MiroFish – wie eine Open-Source-KI tausende Agenten in eine Simulation schickt, um die Zukunft zu lesen

Im März 2026 ging ein Open-Source-Projekt aus Peking innerhalb weniger Tage durch die Decke: MiroFish. Ein 20-jähriger Student baute in zehn Tagen eine KI-Engine, die tausende virtuelle Agenten in eine simulierte Welt schickt, um vorherzusagen, wie eine Gesellschaft auf Ereignisse reagieren könnte. Innerhalb von 24 Stunden nach dem ersten Demo-Video flossen 4,1 Millionen Dollar. Innerhalb von zwei Wochen hatte das Repository 33.000 GitHub-Sterne. Was MiroFish wirklich kann, was es nicht kann und warum deutsche Mittelständler die Technik kennen sollten, ohne ihr blind zu vertrauen.

Was MiroFish überhaupt macht

Die meisten KI-Werkzeuge, die wir aus dem Alltag kennen, beantworten Fragen mit einer Stimme. Sie schreiben einen Aufsatz, schlagen eine Lösung vor, fassen ein Dokument zusammen. MiroFish geht den umgekehrten Weg: Statt einer einzelnen Antwort produziert es eine ganze Gesellschaft von Antworten.

Sie geben dem System ein Quelldokument: einen Pressetext, einen Gesetzentwurf, eine Marktanalyse, ein Produkt-Datenblatt – im Extremfall sogar einen unfertigen Roman. MiroFish liest diese Quelle, baut daraus eine Karte aller wichtigen Akteure, Beziehungen und Konflikte. Anschließend erzeugt es tausende KI-Agenten, jeder mit einer eigenen Persönlichkeit, einem eigenen Hintergrund und einer Anfangsmeinung zum Thema. Diese Agenten landen in einer digitalen Welt, die zwei vertraute Plattformen nachahmt: ein Twitter-ähnliches Netzwerk und ein Reddit-ähnliches Forum.

Dann passiert das, was Schwärme in der echten Welt auch tun: Die Agenten posten, kommentieren, folgen sich, streiten, überzeugen sich gegenseitig, ändern Meinungen. Aus diesem Chaos kristallisieren sich Lager heraus. Manche Themen explodieren, andere versacken. Eine spezialisierte Berichts-Instanz beobachtet das alles und schreibt am Ende auf, was passiert ist: welche Narrative sich durchgesetzt haben, wo Polarisierung entstand, welche Untergruppen geschlossen reagierten, welche Stimmen still wurden.

Das Ergebnis ist kein Zahlenwert »Wahrscheinlichkeit für Erfolg: 73 Prozent«, sondern ein Drehbuch möglicher Reaktionen. Eine Probebühne, auf der ein Ereignis durchgespielt wird, bevor es echte Folgen hat.

Die Story dahinter

Guo Hangjiang ist Studierender im letzten Jahr an der Beijing University of Posts and Telecommunications. Anfang 2026 schreibt er an seinem Bachelor und nebenbei an Open-Source-Projekten. Über einen persönlichen Kontakt erhält er ein Praktikum bei der Shanda Group, einem chinesischen Tech-Konzern. Chen Tianqiao, der Gründer von Shanda und einst reichster Mensch Chinas, gibt ihm freie Hand: »Bau, was du für interessant hältst.«

Guo nutzt das, was er »Vibe Coding« nennt: schnelles, intuitives Bauen mit Hilfe von KI-Programmier-Assistenten. In zehn Tagen entsteht ein lauffähiger Prototyp. Am Abend des zehnten Tages nimmt er ein Demo-Video auf und schickt es an Chen. Innerhalb von 24 Stunden ist eine Inkubation mit umgerechnet rund 4,1 Millionen US-Dollar besiegelt. Aus dem Praktikanten wird über Nacht ein CEO.

Am 7. März 2026 erscheint MiroFish auf der Spitze der weltweiten GitHub-Trending-Liste, vor den Repositories von OpenAI, Google und Microsoft. Ein paar Tage später spricht der Tech-Investor und Schreibgeschichts-Forscher Brian Roemmele davon, mit MiroFish eine Simulation mit 500.000 Agenten gestartet zu haben. Ein anderer Entwickler verbindet das System mit einem Polymarket-Trading-Bot und meldet nach 338 Trades ein Plus von 4.266 Dollar.

Diese Geschichten sind Anekdoten, keine Studien. Aber sie zeigen, was die Technik im Hintergrund leisten kann – und warum sich plötzlich so viele Menschen damit beschäftigen.

Wie ein Lauf konkret abläuft

MiroFish folgt einer klar strukturierten Pipeline aus fünf Stufen. Jede Stufe wird von einem eigenen spezialisierten Agenten oder Modul übernommen.

Stufe 1 – GraphRAG. Statt das Ausgangsdokument als unsortierten Text zu schlucken, baut MiroFish daraus einen Wissensgraph: Wer sind die wichtigen Akteure? Welche Institutionen spielen eine Rolle? Welche Beziehungen, welche Konflikte gibt es? Dieser Graph wird zur Realitätskarte, auf der die Simulation aufsetzt.

Stufe 2 – Persona-Generierung. Aus dem Graph werden tausende Agenten gezogen. Jeder bekommt ein eigenes Profil: demografische Daten, Beruf, Wertesystem, Anfangsmeinung zum Thema, soziale Verbindungen zu anderen Agenten. Manche Profile sind schweigsam und vorsichtig, andere extrovertiert und konfrontativ. Genau diese Vielfalt ist der Punkt: sie soll die echte Welt nachbilden, nicht eine homogene Masse.

Stufe 3 – Welt-Konfiguration. Ein Steuerungs-Agent legt die Spielregeln fest. Wie schnell laufen die Empfehlungs-Algorithmen? Wie hoch ist die Sichtbarkeit pro Beitrag? Wie viele Likes braucht ein Post, um trending zu werden? Hier wird die Plattform-Logik definiert, in der die Agenten leben werden.

Stufe 4 – OASIS-Simulation. Jetzt übergibt MiroFish an OASIS, das eigentliche Schwergewicht im Hintergrund. OASIS ist ein Forschungs-Framework des Open-Source-Kollektivs CAMEL-AI und kann bis zu eine Million Agenten gleichzeitig laufen lassen. Es kennt 23 soziale Aktionen – vom Folgen über das Stummschalten bis zum Suchen. Die Erinnerungen der Agenten verwaltet ein Dienst namens Zep, sodass jeder Agent über Runden hinweg lernt, wer er ist und was er bisher gesagt hat.

Stufe 5 – ReportAgent. Am Ende sitzt ein eigener Auswertungs-Agent vor dem Berg an Posts, Kommentaren und Reaktionen und destilliert daraus einen lesbaren Bericht: Welche Lager haben sich gebildet? Welche Argumente sind oft zitiert worden? Wo lag der Wendepunkt? Welche Untergruppen waren ungewöhnlich geschlossen oder gespalten? Das ist der Output, den ein Mensch am Ende auf den Tisch bekommt.

Wie der Bericht aussieht

Statt einer einzigen Schlagzeile liefert der ReportAgent eine geschichtete Auswertung. Er zeigt die Verteilung der Stimmungen über die Zeit, listet die meinungsführenden Agenten auf, markiert Pivot-Momente, an denen sich die Erzählung gedreht hat, und benennt die Lager, die sich gebildet haben. So sieht das in einer vereinfachten Form aus:

Das Spannende daran ist nicht die einzelne Zahl, sondern die Struktur. Sie sehen, wie sich die Stimmung über die Runden bewegt, wo der Kipp-Punkt liegt, welche Lager sich bilden und an welchen Argumenten sie hängen. Eine echte Marktforschung würde ähnliche Erkenntnisse liefern – nur in Wochen statt in Stunden und zu deutlich höheren Kosten.

Was MiroFish nicht ist

Bevor wir über Anwendungsfälle sprechen, gehört eine nüchterne Bestandsaufnahme dazwischen. MiroFish ist faszinierend, aber das Team hat bislang keine Benchmarks veröffentlicht. Es gibt keine Vergleiche zwischen den Vorhersagen der Engine und tatsächlich eingetretenen Ereignissen. Keine Treffer-Statistik. Keine Konfidenz-Intervalle. Keine historische Validierung. Wer das System einsetzt, bekommt plausible Geschichten, aber keinen Beleg, dass diese Geschichten der Realität näher stehen als ein gut gemachtes Brainstorming.

Hinzu kommt ein Befund aus der OASIS-Forschung selbst: LLM-Agenten neigen stärker zu Herdenverhalten als echte Menschen. Sie polarisieren schneller, sie schließen sich schneller einer Mehrheit an, sie geben früher nach. In einer Simulation kann das eine Untergruppe völlig verschwinden lassen, die in der echten Welt durchaus eine Stimme hätte. Wer auf einer solchen Simulation eine Entscheidung baut, kann systematisch überreagieren.

Drittens: MiroFish-Berichte lesen sich autoritativ. Sie sind detailreich, narrativ rund, mit Beispielen unterfüttert. Genau das ist die Gefahr. Eine plausibel klingende Geschichte hat in Meetings mehr Gewicht als eine ehrliche Unsicherheitsmarge. Wer MiroFish in der Praxis einsetzt, muss den Beteiligten immer wieder klarmachen: Das ist eine Probebühne, kein Wahrheits-Generator.

DSGVO und Daten-Hygiene

Für europäische Unternehmen kommt ein eigenes Problem dazu. MiroFish gibt jedem Agenten ein Langzeit-Gedächtnis. Das macht die Simulationen lebendig – und es macht die Datenhaltung undurchsichtig. Wenn Sie als Seed-Material eine Mitarbeiter-Befragung, eine Kundenliste oder ein internes Briefing nutzen, landen Bruchstücke davon in tausenden Agenten-Speichern, in API-Caches und in Backups verteilter Drittsysteme.

Wenn dann nach Monaten ein Mitarbeiter sein Recht auf Löschung nach Art. 17 DSGVO geltend macht, wird die Frage akut: Können Sie schlüssig nachweisen, dass alle personenbezogenen Spuren tatsächlich entfernt wurden? Die ehrliche Antwort lautet meistens: Nein.

Für anonymisierte Marktdaten, öffentlich verfügbare Pressetexte oder synthetische Szenarien ist das unkritisch. Für alles, was Personen identifizierbar macht, gehört MiroFish in seiner Standardform nicht in den produktiven Einsatz. Wer das Werkzeug seriös einsetzen will, baut sich eine eigene Instanz mit kontrollierter Datenhaltung – entweder lokal oder auf einem deutschen Server, an den niemand sonst kommt.

Wo MiroFish wirklich nützlich sein kann

Trotz dieser Einschränkungen ist die Engine ein bemerkenswertes Werkzeug – vorausgesetzt, sie wird im richtigen Modus genutzt: als Probebühne, nicht als Orakel.

Als Vorbereitung für heikle Kommunikation. Sie planen eine Preiserhöhung, ein Re-Branding, eine Stellungnahme zu einer schwierigen Frage. MiroFish kann Ihnen vorab zeigen, welche Reaktionen plausibel sind, welche Lager sich vermutlich bilden, welche Argumente Sie wahrscheinlich oft hören werden. Die Antworten sind nicht die Wahrheit, aber sie sind ein guter Probelauf für das eigene Krisen-Drehbuch.

Als Werkstatt für Was-wäre-wenn-Fragen. Wie reagiert der Markt, wenn ein Wettbewerber morgen plötzlich halbiert? Was passiert, wenn die EU einen bestimmten Standard verabschiedet? Statt eine einzelne Schätzung in den Raum zu stellen, können Sie zehn Varianten durchspielen und sehen, welche Strukturen stabil sind und welche kippen.

Als kreativer Sandkasten. Was, wenn die fehlenden 40 Kapitel eines Romans von tausenden simulierten Lesern selbst geschrieben werden? Was passiert, wenn eine fiktive Figur in eine andere Welt gesetzt wird? Für Drehbuch-Werkstätten, Game-Designer und Schriftsteller ist das ein neues Werkzeug zwischen Brainstorming und KI-Co-Autor.

Als Trainings-Umgebung. Junge Pressesprecher können ihre Antworten an einer Mauer aus simulierten Journalisten und Twitter-Akteuren testen, bevor sie das erste Mal vor echten Kameras stehen. Das Werkzeug ist verzeihend, aber es fällt nicht aus dem Charakter.

Verwandt – aber etwas anderes

MiroFish steht nicht allein. Es ist Teil einer breiteren Bewegung, in der nicht mehr ein KI-Modell für eine Aufgabe gerufen wird, sondern viele Modelle in eine Umgebung gestellt werden, die ihre Arbeit ordnet. Wer sich dafür interessiert, wie diese Umgebungen gebaut werden, findet bei uns zwei verwandte Beiträge: Einen über Agent Harness Engineering – das Konzept, einem KI-Agenten ein »Pferdegeschirr« zu bauen, das seine Kraft in geordnete Arbeit kanalisiert. Und einen Beitrag darüber, was passiert, wenn das schiefgeht: Wenn die KI aus dem System ausbricht.

MiroFish bewegt sich am anderen Ende des Spektrums: Hier ist nicht ein Agent das Pferd, hier sind tausende Agenten der Schwarm. Das Werkzeug der Wahl ist nicht das Geschirr, sondern das Aquarium – eine künstliche Welt, in der man Verhalten beobachten kann, ohne dass es der echten Welt schadet.

Was das für Mittelständler in Deutschland heißt

Wenn Sie einen mittelständischen Betrieb leiten, sollten Sie die folgenden drei Punkte aus diesem Beitrag mitnehmen.

Erstens: MiroFish ist ein Vorzeichen. Die Methode, ein gesellschaftliches Verhalten in einer KI-Welt vorab durchzuspielen, wird in den nächsten zwei Jahren in Marktforschungs-Tools, Krisen-PR-Diensten und Strategie-Beratungen eingebaut werden. Es lohnt sich, jetzt zu verstehen, wie das Ganze funktioniert, damit Sie später nicht von einer schwarz-glanzenden Präsentation überfahren werden.

Zweitens: Trauen Sie keiner Vorhersage, deren Quelle nicht offen liegt. Wenn ein Anbieter Ihnen sagt »Unsere KI hat simuliert, dass 73 Prozent der Zielgruppe positiv reagieren werden«, fragen Sie nach: Wie viele Agenten? Welches Modell? Welche Seed-Daten? Welche Validierung gegen echte Fälle? Ohne saubere Antworten ist die Zahl ein Theaterstück.

Drittens: Wenn Sie das Werkzeug ausprobieren wollen, machen Sie es richtig. MiroFish ist Open Source und läuft auf einer eigenen Maschine. Wir installieren die Engine bei Bedarf auf einem deutschen Hetzner- oder STACKIT-Server, dockern sie ein, hängen sie an Ihre eigenen Modell-Schlüssel (Claude, GPT, lokales Llama oder Mistral) und bauen Ihnen ein Frontend, das Ihre konkreten Fragen stellt. Auf diese Weise bleiben Ihre Daten in Ihrer Hand, die Kosten in Ihrem Budget und das Werkzeug auf der gleichen Augenhöhe wie ein Whiteboard im Konferenzraum.

Kurz zusammengefasst

MiroFish ist die erste breit sichtbare Schwarm-KI, die ein normaler Anwender lokal ausprobieren kann. Sie ist Open Source, sie ist auf den Schultern eines starken Forschungs-Frameworks (OASIS) gebaut, sie hat einen viralen Start hingelegt und sie zeigt anschaulich, was Multi-Agenten-Simulation heute schon kann.

Sie ist gleichzeitig nicht validiert, neigt zu Herdenverhalten, ist datenschutzrechtlich heikel und sollte nicht als Wahrheit verkauft werden. Wer das im Kopf behält, hat in MiroFish ein faszinierendes Werkzeug für Probeläufe, kreative Übungen und ehrliche Was-wäre-wenn-Diskussionen.

Wer den Schritt machen möchte, vom Anschauen zum Anfassen: schreiben Sie uns. Wir richten Ihnen die Engine ein, schulen Ihr Team in der gesunden Skepsis, die das Werkzeug verlangt, und sorgen dafür, dass Ihre Daten Ihre Daten bleiben.