst ausgeht. – In meinen Blog-Beiträgen ‚Rückwärtsgewandt in den Abgrund…oder… Entwickeln wir uns weiter!? vom November 2023‘, ‚Gesellschaftlicher Wandel – Sein oder Nichtsein? – Das ist hier die Frage! vom Mai 2020‘ und in ‚Cultural Entropy: Corona deckt unsere Werte auf, vom März 2020‘ bin ich auf die sogenannten limitierenden Bewusstseinsniveaus und die daraus resultierenden limitierenden Werte eingegangen. Hiernach tragen solche Limitierungen und die damit verbundene Polarisierung mittels Lügen, Negierung von wissenschaftlichen Erkenntnissen und Verschwörungstheorien das Potential für Autokratie in sich. Gemäß dieser Blog-Beiträge haben die USA (schon seit längerem) ein deutliches Potential für Autokratie. – Jetzt ist dieses leider Realität geworden!

Autokratie „wird in der Politikwissenschaft [als] eine Herrschaftsform bezeichnet, in der eine Einzelperson oder Personengruppe unkontrolliert politische Macht ausübt und keinen verfassungsmäßigen Beschränkungen unterworfen ist“ [3]. – Eine sehr gelungene Darstellung zum Thema Demokratie-Autokratie findet sich in [4].

Bei einigen, die die Maßregelung von Vance und Trump gegenüber Selenskyj im Fernsehen verfolgten, stellt sich vielleicht die Erinnerung an das ein oder andere ‚Mitarbeitergespräch‘ ein. – Leicht abgewandelt lässt sich die Autokratie-Definition auch als Definition für autokratische Organisationen verwenden. – Eine Organisation oder ein Teil einer Organisation kann, hervorgerufen durch ihre Führungskräfte, einer Autokratie ähneln. In diesem Sinne sind mögliche Erkenntnisse dieses Beitrages auch auf organisationale oder institutionelle Systeme übertragbar.

In diesem Beitrag, und zukünftigen Beiträgen, will ich versuchen, dieses Phänomen mit Hilfe mathematischer Modelle etwas auszuleuchten. Ich benutze zur Gewinnung dieser Modelle und der daraus resultierenden Python Programme wieder ChatGPT4o1 als KI-Assistenzsystem.

Ich starte in diesem Blog-Beitrag mit einem einfachen phänomenologischen Modell. Die wichtigsten Formeln dieses Modells sind:

$\text{Autokratie} \;=\; \text{Stress} \;-\; \text{Ordnungswert (Demokratie)}.$

$\text{Stress} = \frac{\text{Polarisierung}^{2} + \text{mediale Radikalisierung}^{1.5} + \text{Vertrauensverlust}^{1.2} + \text{Wirtschaftsprobleme}}{4}.$

$\text{Ordnungswert (Demokratie)} = \frac{\,\text{Zukunftsvertrauen} + \text{WerteKohaesion} + \text{BeduerfnisKohaesion}\,}{3}.$

$\text{Zukunftsvertrauen} = \max\bigl(0,\; \text{Zukunftsvertrauen}_{\mathrm{init}} - 0.5 \times \text{Stress}\bigr).$

$\text{WerteKohaesion} = \max\bigl(0,\; \text{WerteKohaesion}_{\mathrm{init}} - 0.4 \times \text{Stress}\bigr).$

$\text{BeduerfnisKohaesion} = \max\bigl(0,\; \text{BeduerfnisKohaesion}_{\mathrm{init}} - 0.3 \times \text{Stress}\bigr).$

Die obigen Formeln stammen aus einer heuristischen Modellierung – das heißt, sie basieren nicht auf einer einzelnen wissenschaftlichen Quelle oder einem etablieren Standardwerk. Stattdessen habe ich – mittels ChatGPT 4o1 – verschiedene Ideen aus System- und Sozialdynamik aufgegriffen und auf einfache Weise in ein numerisches Modell übertragen.

Im Einzelnen:

Autokratie = Stress – Ordnungswert (Demokratie)
- Diese Gleichung erfasst den politischen Zustand als Differenz zwischen „Stress“ (kritische Faktoren wie Polarisierung, mediale Radikalisierung etc.) und einem „demokratischen Ordnungsparameter“ (d.i. Ordnungswert (Demokratie) resultierend aus Zukunftsvertrauen, WerteKohaesion, Bedürfniskohaesion).
- Die Gleichung signalisiert: Wenn „Stress“ größer ist als der vorhandene Ordnungswert, wird das System eher autokratisch. Umgekehrt, wenn der Ordnungswert den Stress kompensiert, bleibt es demokratisch.
Stress = (Polarisierung^2 + mediale Radikalisierung^1.5 + Vertrauensverlust^1.2 + Wirtschaftsprobleme) / 4
- Hier sind Exponenten wie 2, 1.5 oder 1.2 keine wissenschaftlich ermittelten Werte, sondern heuristische Größen, um den Effekt gewisser Variablen (z. B. Polarisierung) zu betonen.
- Beispielsweise wird Polarisierung^2 benutzt, um zu sagen: „Wenn Polarisierung ansteigt, wirkt sie überproportional auf den Stress.“
- „Wirtschaftsprobleme^1.0“ ist lediglich ein fester Wert in diesem Beispiel, um das Modell zu vereinfachen. Genauso könnte man andere Exponenten verwenden, wenn man davon überzeugt ist, dass Wirtschaft eine dominate Rolle beim Stress hat.
- Diese Parametrisierung ist nicht aus einer einzigen Quelle übernommen, sondern angelehnt an die Idee, dass manche Faktoren (Polarisierung, mediale Radikalisierung) über lineare Effekte hinaus die Gesellschaft polarisieren oder radikalisieren.
Lineare Abzüge für Zukunftsvertrauen, WerteKohäsion und BedürfnisKohäsion
- Formeln wie WerteKohaesion = max(0, WerteKohaesion_init − c1 × Stress) stammen aus System Dynamics-Denkmustern, in denen man sagt: „Bei höherem Stress wird ein Teil der gesellschaftlichen Kohäsion aufgezehrt.“ – Die spezielle Formel implementiert eine Rückkopplung im System und erlaubt damit die explizite Modellierung von Nicht-Linearitäten.
- Die Faktoren (z. B. 0.5, 0.4, 0.3) sind ebenfalls heuristisch gewählt: Sie wurden so eingestellt, dass das Modell in manchen Situationen in die Autokratie kippt, in anderen stabil demokratisch bleibt. Eine wissenschaftliche Herleitung bräuchte empirische Studien, in denen man z. B. statistisch ermittelt, wie stark Stress tatsächlich das Zukunftsvertrauen, die WerteKohäsion und die BedürfnisKohäsion senkt.
Ordnungswert (Demokratie) = (Zukunftsvertrauen + WerteKohaesion + BeduerfnisKohaesion) / 3
- Diese Formel ist eine Vereinfachung nach dem Motto: „Wir nehmen den Durchschnitt der drei reduzierten Variablen als Gesamtmaß für die ‘demokratischen Werte’ im System.“
- Man könnte alternativ gewichten (etwa 0.3 × Zukunftsvertrauen + 0.4 × WerteKohäsion + 0.3 × BedürfnisKohäsion), oder man könnte ganz andere Mechanismen nutzen.

Abbildung 2 zeigt einen möglichen Drift-Verlauf berechnet mit dem Modell und den oben genannten Parametern: Obwohl die Ordnungswerte hoch sind (WerteKohaesion=0.7, BedürfnisKohaesion=0.6, Zukunftsvertrauen=0.5 (alle Werte sind im Bereich 0 bis 1)), reicht dies nicht aus, um einen deutlichen Anstieg der Autokratie zu verhindern, da die Stressfaktoren ebenfalls oberhalb 0.5 liegen.

Abbildung 2: Die Modell-Simulation wurde mit folgenden Initialisierungswerten durchgeführt: WerteKohaesion=0.7, BedürfnisKohaesion=0.6, Zukunftsvertrauen=0.5, Polarisierung=0.6, Wirtschaftsprobleme=0.5, Mediale Radikalisierung=0.6, Vertrauensverlust=0.5.

Das V-Dem (The Varieties of Democracy Institute) der University of Gothenburg, Department of political science erhebt Daten zur globalen Demokratie-Autokratie Entwicklung und erkennt auch Drift-Muster in diesen [5].
Hiernach wird das obige Drift-Muster der Abbildung 2, als ‚diminished democracy‘ Muster bezeichnet. Mit Hilfe unseres Modells lassen sich auch die anderen Drift-Muster nachbilden.
Abbildung 2 zeigt das ‚reverted liberalization‘ Drift-Muster: Der Autokratie-Wert geht in einem Zeitfenster etwas zurück, um dann wieder anzusteigen.

Abbildung 3: Die Modell-Simulation wurde mit folgenden Initialisierungswerten durchgeführt: WerteKohaesion=0.45, BedürfnisKohaesion=0.45, Zukunftsvertrauen=0.45, Polarisierung=0.9, Wirtschaftsprobleme=0.9, Mediale Radikalisierung=0.8, Vertrauensverlust=0.9.

Zusammenfassend stelle ich fest: Die Drift-to-Danger Theorie ist eine sehr plausible Theorie, die aktuelle Demokratie-Autokratie Entwicklungen gut wiedergibt. Mit unserem einfachen phänomenologischen mathematischen Modell lassen sich reale Drift-Muster gut und plausible nachbilden. Wir haben damit eine gute Ausgangsbasis gewonnen, um das vorliegende Modell zu erweitern. Erweiterungen könnten sein:

Einführung von autokratischen und demokratischen Agenten, die die Drift-Muster beeinflussen. Diese Agenten könnten programmierte Agenten oder KI-Agenten sein.
Untersuchung der Drift-Muster hinsichtlich ihres Phasenübergangsverhaltens.
Vergleich von Theorie und länderspezifischen Demokratie-Autokratie-Scoring-Daten im Zeitverlauf.
Erkenntnisse, wie die Drift Demokratie-Autokratie verhindert werden kann oder der Übergang Autokratie-Demokratie gelingen kann.

Sehen wir, was möglich ist!

[1] Könneker C (2025) Die Kernschmelze der Demokratie – Erosion politischer Systeme, in Spektrum der Wissenschaft, https://main-diewocheconnect-spektrum.content.pugpig.com/news/gefaehrliche-erosion-das-drift-to-danger-modell-der-demokratie/2257940/d_app_controller/subcontent/page

[2] Abels C M et al. (2024) Dodging the autocratic bullet: enlisting behavioural science to arrest democratic backsliding, Behavioural Public Policy (2024), 1–28, doi:10.1017/bpp.2024.43, Cambridge University Press

[3] Wikipedia (2025) Autokratie, https://de.wikipedia.org/wiki/Autokratie

[4] Schmidt M G (2020) Demokratien und Autokratien: Ein vergleichender Überblick, in Deutschland & Europa, Heft 79, Landeszentrale für politische Bildung Baden-Württemberg

[5] Maerz S F et al. (2021) A Framework for Understanding Regime Transformation: Introducing the ERT Dataset, V-Dem, University of Gothenburg, Department of political science