Was ist ein Multi-Agent-System?
Was passiert, wenn ein KI-Agent nicht allein arbeitet, sondern ein ganzes Team führt? Dann hast du ein Multi-Agent-System (MAS). Mehrere KI-Agenten teilen sich eine Aufgabe, jeder mit eigener Rolle und eigenem Arbeitsspeicher.
Der Begriff ist alt. In der Informatik bezeichnet er seit Jahrzehnten Systeme aus mehreren autonomen Agenten, die ohne zentrale Gesamtsicht zusammenwirken. Neu ist, dass die Agenten heute Sprachmodelle sind. Gartner beschreibt MAS als Sammlungen von KI-Agenten, die zusammenwirken, um einzelne oder gemeinsame komplexe Ziele zu erreichen.
Das häufigste Muster in der Praxis: Ein Orchestrator plant, zerlegt die Aufgabe und verteilt die Teile an Subagenten. Die arbeiten parallel und liefern ihre Ergebnisse zurück. Der Orchestrator führt alles zusammen.
Was es bringt — und was es kostet
Case A · Recherche
Anthropics Recherchesystem
+90,2 %
besser als ein Einzelagent
rund 15×
Tokens gegenüber einem Chat
Bessere Ergebnisse, deutlich mehr Verbrauch
Ein Lead-Agent startet 3 bis 5 Subagenten parallel. Interne Messung von Anthropic, 2025, keine unabhängige Prüfung.
Case B · Marketing-Analyse
Spezialisten je Datenquelle
149 von 208
Vergleichen gewonnen
0,86 $ statt 0,32 $
Kosten je Lauf
Bessere Antworten zum fast dreifachen Preis
Masterarbeit der Universität Uppsala 2026 mit 50 Marketing-Szenarien: Spezialisten-Team gegen zentralen Orchestrator. Dazu 85,6 statt 48,0 Sekunden je Lauf.
Laut Anthropic erklärt der Tokenverbrauch allein rund 80 % der Leistungsunterschiede in ihrem Test. Mehr Agenten heißt vor allem: mehr Rechenzeit für dieselbe Frage. Bei komplexen Recherchen sank die Zeit durch das parallele Arbeiten um bis zu 90 %.
Warum Multi-Agent-Systeme oft scheitern
Eine Studie der UC Berkeley wertete 2025 über 1.600 Abläufe aus sieben offenen Multi-Agent-Systemen aus. Die Fehlerquote lag je System zwischen 41 % und 86,7 %. Gewinne gegenüber einem Einzelagenten waren oft minimal.
- Schleifen: Agenten wiederholen Schritte (15,7 % der Fehler).
- Reden und Handeln passen nicht: Die Begründung sagt A, die Aktion macht B (13,2 %).
- Kein Ende: Ein Agent erkennt nicht, wann er fertig ist (12,4 %).
Das Gute: Ein zusätzlicher Prüfschritt, der das Gesamtziel kontrolliert, hob in der Studie die Erfolgsquote eines Systems um 15,6 %. Klarere Rollenbeschreibungen brachten 9,4 %.
Häufige Fehler
Fehler 1 · Mehr Agenten heißt besser
Anthropics frühe Version startete für einfache Fragen bis zu 50 Subagenten. OpenAI rät in seinem Leitfaden ausdrücklich: Erst einen einzelnen Agenten ausreizen, dann aufteilen.
Fehler 2 · Eng verzahnte Aufgaben aufteilen
Wenn Teilaufgaben stark voneinander abhängen, widersprechen sich Agenten, die den Kontext der anderen nicht sehen. Das Team von Cognition beschreibt das als Kernproblem. Breite, parallele Recherche passt gut, ein durchkomponierter Kampagnentext eher nicht.
Fehler 3 · Die Kosten nicht rechnen
Ein Agent verbraucht laut Anthropic rund viermal so viele Tokens wie ein Chat, ein MAS rund fünfzehnmal so viele. Rechne vorher aus, ob der Qualitätsgewinn den Preis wert ist.
Wann sich ein MAS im Marketing lohnt
- Ja: Wettbewerbsanalyse über viele Quellen, Recherche für einen Fachartikel, Auswertung mehrerer Kanäle parallel.
- Eher nein: Ein einzelner Newsletter, eine Landingpage, alles mit einem roten Faden.
- Werkzeuge: OpenAI Agents SDK, Microsoft Agent Framework, CrewAI oder n8n mit mehreren KI-Agent-Knoten.
Häufige Fragen
Was ist der Unterschied zwischen einem KI-Agenten und einem Multi-Agent-System?
Ein KI-Agent ist ein einzelnes Sprachmodell, das selbst über Schritte und Werkzeuge entscheidet. Ein Multi-Agent-System verbindet mehrere solcher Agenten, meist mit einem Orchestrator, der die Arbeit verteilt.
Wann reicht ein einzelner Agent?
Meistens. Vor allem, wenn die Aufgabe einen roten Faden hat und die Schritte stark voneinander abhängen. Ein MAS lohnt sich, wenn sich die Arbeit sauber in unabhängige Teile zerlegen lässt.
Wie teuer ist ein Multi-Agent-System?
Deutlich teurer als ein Chat. Anthropic beziffert den Verbrauch auf rund das 15-Fache eines Chats. In einer Marketing-Studie der Universität Uppsala kostete das Spezialisten-Team je Lauf fast das Dreifache.
Warum scheitern Multi-Agent-Systeme so oft?
Weil sich Fehler fortpflanzen. Agenten wiederholen Schritte, handeln gegen ihre eigene Begründung oder hören nicht auf. Eine Berkeley-Studie fand bei sieben offenen Systemen Fehlerquoten zwischen 41 und 86,7 %.
Kann ein kleines Unternehmen ein MAS nutzen?
Ja, viele nutzen es schon, ohne es so zu nennen: Recherche-Funktionen in Claude oder ChatGPT arbeiten mit mehreren Agenten. Selbst bauen lohnt sich erst, wenn eine wiederkehrende Aufgabe breit genug ist.
