Die erste Prognosemarkt-Wahl: KI-Agenten und die Midterms 2026

Am Abend des 3. November 2026 wussten die Prognosemärkte vor den Fernsehsendern, wie die US-Midterms ausgehen würden. Noch während in einigen Bundesstaaten die Wahllokale schlossen, kippten auf Polymarket und bei Kalshi die Wahrscheinlichkeiten, lange bevor CNN, Fox News oder die Associated Press ein Rennen ausriefen. Es war, wie es ein Branchenbeobachter nannte, die erste echte Prognosemarkt-Wahl: ein Urnengang, dessen Ergebnis zuerst in Form von Marktpreisen sichtbar wurde und erst danach als Hochrechnung im Fernsehen.

Hinter diesen Preisen steckten zu einem erheblichen Teil keine Menschen mehr, sondern Software. Autonome KI-Agenten handeln auf diesen Plattformen rund um die Uhr, und bei den Midterms zeigten sie, was sie können und wo sie scheitern. Für deutsche Leserinnen und Leser hat die Geschichte einen bitteren Beigeschmack: Das alles fand hinter einer Mauer statt. Polymarket ist in Deutschland gesperrt, Kalshi ebenso. Wer hier saß, konnte die Odds lesen, aber keinen Cent darauf setzen. Dieser Text erklärt, wie die Maschinen die Wahl kalkulierten, was das über die Zukunft von KI-Agenten auf Prognosemärkten verrät und warum Deutschland dabei nur zuschaut.

Die Nacht, in der die Märkte schneller waren als die Sender

Prognosemärkte sind Handelsplätze für sogenannte Event-Kontrakte: Verträge, die bei Eintritt eines Ereignisses einen Dollar wert sind und sonst null. Der Preis zwischen null und eins lässt sich direkt als Wahrscheinlichkeit lesen. Kostet ein Kontrakt auf „Demokraten gewinnen das Repräsentantenhaus“ 73 Cent, dann taxiert der Markt die Chance auf 73 Prozent. Weil Händler mit echtem Geld laufend nachjustieren, verdichtet sich jede neue Information fast in Echtzeit zu einem Preis.

Genau dieser Mechanismus spielte in der Wahlnacht seine Stärke aus. Polymarket erklärte, in zehn Schlüsselrennen die Ergebnisse im Median 31 Minuten vor Sendern wie CNN, Fox News und der Associated Press projiziert zu haben, wie CNBC berichtete. Im texanischen Gouverneursrennen sprang die Siegwahrscheinlichkeit der Demokratin Gina Hinojosa binnen fünf Minuten nach den ersten Schließungen der Wahllokale von 39 auf 73 Prozent. Polymarket-Chef Shayne Coplan fasste es so zusammen: „Zwischen dem Moment, in dem die Prognosemärkte ein Rennen ausrufen, und dem Zeitpunkt, an dem die Fernsehsender nachziehen, liegen inzwischen routinemäßig Stunden.“

Warum sind Märkte so schnell? Weil sie keinen Redaktionsschluss kennen und keine Angst vor einer Fehlprognose im Live-Fernsehen haben. Flip Pidot von der Coalition for Political Forecasting brachte es gegenüber CNBC auf den Punkt: „Es gibt jetzt finanziell motivierte Zahlenmenschen rund um den Globus, die genau das tun und das Signal einfach deutlich schneller liefern.“ Ein Teil dieser Zahlenmenschen sind längst keine Menschen mehr, sondern Handelsalgorithmen, die Auszählungsdaten, Social-Media-Feeds und die Orderbücher der Konkurrenzplattform in Sekundenbruchteilen auswerten. Ein Kalshi-Sprecher sagte, die Plattform habe erst dann von sicheren Rufen gesprochen, wenn die Odds 99 Prozent überstiegen und der Handel auf den jeweils anderen Kandidaten praktisch versiegt sei.

Was tatsächlich geschah: der demokratische Erdrutsch

Am Ende lieferten die Midterms ein deutliches Bild. Die Demokraten holten nach Angaben von CNBC die Kontrolle über beide Kammern des Kongresses und drehten dabei sieben Senatssitze (unter anderem Kansas, Iowa, Texas, Ohio, Maine, North Carolina und South Carolina), während die Republikaner keinen einzigen von den Demokraten gehaltenen Sitz gewinnen konnten. Im Repräsentantenhaus kamen die Demokraten laut CBS News auf eine Mehrheit im Bereich von 251 bis 268 Sitzen. Hinzu kamen rund ein halbes Dutzend Gouverneursposten und bis zu zwölf Parlamentskammern der Bundesstaaten. Präsident Trumps Zustimmungswert lag in der Wahlwoche bei 38 Prozent, historisch niedrig für einen Amtsinhaber in den Zwischenwahlen.

Die Prognosemärkte hatten das große Bild früher und klarer als viele Umfragemodelle. Nach einer Analyse von Semafor riefen Kalshi und Polymarket den demokratischen Durchmarsch mit größeren Vorsprüngen aus, als die meisten Umfragemodelle sie veranschlagten. Perfekt waren sie aber nicht: Die Niederlage von Texas-Gouverneur Greg Abbott und die demokratischen Senatssiege in Iowa und South Carolina kamen auch für die Märkte überraschend. Das ist eine wichtige Lektion, die sich durch diesen Text zieht: Ein Markt kann die Richtung im Mittel hervorragend treffen und die spektakulären Einzelüberraschungen trotzdem verpassen. Wer sehen will, wie dünn die Grenze zwischen Signal und Rauschen auf solchen Plattformen ist, findet die Mechanik im Detail in unserer Analyse zum Orakel-Problem der Prognosemärkte.

Was ein Prognosemarkt ist und was ein KI-Agent darin tut

Ein einfacher Handelsbot folgt festen Regeln: kaufe, wenn der Preis unter eine Schwelle fällt, verkaufe darüber. Ein KI-Agent ist etwas anderes. Er kombiniert ein Sprachmodell, das Nachrichten und Marktfragen interpretiert, mit einer eigenen Wallet, mit Werkzeugen wie Datenfeeds und Handelsschnittstellen sowie mit der Autonomie, selbst Transaktionen zu signieren. Er plant, begründet und handelt ohne menschlichen Klick dazwischen. Dieser Unterschied ist der Kern der Entwicklung, die wir seit Monaten in der Rubrik verfolgen.

Auf Polymarket sind solche Agenten keine Randerscheinung mehr. Laut einer Untersuchung von CoinDesk stammten bereits Anfang 2026 mehr als 30 Prozent der aktiven Polymarket-Wallets von KI-Agenten, und 14 der 20 umsatzstärksten Adressen waren Bots. Der bekannteste ist Polystrat, gebaut von der Valory AG, dem Unternehmen hinter dem Olas-Netzwerk. Polystrat setzte im ersten Monat mehr als 4.200 Trades ab, bei einzelnen Positionen bis zu 376 Prozent Gewinn. Rund 37 Prozent der Agenten schrieben schwarze Zahlen, gegenüber nur 7 bis 13 Prozent der menschlichen Händler.

Valory-Chef David Minarsch beschreibt sein Produkt nüchtern: „Polystrat ist ein autonomer KI-Agent, der rund um die Uhr im Auftrag seines menschlichen Nutzers auf Polymarket handelt.“ Zugleich warnt er vor Naivität: „Füttert man Standardmodelle einfach mit Märkten, sind die Ergebnisse meist nicht besser als ein Münzwurf.“ Der Erfolg liege im Feintuning, in den Datenpipelines und in der Geschwindigkeit, nicht im bloßen Anstöpseln eines Chatbots. Diese Spannung zwischen dem Marketingversprechen und der harten Realität zieht sich durch den gesamten Sektor der Bots, die inzwischen die Mehrheit stellen.

Markt gegen Umfrage: warum Preise schneller sind als Modelle

Dass ein Markt eine Wahl besser prognostiziert als eine Umfrage, ist keine Zauberei. Eine Umfrage befragt eine Stichprobe zu einem Stichtag und hängt an Annahmen über die Wahlbeteiligung. Ein Markt dagegen bündelt verstreutes Wissen vieler Teilnehmer, gewichtet es mit echtem Kapitaleinsatz und aktualisiert sich fortlaufend. Wer eine bessere Information hat, kann sie in einen Preis verwandeln und verdient daran, wenn er recht behält. Dieser Anreiz ist der Treibstoff, der Prognosemärkte in schnelllebigen Situationen oft präziser macht als statische Modelle.

In der Wahlnacht 2026 wurde dieser Vorteil durch Maschinen verstärkt. Wenn ein erheblicher Teil der Orderflüsse von Agenten kommt, die Auszählungsdaten in Millisekunden verarbeiten, dann reagiert der Preis nicht mehr im Minutentakt eines Nachrichtenstudios, sondern im Takt der Datenleitungen. Die „Weisheit der Vielen“ ist damit teils zu einer Weisheit der Vielen Maschinen geworden, die sich gegenseitig lesen. Das wirft eine unbequeme Frage auf, die die Branche gerne überspringt: Ist der einzelne KI-Agent wirklich ein guter Prognostiker, oder profitiert er nur davon, im Schwarm des Marktes mitzuschwimmen? Die Antwort ist überraschend ernüchternd.

Kalibriert, aber nicht überzeugt: was KI-Modelle wirklich leisten

Die bislang gründlichste Messung stammt aus einer Benchmark namens Prophet Arena (arxiv.org/abs/2510.17638), die führende Sprachmodelle gegen die Marktpreise antreten ließ. Das Ergebnis ist zweigeteilt und erklärt die Wahlnacht fast vollständig. Bei der reinen Kalibrierung, also der Frage, ob eine Wahrscheinlichkeit von 70 Prozent langfristig auch in 70 Prozent der Fälle eintritt, schlugen die Modelle den Markt. Ihr Kalibrierungsfehler lag unter dem des Marktes. Beim Geldverdienen jedoch versagten sie: Kein einziges Modell erreichte die Gewinnschwelle. Die Autoren schreiben wörtlich, selbst das bestplatzierte Modell GPT-5R verfehle die Gewinnschwelle, die Durchschnittsrendite bleibe unter eins.

Der Grund steht ebenfalls im Papier: Die Modelle geben „über eine große Mehrheit der Ereignisse hinweg konsequent konservativere Wahrscheinlichkeiten“ aus. Und weiter: „Selbst wenn Märkte nahezu sichere Wahrscheinlichkeiten nahe eins zuweisen, bleibt das Modell zögerlich und produziert nur selten gleich extreme Vorhersagen.“ Genau das war in der Wahlnacht entscheidend. Kalshi rief Rennen erst bei Odds über 99 Prozent aus. Ein vorsichtiges Sprachmodell, das in solchen Momenten lieber bei 85 Prozent bleibt, hätte den Zuschlag verpasst. Der Markt gewann nicht, weil ein Modell besonders klug war, sondern weil die Aggregation vieler Teilnehmer Überzeugung und Tempo erzeugt, die kein einzelnes Modell aufbringt.

Eine zweite Studie, Prediction Arena (arxiv.org/abs/2604.07355), ließ sechs Spitzenmodelle mit je 10.000 Dollar 57 Tage lang real handeln. Auf Kalshi verloren alle, zwischen 16 und 30,8 Prozent, auf Polymarket landeten sie im Schnitt nahe der Nulllinie. Die Schlussfolgerung der Forscher: „Das Plattformdesign hat einen tiefgreifenden Effekt darauf, welche Modelle erfolgreich sind“, wichtiger noch als die Modellqualität. Kalibrierung ist eben nicht gleich Überzeugung, und Überzeugung ist nicht gleich Gewinn. Erschwerend kommt hinzu, dass sich kaum unabhängig überprüfen lässt, ob ein Agent wirklich das gerechnet hat, was er behauptet; das ist ein eigenes Forschungsfeld, das wir in unserer Analyse zu zk-ML und beweisbarer KI ausgeleuchtet haben.