Was ist ein Orchestrator-Agent?
Was passiert, wenn eine Aufgabe für einen einzelnen KI-Agenten zu breit ist? Du stellst ihm ein Team zur Seite und einen Chef obendrauf. Dieser Chef ist der Orchestrator-Agent.
Anthropic beschreibt das Muster „Orchestrator-Workers“ so: Ein zentrales Sprachmodell zerlegt Aufgaben dynamisch, delegiert sie an Worker-Modelle und fasst deren Ergebnisse zusammen. Die Worker heißen meist Subagenten. Jeder arbeitet in seinem eigenen Kontext und liefert nur sein Ergebnis zurück.
Der entscheidende Punkt steht in einem Halbsatz: Das Muster passt für Aufgaben, bei denen man vorher nicht weiß, welche Teilaufgaben nötig sind. Der Orchestrator entscheidet das erst während der Arbeit.
So grenzt du ihn ab
Muster
Wer legt die Schritte fest?
Prompt Chaining
du, vorab
Router
KI, nur Weiterleitung
Orchestrator
KI, laufend
Ein Router ordnet eine Anfrage nur zu und reicht sie weiter. Er behält keine Gesamtverantwortung. Der Orchestrator plant, verteilt, prüft und setzt zusammen.
Auch ein n8n-Workflow mit festen Schritten ist kein Orchestrator-Agent. Anthropic trennt klar: Workflows folgen vorab festgelegten Pfaden, Agenten steuern ihren Ablauf selbst. Mischformen gibt es: In n8n kann ein Agent über den Knoten „AI Agent Tool“ andere Agenten als Werkzeug aufrufen.
Was bringt das und was kostet es?
Die bekanntesten Zahlen stammen von Anthropic selbst, aus internen Tests von 2025. Ein Rechercheteam aus Lead-Agent und Subagenten schnitt 90,2 % besser ab als ein einzelner Agent. Bei komplexen Fragen sank die Recherchezeit um bis zu 90 %, weil drei bis fünf Subagenten gleichzeitig suchten.
Die Rechnung hat eine Kehrseite. Agenten verbrauchen laut Anthropic rund viermal so viele Token wie ein Chat, Multi-Agenten-Systeme rund 15-mal so viele. Das lohnt sich nur bei Aufgaben, deren Ergebnis den Aufwand wert ist.
Und es lohnt sich nicht bei jeder Aufgabe. Eine Studie mit 260 Konfigurationen fand 2026 eine riesige Spanne: Bei einer gut zerlegbaren Finanzanalyse brachten mehrere Agenten +80,8 %, bei einer Planung mit strikter Reihenfolge −70 %. Die Studie ist ein Vorabdruck, noch nicht begutachtet.
Beispiele aus der Praxis
Case A · Recherche
Anthropics Research-System
+90,2 %
Leistung
≈ 15×
Token-Verbrauch
Lohnt sich bei breiten Fragen mit vielen unabhängigen Teilen
Interne Tests von Anthropic, 2025. Beispielaufgabe: die Vorstände aller IT-Firmen im S&P 500 finden.
Case B · Studie
Zerlegbar oder nicht?
+80,8 %
zerlegbare Analyse
−70 %
sequenzielle Planung
Die Aufgabe entscheidet, nicht die Zahl der Agenten
Kim et al., Vorabdruck 2026, 6 Benchmarks, 5 Architekturen, 3 Modellfamilien.
Im Marketing sähe das etwa so aus: Der Orchestrator bekommt „Analysiere die fünf größten Wettbewerber“. Er schickt fünf Subagenten los, je einen pro Wettbewerber, und baut aus den Berichten eine Vergleichstabelle. Für einen einzelnen Blogartikel wäre das Overkill.
Häufige Fehler
Fehler 1 · Mehr Agenten für besser halten
Anthropic berichtet, dass frühe Versionen ihres Systems für einfache Anfragen 50 Subagenten starteten. Ihre Faustregel heute: einfache Faktenfrage ein Agent, Vergleich zwei bis vier Subagenten, nur komplexe Recherche mehr als zehn.
Fehler 2 · Die Kosten unterschätzen
15-facher Token-Verbrauch heißt 15-fache Rechnung. Wer das im Prototyp nicht misst, erlebt die Überraschung im Monatsabschluss.
Fehler 3 · Zu dünne Übergaben
Bekommt ein Subagent nur einen Halbsatz als Auftrag, rät er den Rest. Die KI-Firma Cognition warnte 2025 genau davor: Zwei Subagenten lieferten Teile, die nicht zusammenpassten. Jeder Auftrag braucht Ziel, Format und Grenzen.
Fehler 4 · Ergebnisse ungeprüft durchreichen
Eine Studie der UC Berkeley wertete über 1.600 Abläufe aus sieben Multi-Agenten-Frameworks aus und fand 14 Fehlerarten. Eine der drei Hauptgruppen: fehlende Prüfung der Ergebnisse. Der Orchestrator muss kontrollieren, nicht nur einsammeln.
Brauchst du einen Orchestrator?
- Ja, wenn die Aufgabe breit ist und sich in unabhängige Teile zerlegen lässt.
- Nein, wenn die Schritte aufeinander aufbauen. Dann ist eine Prompt-Kette besser.
- Nein, wenn ein einzelner Agent mit guten Werkzeugen reicht.
- Werkzeuge: Claude Agent SDK und Claude Code mit Subagenten, OpenAI Agents SDK, Google ADK, n8n mit dem AI Agent Tool.
Häufige Fragen
Was ist der Unterschied zwischen Orchestrator-Agent und Subagent?
Der Orchestrator plant, verteilt und fasst zusammen. Ein Subagent erledigt eine abgegrenzte Teilaufgabe in seinem eigenen Kontext und meldet nur das Ergebnis zurück. Der eine leitet, der andere liefert.
Brauche ich als kleines Unternehmen einen Orchestrator-Agenten?
Meist nicht. Für die typischen Aufgaben im KMU-Marketing reichen ein einzelner Agent oder ein fester Workflow in n8n. Interessant wird das Muster bei breiten Recherchen, etwa Wettbewerbs- oder Marktanalysen mit vielen Quellen.
Warum ist ein Multi-Agenten-System so teuer?
Weil jeder Subagent eigene Sprachmodell-Aufrufe macht und eigene Werkzeuge nutzt. Anthropic misst rund 15-mal so viele Token wie bei einem normalen Chat. Das rechnet sich nur, wenn das Ergebnis entsprechend wertvoll ist.
Für welche Aufgaben lohnt sich das Orchestrator-Muster?
Für Aufgaben, die sich in unabhängige Teile zerlegen lassen, die parallel laufen können. Bei Aufgaben mit strikter Reihenfolge schadet es eher: In einer Studie verschlechterten mehrere Agenten eine sequenzielle Planung um 70 %.
Ist ein Orchestrator-Agent dasselbe wie ein Router?
Nein. Ein Router ordnet eine Anfrage nur zu und gibt sie an einen Spezialisten weiter. Der Orchestrator behält die Verantwortung für das Gesamtergebnis, verteilt mehrere Teilaufgaben und setzt die Antworten zusammen.