Künstliche Intelligenz-Forschungsagenten versprechen, den wissenschaftlichen Fortschritt zu beschleunigen, indem sie die Gestaltung, Implementierung und das Training von maschinellen Lernmodellen automatisieren. Doch der Bereich befindet sich noch in den Anfängen, und die entscheidenden Faktoren, die den Erfolg oder Misserfolg von Agentenverläufen bestimmen, sind noch nicht vollständig verstanden. In dieser Studie untersuchen wir die Rolle der Ideenvielfalt für die Leistung von Agenten. Zunächst analysieren wir Agentenverläufe auf MLE-bench, einem etablierten Benchmark zur Evaluierung von KI-Forschungsagenten, unter unterschiedlichen Modellen und Agentenarchitekturen. Unsere Analyse zeigt, dass verschiedene Modelle und Agentenarchitekturen unterschiedliche Grade an Ideenvielfalt hervorbringen, und dass leistungsstärkere Agenten tendenziell eine höhere Ideenvielfalt aufweisen. Darüber hinaus führen wir ein kontrolliertes Experiment durch, bei dem wir den Grad der Ideenvielfalt gezielt verändern, und belegen, dass eine höhere Ideenvielfalt zu einer verbesserten Leistung führt. Schließlich stärken wir unsere Ergebnisse durch die Analyse zusätzlicher Bewertungsmetriken jenseits der üblichen Medaillenpunktzahlung von MLE-bench und zeigen, dass unsere Beobachtungen auch für andere Leistungsindikatoren der Agenten gültig bleiben.