Zum Inhalt springen

Agenten und Wissen

Multi-Agenten-System

Ein Multi-Agenten-System verteilt eine Aufgabe auf mehrere KI-Agenten, die jeweils eigene Anweisungen, Werkzeuge und einen eigenen Kontext haben und von einem koordinierenden Agenten oder über feste Übergaben zusammengeführt werden.

Auch: Multi-Agent System, MAS, Agentenverbund

Ein einzelner KI-Agent arbeitet in einer Schleife: Er plant, ruft Werkzeuge auf, liest die Ergebnisse und plant neu. In einem Multi-Agenten-System arbeiten mehrere solcher Schleifen zusammen. Jeder Agent hat eine eigene Rolle, eigene Anweisungen, oft eigene Werkzeuge und vor allem einen eigenen Arbeitsspeicher, also ein eigenes Kontextfenster. Der Begriff ist älter als die heutigen Sprachmodelle und stammt aus der Forschung zur verteilten künstlichen Intelligenz. Heute meint er fast immer Systeme, in denen jeder Agent von einem Sprachmodell gesteuert wird.

Das klingt nach einem Team aus Spezialisten, und genau so wird es oft verkauft. Die nüchterne Frage ist, ob die Aufgabe ein Team braucht.

Zwei Grundformen

Ein Koordinator verteilt Arbeit. Ein führender Agent zerlegt die Aufgabe, startet für jeden Teil einen Unteragenten, sammelt die Ergebnisse ein und fasst sie zusammen. Anthropic beschreibt sein Recherchesystem in dieser Form: Ein leitender Agent plant und gibt Teilfragen an Unteragenten, die parallel suchen.

Agenten übergeben an Agenten. Es gibt keinen festen Chef. Ein Agent bearbeitet einen Vorgang, bis er an die Grenze seiner Zuständigkeit kommt, und übergibt dann an einen anderen, etwa vom allgemeinen Kundendienst an den Spezialisten für Reklamationen. OpenAI beschreibt beide Muster in seinem Praxisleitfaden. Das Forschungsframework AutoGen von Microsoft-Forschenden und anderen hat 2023 gezeigt, wie sich solche Gespräche zwischen Agenten allgemein programmieren lassen.

Die Grenze zum agentischen Workflow ist fließend. Wenn ein Programm fest vorgibt, dass erst Agent A, dann Agent B arbeitet, ist das eher ein Workflow mit agentischen Schritten als ein echtes Multi-Agenten-System.

Was mehrere Agenten besser können

Der eigentliche Vorteil ist nicht die Rollenverteilung, sondern der getrennte Kontext. Ein einzelner Agent, der zwanzig Quellen durchsucht, trägt alle zwanzig Zwischenergebnisse in seinem Verlauf mit sich, und irgendwann wird es eng und unübersichtlich. Unteragenten durchsuchen ihre Quellen jeweils in einem frischen Kontext und geben nur das Wesentliche zurück. Außerdem können sie gleichzeitig arbeiten.

Anthropic berichtete 2025, dass sein System aus einem leitenden Agenten (Claude Opus 4) und Unteragenten (Claude Sonnet 4) in einer internen Auswertung für Rechercheaufgaben um 90,2 Prozent besser abschnitt als ein einzelner Agent mit Claude Opus 4. Das ist eine Messung des Herstellers auf seinen eigenen Testaufgaben mit inzwischen älteren Modellen, kein unabhängiger Vergleich, und sie bezieht sich auf breite Recherchen mit vielen unabhängigen Teilfragen. Übertragen lässt sich die Richtung, nicht die Zahl.

Was es kostet

Im selben Bericht nennt Anthropic die Gegenrechnung: Agenten verbrauchen in ihren Messungen etwa viermal so viele Token wie eine Chat-Unterhaltung, Multi-Agenten-Systeme etwa fünfzehnmal so viele. Da sich die Kosten von Sprachmodellen nach Token richten, steigen sie entsprechend. Anthropic zieht daraus selbst den Schluss, dass sich die Bauweise nur für Aufgaben lohnt, deren Wert diesen Aufwand trägt.

Für einen Vorgang, der hundertmal am Tag läuft und wenige Cent einbringt, ist das ein starkes Argument dagegen.

Warum solche Systeme scheitern

Cemri und Kollegen haben 2025 untersucht, woran Multi-Agenten-Systeme in der Praxis scheitern. Sie werteten mehr als 1.600 annotierte Abläufe aus sieben Frameworks aus und kamen auf 14 Fehlerarten in drei Gruppen: Mängel im Systementwurf, mangelnde Abstimmung zwischen den Agenten und fehlende oder schwache Prüfung des Ergebnisses. Gleich zu Beginn halten sie fest, dass der Leistungsgewinn solcher Systeme auf gängigen Testreihen oft gering ist.

Übersetzt in den Alltag heißt das:

  • Ein Agent versteht seine Teilaufgabe anders, als der Koordinator sie gemeint hat, und liefert eine korrekte Antwort auf die falsche Frage.
  • Zwei Agenten erledigen dieselbe Arbeit doppelt, oder jeder verlässt sich darauf, dass der andere sie erledigt.
  • Ein Agent gibt eine wichtige Information nicht weiter, weil sie in seinem Kontext steht und nicht in der Übergabe.
  • Niemand prüft das Endergebnis gegen die ursprüngliche Aufgabe.

Dazu kommt die Fehlersuche. Anthropic beschreibt, dass Agenten zwischen zwei Läufen auch bei identischer Eingabe unterschiedlich entscheiden. Bei mehreren Agenten multipliziert sich das. Ohne vollständige Protokolle jedes Agenten lässt sich im Nachhinein kaum sagen, wo ein Fehler entstanden ist. Wer ein solches System betreibt, braucht ein Monitoring, das nicht nur das Endergebnis, sondern jede Übergabe sichtbar macht.

Wann ein einzelner Agent genügt

OpenAI empfiehlt in seinem Leitfaden, die Fähigkeiten eines einzelnen Agenten zunächst schrittweise über zusätzliche Werkzeuge zu erweitern, bevor man mehrere Agenten orchestriert. Erst wenn die Anweisungen zu verzweigt werden oder der Agent bei ähnlichen Werkzeugen regelmäßig das falsche wählt, lohnt die Aufteilung. Anthropic nennt umgekehrt Aufgaben, die schlecht passen: solche, bei denen alle Beteiligten denselben Kontext brauchen oder die Teilaufgaben stark voneinander abhängen. Als Beispiel führt Anthropic die meisten Programmieraufgaben an, die weniger echte Parallelität bieten als eine Recherche.

Für Prozesse im Mittelstand ergibt sich daraus eine einfache Prüfreihenfolge. Lässt sich der Ablauf fest beschreiben, ist ein Workflow die erste Wahl. Braucht ein Teil davon echtes Ermessen, ein einzelner Agent für diesen Teil. Ein Verbund mehrerer Agenten kommt erst in Frage, wenn die Aufgabe aus vielen unabhängigen Teilen besteht, die sich parallel abarbeiten lassen, und wenn der Nutzen den Mehrverbrauch klar übersteigt. Ob er das tut, zeigt keine Präsentation, sondern nur eine Evaluation auf echten Fällen.

Quellen

  1. How we built our multi-agent research system, Anthropic, 2025
  2. Why Do Multi-Agent LLM Systems Fail?, Cemri et al., arXiv, 2025
  3. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation, Wu et al., arXiv, 2023
  4. A practical guide to building agents, OpenAI

Inhaltlich geprüft im Oktober 2026. Der Eintrag erklärt einen Begriff und ersetzt keine Rechts- oder Steuerberatung.

Welcher Prozess kostet Ihr Team jeden Tag unnötig Zeit?

Bringen Sie einen konkreten Ablauf mit. In 45 Minuten klären wir, ob sich seine Automatisierung rechnet und was der nächste Schritt wäre.

Direkt mit einem Gründer · unverbindlich · ohne Verkaufsshow

Erst ein Prozess.
Dann der nächste.