Fast jedes Werkzeug für KI-Agenten bietet inzwischen einen Modus mit mehreren Agenten an. Ein planendes Modell zerlegt die Aufgabe, verteilt die Teile an mehrere ausführende Agenten, die parallel arbeiten, und setzt die Ergebnisse am Ende zusammen. Auf dem Papier klingt das nach einer Abteilung, die sich selbst organisiert. In der Praxis stellt sich bei jedem neuen Vorhaben dieselbe Frage: Braucht diese Aufgabe wirklich mehrere Agenten, oder genügt einer mit den richtigen Werkzeugen?
Unsere Antwort fällt meist nüchtern aus. Ein einzelner Agent ist der Normalfall. Mehrere Agenten sind eine Erweiterung für bestimmte Aufgaben, und diese Erweiterung hat einen Preis.
Was ein System aus mehreren Agenten tatsächlich ist
Ein einzelner Agent arbeitet in einer Schleife: Er liest die Aufgabe, ruft ein Werkzeug auf, liest das Ergebnis und entscheidet über den nächsten Schritt, bis er fertig ist. Alles, was er dabei erfahren hat, steht in einem gemeinsamen Verlauf.
Bei mehreren Agenten gibt es dagegen mehrere solcher Schleifen. Meist steuert ein koordinierender Agent den Ablauf, und spezialisierte Agenten bearbeiten Teilaufgaben, jeder mit eigenem Kontext, eigenen Werkzeugen und eigener Anweisung. Die Agenten wissen voneinander nur, was sie sich ausdrücklich übergeben.
Genau darin liegt der Nutzen und das Risiko. Getrennte Kontexte halten jeden Agenten bei seiner Teilaufgabe und erlauben parallele Arbeit. Sie bedeuten aber auch, dass Information an jeder Übergabe verloren gehen kann. Was der eine Agent bemerkt hat, aber nicht weitergibt, existiert für den nächsten nicht.
Was die Aufteilung kostet
Der erste Preis ist ein finanzieller. Jeder Agent liest seine Anweisung, seine Werkzeugbeschreibungen und seinen Verlauf selbst. Anthropic hat für das eigene Recherchesystem aus mehreren Agenten veröffentlicht, wie sich der Verbrauch an Text gegenüber einem gewöhnlichen Chat verhält:
Quelle: Anthropic
Grafik verwenden? Gern, mit Quelle Wundrig und Link auf diesen Beitrag. Hinweise
Diese Werte stammen aus einem bestimmten System und lassen sich nicht direkt auf jedes Vorhaben übertragen. Die Richtung ist aber eindeutig: Mehrere Agenten verbrauchen deutlich mehr als einer. Das lohnt sich nur, wenn das Ergebnis entsprechend besser oder schneller wird. Wie man solche Kosten überhaupt begrenzt, beschreiben wir in Kosten von KI-Agenten begrenzen.
Der zweite Preis betrifft den Betrieb. Ein Fehler in einem System aus mehreren Agenten ist schwerer zu finden. Hat der koordinierende Agent die Aufgabe falsch zerlegt, hat ein ausführender Agent schlecht gearbeitet, oder ist bei der Übergabe etwas verloren gegangen? Jede zusätzliche Schleife braucht eigene Protokolle, eigene Grenzen und eigene Tests.
Der dritte Preis ist die Abstimmung. Anthropic hält in derselben Veröffentlichung fest, dass Aufgaben, bei denen alle Agenten denselben Kontext brauchen oder die viele Abhängigkeiten untereinander haben, sich derzeit schlecht für mehrere Agenten eignen. Als Beispiel nennt der Bericht die meisten Programmieraufgaben, weil sie weniger echte Parallelität bieten als eine Recherche.
Wann mehrere Agenten helfen
Es gibt Aufgaben, bei denen die Aufteilung ihren Preis wert ist. Gemeinsam ist ihnen, dass sich die Teile tatsächlich voneinander trennen lassen.
- Breite, unabhängige Recherche. Wenn viele Quellen unabhängig voneinander durchsucht werden müssen, können mehrere Agenten parallel arbeiten, und jeder liefert eine verdichtete Zusammenfassung zurück. Der koordinierende Agent sieht dann nicht hunderte Seiten, sondern nur die Ergebnisse.
- Zu viel Kontext für einen Verlauf. Wenn eine Aufgabe mehr Material umfasst, als ein Agent sinnvoll in einem Verlauf halten kann, entlasten getrennte Kontexte.
- Unterschiedliche Rechte. Wenn ein Teil der Arbeit Zugriff auf sensible Systeme braucht und ein anderer Teil öffentliche Inhalte liest, kann eine Trennung die Rechte sauber halten. Ein Agent, der fremde Websites liest, sollte nicht zugleich Zahlungen auslösen dürfen. Mehr dazu in Zugriffsrechte für KI-Agenten.
- Zu viele ähnliche Werkzeuge. OpenAI nennt in seinem Leitfaden als Anlass für eine Aufteilung, dass ein Agent zwischen vielen ähnlichen oder überlappenden Werkzeugen nicht mehr zuverlässig wählt, oder dass seine Anweisung zu viele Bedingungen und Verzweigungen enthält.
Nicht dazu gehören Aufgaben, die nur nach Arbeitsteilung aussehen. Wer ein Team aus „Planer“, „Schreiber“ und „Prüfer“ nachbildet, obwohl jeder Schritt auf dem vorherigen aufbaut, bekommt mehr Übergaben, aber keine Parallelität.
Unsere Entscheidungsregel
Bevor wir einen zweiten Agenten einführen, gehen wir drei Fragen der Reihe nach durch:
- Scheitert der einzelne Agent nachweislich? Gemessen an einer Stichprobe echter Fälle, nicht an einem Eindruck. Wenn der einzelne Agent die Aufgabe löst, bleibt es bei einem.
- Lässt sich das Scheitern ohne zweiten Agenten beheben? Häufig hilft eine genauere Anweisung, ein besser beschriebenes Werkzeug, weniger Werkzeuge oder ein fester Ablaufschritt, der gar kein Modell braucht.
- Ist die Teilaufgabe wirklich unabhängig? Nur wenn ein Teil ohne den Verlauf des anderen bearbeitet werden kann und sich sein Ergebnis klar übergeben lässt, trennen wir ihn ab.
Erst wenn alle drei Fragen für die Aufteilung sprechen, bauen wir einen weiteren Agenten. Diese Reihenfolge deckt sich mit der Empfehlung von Anthropic, mit der einfachsten Lösung zu beginnen und Komplexität nur dann hinzuzufügen, wenn sie nachweislich etwas verbessert.
Ein Beispiel aus unserem Alltag
Die Beiträge in diesem Blog schreibt eine KI-Routine. Sie ist ein einzelner Agent, kein System aus mehreren. Der Agent ruft feste Programme auf, die ihm Daten liefern, etwa eine Liste der bestehenden Beiträge und mögliche Themen. Jede Quelle ruft er ab, bevor er sie nennt. Er schreibt den Beitrag selbst, und am Ende laufen ein Build und automatische Tests, die bestehen müssen, bevor etwas veröffentlicht wird.
Wir hätten die Arbeit auf einen Rechercheagenten, einen Schreibagenten und einen Prüfagenten verteilen können. Wir haben es nicht getan, weil jeder Schritt auf dem vorherigen aufbaut: Wer schreibt, muss wissen, welche Quellen geprüft wurden und welche Themen schon behandelt sind. Die Prüfung, die sich tatsächlich trennen lässt, übernimmt kein zweites Modell, sondern ein fester Test. Er entscheidet nicht nach Eindruck, sondern nach Regeln, und er ist billiger als ein weiterer Agent.
Dieses Muster wiederholt sich in vielen Vorhaben. Was ein zweiter Agent prüfen soll, lässt sich oft als Regel in den Rahmen um das Modell schreiben. Wie dieser Rahmen aufgebaut ist, beschreibt die Seite zur KI-Harness-Architektur.
Fazit
Ein System aus mehreren KI-Agenten ist kein Fortschritt an sich, sondern eine Bauweise für bestimmte Aufgaben: breite Recherchen mit unabhängigen Teilen, Material, das einen einzelnen Verlauf sprengt, oder Teile, die getrennte Rechte brauchen. Für die meisten Aufgaben im Unternehmen genügt ein einzelner Agent mit gut beschriebenen Werkzeugen und festen Prüfungen. Wer erst misst, dann vereinfacht und nur bei echter Unabhängigkeit aufteilt, spart Kosten, behält Fehler im Blick und kann später immer noch erweitern.
Häufige Fragen
Was ist ein Multi-Agenten-System?
Ein System, in dem mehrere KI-Agenten an einer Aufgabe arbeiten, meist gesteuert von einem koordinierenden Agenten. Jeder Agent hat einen eigenen Kontext, eigene Werkzeuge und eine eigene Anweisung. Die Agenten wissen voneinander nur, was sie sich ausdrücklich übergeben.
Wann reicht ein einzelner KI-Agent aus?
Immer dann, wenn er die Aufgabe an einer Stichprobe echter Fälle zuverlässig löst. Auch wenn er scheitert, helfen oft eine genauere Anweisung, weniger oder besser beschriebene Werkzeuge oder ein fester Ablaufschritt, bevor ein zweiter Agent nötig wird.
Sind mehrere KI-Agenten teurer als einer?
In der Regel ja, weil jeder Agent seine Anweisung, seine Werkzeuge und seinen Verlauf selbst liest. Anthropic berichtet für sein eigenes Recherchesystem von einem deutlich höheren Verbrauch als bei einem einzelnen Agenten. Die Aufteilung lohnt sich deshalb nur, wenn das Ergebnis entsprechend besser oder schneller wird.