{"id":882,"date":"2026-11-05T16:30:43","date_gmt":"2026-11-05T16:30:43","guid":{"rendered":"https:\/\/hoge.gg\/de\/prognosemaerkte-midterms-2026-ki-agenten\/"},"modified":"2026-11-05T16:30:43","modified_gmt":"2026-11-05T16:30:43","slug":"prognosemaerkte-midterms-2026-ki-agenten","status":"publish","type":"post","link":"https:\/\/hoge.gg\/de\/prognosemaerkte-midterms-2026-ki-agenten\/","title":{"rendered":"Die erste Prognosemarkt-Wahl: KI-Agenten und die Midterms 2026"},"content":{"rendered":"

Am Abend des 3. November 2026 wussten die Prognosem\u00e4rkte vor den Fernsehsendern, wie die US-Midterms ausgehen w\u00fcrden. Noch w\u00e4hrend in einigen Bundesstaaten die Wahllokale schlossen, kippten auf Polymarket<\/a> 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.<\/p>

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 k\u00f6nnen und wo sie scheitern. F\u00fcr 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 sa\u00df, konnte die Odds lesen, aber keinen Cent darauf setzen. Dieser Text erkl\u00e4rt, wie die Maschinen die Wahl kalkulierten, was das \u00fcber die Zukunft von KI-Agenten auf Prognosem\u00e4rkten verr\u00e4t und warum Deutschland dabei nur zuschaut.<\/p>

Die Nacht, in der die M\u00e4rkte schneller waren als die Sender<\/h2>

Prognosem\u00e4rkte sind Handelspl\u00e4tze f\u00fcr sogenannte Event-Kontrakte: Vertr\u00e4ge, die bei Eintritt eines Ereignisses einen Dollar wert sind und sonst null. Der Preis zwischen null und eins l\u00e4sst sich direkt als Wahrscheinlichkeit lesen. Kostet ein Kontrakt auf „Demokraten gewinnen das Repr\u00e4sentantenhaus“ 73 Cent, dann taxiert der Markt die Chance auf 73 Prozent. Weil H\u00e4ndler mit echtem Geld laufend nachjustieren, verdichtet sich jede neue Information fast in Echtzeit zu einem Preis.<\/p>

Genau dieser Mechanismus spielte in der Wahlnacht seine St\u00e4rke aus. Polymarket erkl\u00e4rte, in zehn Schl\u00fcsselrennen die Ergebnisse im Median 31 Minuten vor Sendern wie CNN, Fox News und der Associated Press projiziert zu haben, wie CNBC<\/a> berichtete. Im texanischen Gouverneursrennen sprang die Siegwahrscheinlichkeit der Demokratin Gina Hinojosa binnen f\u00fcnf Minuten nach den ersten Schlie\u00dfungen der Wahllokale von 39 auf 73 Prozent. Polymarket-Chef Shayne Coplan fasste es so zusammen: „Zwischen dem Moment, in dem die Prognosem\u00e4rkte ein Rennen ausrufen, und dem Zeitpunkt, an dem die Fernsehsender nachziehen, liegen inzwischen routinem\u00e4\u00dfig Stunden.“<\/p>

Warum sind M\u00e4rkte 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 gegen\u00fcber 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 l\u00e4ngst keine Menschen mehr, sondern Handelsalgorithmen, die Ausz\u00e4hlungsdaten, Social-Media-Feeds und die Orderb\u00fccher der Konkurrenzplattform in Sekundenbruchteilen auswerten. Ein Kalshi-Sprecher sagte, die Plattform habe erst dann von sicheren Rufen gesprochen, wenn die Odds 99 Prozent \u00fcberstiegen und der Handel auf den jeweils anderen Kandidaten praktisch versiegt sei.<\/p>

Was tats\u00e4chlich geschah: der demokratische Erdrutsch<\/h2>

Am Ende lieferten die Midterms ein deutliches Bild. Die Demokraten holten nach Angaben von CNBC<\/a> die Kontrolle \u00fcber beide Kammern des Kongresses und drehten dabei sieben Senatssitze (unter anderem Kansas, Iowa, Texas, Ohio, Maine, North Carolina und South Carolina), w\u00e4hrend die Republikaner keinen einzigen von den Demokraten gehaltenen Sitz gewinnen konnten. Im Repr\u00e4sentantenhaus kamen die Demokraten laut CBS News<\/a> auf eine Mehrheit im Bereich von 251 bis 268 Sitzen. Hinzu kamen rund ein halbes Dutzend Gouverneursposten und bis zu zw\u00f6lf Parlamentskammern der Bundesstaaten. Pr\u00e4sident Trumps Zustimmungswert lag in der Wahlwoche bei 38 Prozent, historisch niedrig f\u00fcr einen Amtsinhaber in den Zwischenwahlen.<\/p>

Die Prognosem\u00e4rkte hatten das gro\u00dfe Bild fr\u00fcher und klarer als viele Umfragemodelle. Nach einer Analyse von Semafor<\/a> riefen Kalshi und Polymarket den demokratischen Durchmarsch mit gr\u00f6\u00dferen Vorspr\u00fcngen 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 f\u00fcr die M\u00e4rkte \u00fcberraschend. Das ist eine wichtige Lektion, die sich durch diesen Text zieht: Ein Markt kann die Richtung im Mittel hervorragend treffen und die spektakul\u00e4ren Einzel\u00fcberraschungen trotzdem verpassen. Wer sehen will, wie d\u00fcnn die Grenze zwischen Signal und Rauschen auf solchen Plattformen ist, findet die Mechanik im Detail in unserer Analyse zum Orakel-Problem der Prognosem\u00e4rkte<\/a>.<\/p>

Was ein Prognosemarkt ist und was ein KI-Agent darin tut<\/h2>

Ein einfacher Handelsbot folgt festen Regeln: kaufe, wenn der Preis unter eine Schwelle f\u00e4llt, verkaufe dar\u00fcber. 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, begr\u00fcndet und handelt ohne menschlichen Klick dazwischen. Dieser Unterschied ist der Kern der Entwicklung, die wir seit Monaten in der Rubrik verfolgen.<\/p>

Auf Polymarket sind solche Agenten keine Randerscheinung mehr. Laut einer Untersuchung von CoinDesk<\/a> stammten bereits Anfang 2026 mehr als 30 Prozent der aktiven Polymarket-Wallets von KI-Agenten, und 14 der 20 umsatzst\u00e4rksten 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, gegen\u00fcber nur 7 bis 13 Prozent der menschlichen H\u00e4ndler.<\/p>

Valory-Chef David Minarsch beschreibt sein Produkt n\u00fcchtern: „Polystrat ist ein autonomer KI-Agent, der rund um die Uhr im Auftrag seines menschlichen Nutzers auf Polymarket handelt.“ Zugleich warnt er vor Naivit\u00e4t: „F\u00fcttert man Standardmodelle einfach mit M\u00e4rkten, sind die Ergebnisse meist nicht besser als ein M\u00fcnzwurf.“ Der Erfolg liege im Feintuning, in den Datenpipelines und in der Geschwindigkeit, nicht im blo\u00dfen Anst\u00f6pseln eines Chatbots. Diese Spannung zwischen dem Marketingversprechen und der harten Realit\u00e4t zieht sich durch den gesamten Sektor der Bots, die inzwischen die Mehrheit stellen<\/a>.<\/p>

Markt gegen Umfrage: warum Preise schneller sind als Modelle<\/h2>

Dass ein Markt eine Wahl besser prognostiziert als eine Umfrage, ist keine Zauberei. Eine Umfrage befragt eine Stichprobe zu einem Stichtag und h\u00e4ngt an Annahmen \u00fcber die Wahlbeteiligung. Ein Markt dagegen b\u00fcndelt 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 beh\u00e4lt. Dieser Anreiz ist der Treibstoff, der Prognosem\u00e4rkte in schnelllebigen Situationen oft pr\u00e4ziser macht als statische Modelle.<\/p>

In der Wahlnacht 2026 wurde dieser Vorteil durch Maschinen verst\u00e4rkt. Wenn ein erheblicher Teil der Orderfl\u00fcsse von Agenten kommt, die Ausz\u00e4hlungsdaten 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 \u00fcberspringt: Ist der einzelne KI-Agent wirklich ein guter Prognostiker, oder profitiert er nur davon, im Schwarm des Marktes mitzuschwimmen? Die Antwort ist \u00fcberraschend ern\u00fcchternd.<\/p>

Kalibriert, aber nicht \u00fcberzeugt: was KI-Modelle wirklich leisten<\/h2>

Die bislang gr\u00fcndlichste Messung stammt aus einer Benchmark namens Prophet Arena (arxiv.org\/abs\/2510.17638<\/a>), die f\u00fchrende Sprachmodelle gegen die Marktpreise antreten lie\u00df. Das Ergebnis ist zweigeteilt und erkl\u00e4rt die Wahlnacht fast vollst\u00e4ndig. Bei der reinen Kalibrierung, also der Frage, ob eine Wahrscheinlichkeit von 70 Prozent langfristig auch in 70 Prozent der F\u00e4lle 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 w\u00f6rtlich, selbst das bestplatzierte Modell GPT-5R verfehle die Gewinnschwelle, die Durchschnittsrendite bleibe unter eins.<\/p>

Modell \/ Markt<\/th>Kalibrierungsfehler (niedriger ist besser)<\/th>Brier-Score<\/th>Durchschnittsrendite (\u00fcber 1 = profitabel)<\/th><\/tr><\/thead>
GPT-5R (bestes Modell)<\/td>0,042<\/td>0,184<\/td>0,943<\/td><\/tr>
Claude Sonnet 4R<\/td>0,041<\/td>0,194<\/td>0,909<\/td><\/tr>
Grok-4R<\/td>–<\/td>0,189<\/td>0,864<\/td><\/tr>
Markt (Referenz)<\/td>0,069<\/td>0,187<\/td>0,899<\/td><\/tr><\/tbody><\/table>
Prophet Arena: Modelle sind besser kalibriert als der Markt, erreichen aber keine Gewinnschwelle (Rendite unter 1). Quelle: arxiv.org\/abs\/2510.17638.<\/figcaption><\/figure>

Der Grund steht ebenfalls im Papier: Die Modelle geben „\u00fcber eine gro\u00dfe Mehrheit der Ereignisse hinweg konsequent konservativere Wahrscheinlichkeiten“ aus. Und weiter: „Selbst wenn M\u00e4rkte nahezu sichere Wahrscheinlichkeiten nahe eins zuweisen, bleibt das Modell z\u00f6gerlich und produziert nur selten gleich extreme Vorhersagen.“ Genau das war in der Wahlnacht entscheidend. Kalshi rief Rennen erst bei Odds \u00fcber 99 Prozent aus. Ein vorsichtiges Sprachmodell, das in solchen Momenten lieber bei 85 Prozent bleibt, h\u00e4tte den Zuschlag verpasst. Der Markt gewann nicht, weil ein Modell besonders klug war, sondern weil die Aggregation vieler Teilnehmer \u00dcberzeugung und Tempo erzeugt, die kein einzelnes Modell aufbringt.<\/p>

Eine zweite Studie, Prediction Arena (arxiv.org\/abs\/2604.07355<\/a>), lie\u00df 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 Modellqualit\u00e4t. Kalibrierung ist eben nicht gleich \u00dcberzeugung, und \u00dcberzeugung ist nicht gleich Gewinn. Erschwerend kommt hinzu, dass sich kaum unabh\u00e4ngig \u00fcberpr\u00fcfen l\u00e4sst, 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<\/a> ausgeleuchtet haben.<\/p>@@CONTENT@@","protected":false},"excerpt":{"rendered":"

Bei den US-Midterms kalkulierten KI-Bots die Ergebnisse schneller als jedes Fernsehstudio. Deutschland durfte nur zusehen, denn Polymarket und Kalshi sind hier gesperrt.<\/p>\n","protected":false},"author":5,"featured_media":883,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[13],"tags":[],"class_list":["post-882","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-crypto"],"_links":{"self":[{"href":"https:\/\/hoge.gg\/de\/wp-json\/wp\/v2\/posts\/882","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/hoge.gg\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/hoge.gg\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/hoge.gg\/de\/wp-json\/wp\/v2\/users\/5"}],"replies":[{"embeddable":true,"href":"https:\/\/hoge.gg\/de\/wp-json\/wp\/v2\/comments?post=882"}],"version-history":[{"count":0,"href":"https:\/\/hoge.gg\/de\/wp-json\/wp\/v2\/posts\/882\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/hoge.gg\/de\/wp-json\/wp\/v2\/media\/883"}],"wp:attachment":[{"href":"https:\/\/hoge.gg\/de\/wp-json\/wp\/v2\/media?parent=882"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/hoge.gg\/de\/wp-json\/wp\/v2\/categories?post=882"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/hoge.gg\/de\/wp-json\/wp\/v2\/tags?post=882"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}