Multi-Agenten-System: Wann sich mehrere KI-Agenten lohnen

Ein Multi-Agenten-System ist ein KI-System, in dem mehrere spezialisierte KI-Agenten mit eigenen Rollen, Werkzeugen und eigenem Kontext gemeinsam eine Aufgabe lösen, meist koordiniert von einem Orchestrator-Agenten. Im Unternehmen lohnt es sich vor allem dann, wenn eine Aufgabe sich sauber in unabhängige Teile zerlegen lässt, für einen einzelnen Agenten zu groß wird oder eine unabhängige Prüfinstanz braucht. Für die meisten Prozesse ist ein einzelner, gut gebauter Agent trotzdem der bessere Start, weil jeder zusätzliche Agent Kosten, Übergaben und Fehlerquellen mitbringt.

Das Thema ist gerade überall: Frameworks versprechen „Agenten-Teams“ per Konfiguration, Anbieter zeigen Demos, in denen fünf Agenten miteinander diskutieren. Wir bauen bei TAISC in Karlsruhe KI-Agenten für den Mittelstand und haben gelernt, dass die spannendste Frage nicht lautet, wie viele Agenten man einsetzen kann, sondern wie wenige man braucht. In diesem Beitrag erklären wir, wie Multi-Agenten-Systeme funktionieren, welche Architekturen sich bewährt haben, was sie kosten und woran Sie erkennen, ob Ihr Anwendungsfall eines braucht.

Was ist ein Multi-Agenten-System?

Ein einzelner KI-Agent arbeitet in einer Schleife: Er bekommt ein Ziel, plant den nächsten Schritt, ruft ein Werkzeug auf, wertet das Ergebnis aus und entscheidet erneut, bis die Aufgabe erledigt ist. Ein Multi-Agenten-System verteilt diese Arbeit auf mehrere Agenten. Jeder hat eine klar umrissene Rolle, etwa Recherche, Analyse, Texterstellung oder Prüfung, eigene Anweisungen und nur die Werkzeuge, die er für seine Rolle braucht.

Der wichtigste Unterschied ist der getrennte Kontext. Jeder Agent sieht nur das, was für seine Teilaufgabe relevant ist. Das hält die einzelnen Kontextfenster klein und fokussiert, erlaubt paralleles Arbeiten und macht es möglich, für einfache Teilaufgaben günstigere Modelle zu nutzen. Gleichzeitig entsteht genau hier das Hauptrisiko: An jeder Übergabe kann Information verloren gehen oder falsch verstanden werden.

Ein Multi-Agenten-System ist also kein „besserer Agent“, sondern eine Architekturentscheidung mit klaren Vor- und Nachteilen. Wenn Sie zuerst verstehen möchten, wie ein einzelner Agent aufgebaut wird, lesen Sie unseren Beitrag KI-Agent erstellen.

Wie arbeiten mehrere KI-Agenten zusammen?

In der Praxis haben sich wenige Grundmuster durchgesetzt. Fast jedes produktive System ist eine Variante oder Kombination davon.

Orchestrator und Worker

Ein zentraler Agent, der Orchestrator, nimmt die Aufgabe entgegen, zerlegt sie in Teilaufgaben und verteilt sie an spezialisierte Worker-Agenten. Die Worker arbeiten oft parallel, liefern ihre Ergebnisse zurück, und der Orchestrator führt zusammen, prüft und entscheidet über die nächsten Schritte. Das ist das verbreitetste Muster, etwa für breite Recherchen oder für die Verarbeitung vieler gleichartiger Vorgänge.

Sequenzielle Pipeline

Jeder Agent übernimmt einen festen Arbeitsschritt und übergibt an den nächsten, wie an einem Fließband: Gliederung, dann Inhalt, dann Formatierung, dann Prüfung. Die Reihenfolge ist vorgegeben, nicht vom Modell entschieden. Das macht Pipelines berechenbar, gut testbar und für viele Unternehmensprozesse zur ersten Wahl.

Prüfer-Schleife

Ein Agent erzeugt ein Ergebnis, ein zweiter bewertet es kritisch gegen definierte Kriterien und schickt es zurück, bis es passt. Der Prüfer hat bewusst einen anderen Auftrag und oft einen anderen Kontext als der Ersteller. Das reduziert blinde Flecken, ersetzt aber keine harten, deterministischen Prüfungen bei Zahlen und Fakten.

Agenten-Netzwerk

Mehrere gleichberechtigte Agenten kommunizieren direkt miteinander und verhandeln, wer was übernimmt. Das ist das Muster aus vielen Demos und Forschungsarbeiten. Für Unternehmensprozesse halten wir es selten für sinnvoll: Das Verhalten ist schwer vorherzusagen, schwer zu testen und schwer zu erklären, wenn etwas schiefgeht.

Multi-Agenten-Architekturen im Vergleich

Die Tabelle zeigt eine Tendenz, die wir in Projekten immer wieder sehen: Je mehr Entscheidungen über den Ablauf das Modell selbst trifft, desto höher sind Kosten und Fehlerrisiko. Je mehr Struktur der Code vorgibt, desto stabiler läuft das System. Gute Multi-Agenten-Systeme kombinieren deshalb meist eine feste Pipeline mit einzelnen agentischen Schritten, statt alles den Agenten zu überlassen.

Wann lohnt sich ein Multi-Agenten-System im Unternehmen?

Aus unserer Erfahrung gibt es vier Situationen, in denen sich mehrere Agenten wirklich auszahlen:

1. Die Aufgabe ist breit und parallelisierbar. Zehn Wettbewerber recherchieren, fünfzig Verträge auf bestimmte Klauseln prüfen, hundert Tickets vorsortieren: Wenn Teilaufgaben unabhängig voneinander sind, können Worker parallel arbeiten. Das spart Zeit und hält jeden einzelnen Kontext klein.
2. Der Kontext wird für einen Agenten zu groß. Ein Agent, der gleichzeitig Dokumente, Tabellen, Regeln und Zwischenergebnisse im Kopf behalten muss, wird ungenau. Spezialisierte Agenten mit schmalem Kontext liefern dann oft die verlässlicheren Ergebnisse.
3. Die Rollen verlangen sehr unterschiedliche Werkzeuge oder Rechte. Ein Agent, der nur lesen darf, und einer, der nach Freigabe schreiben darf, sind sicherer als ein Agent mit allen Rechten. Die Trennung ist hier auch eine Sicherheitsmaßnahme.
4. Ein unabhängiger Prüfer erhöht die Qualität messbar. Wenn Fehler teuer sind, kann ein separater Prüf-Agent mit eigenem Auftrag viel abfangen, idealerweise ergänzt um feste Regeln und eine menschliche Freigabe.

Umgekehrt ist ein Multi-Agenten-System meist die falsche Wahl, wenn der Prozess linear und gut beschreibbar ist, wenn die Schritte eng voneinander abhängen und ständig denselben Kontext brauchen oder wenn das Volumen klein ist. Dann erzeugen mehrere Agenten vor allem zusätzliche Übergaben, die geprüft werden müssen.

Dass diese Abwägung nicht nur unsere Meinung ist, zeigen zwei bekannte Stimmen aus der Branche. Anthropic berichtete im Juni 2025, dass sein Multi-Agenten-Recherchesystem bei breiten Rechercheaufgaben deutlich besser abschnitt als ein einzelner Agent, dabei aber rund 15-mal so viele Tokens verbrauchte wie ein normaler Chat. Fast zeitgleich warnte das Team hinter dem Coding-Agenten Devin öffentlich davor, Multi-Agenten-Systeme für eng verzahnte Aufgaben wie Softwareentwicklung zu bauen, weil parallel arbeitende Agenten widersprüchliche Annahmen treffen. Beide Aussagen passen zusammen: Breite, trennbare Aufgaben profitieren, eng verzahnte nicht.

Wie sieht ein Multi-Agenten-System in der Praxis aus?

Ein gutes Beispiel aus unserer Arbeit ist SkillDuck, das KI-Autorentool von i40. SkillDuck erzeugt aus hochgeladenen Dokumenten vollständige, didaktisch strukturierte E-Learning-Kurse und wurde 2025 mit dem eLearning Award in der Kategorie AI ausgezeichnet. Dahinter steht eine Multi-Agenten-Pipeline: Spezialisierte Agenten übernehmen Gliederung, Lernziele, Narrativ und die didaktische Befüllung der einzelnen Abschnitte. Eine RAG-Schicht liefert den Kontext aus den Dokumenten, Human-in-the-Loop-Schleifen sichern kritische Stellen ab.

Die Aufteilung ist hier sinnvoll, weil ein Kurs eine große, aber gut zerlegbare Aufgabe ist: Gliederung und Lernziele bilden das Gerüst, die einzelnen Kapitel lassen sich darauf aufbauend befüllen. Ein einzelner Agent müsste das gesamte Material, die Didaktik und alle Zwischenstände gleichzeitig im Blick behalten.

In einem dreiwöchigen Sprint haben wir die bestehende Pipeline analysiert und gezielt verbessert. Die zwei konkreten Schwachstellen waren Halluzinationen in den Kursinhalten und falsche Zeitschätzungen für die Kurse. Beides sind typische Multi-Agenten-Probleme: Wenn ein Agent eine ungenaue Annahme trifft, übernehmen die nachfolgenden Agenten sie und bauen darauf auf. Das Ziel der Überarbeitung war eine automatische 80-%-Lösung pro Kurs, die Autorinnen und Autoren nur noch prüfen und verfeinern.

Das Gegenbeispiel ist das automatisierte Portfolio-Reporting für RMEP. Auch hier gibt es spezialisierte Bausteine: vier Agent Skills für Vollständigkeit, Konsistenz, Bewertung und PDF-Erstellung. Statt frei miteinander kommunizierender Agenten läuft das aber als feste Pipeline, alle Berechnungen passieren in deterministischen Python-Tools, und ein hartes QA-Gate stoppt den Versand, sobald eine Summen- oder Konsistenzprüfung fehlschlägt. Bei Finanzzahlen wollten wir bewusst so wenig Modell-Freiheit wie möglich. Das Ergebnis: Der Monatsreport entsteht seit August 2026 automatisch, ein Mensch prüft und gibt frei, und die Kosten pro Report liegen nach unserer Schätzung bei rund einem Zehntel des vorherigen Aufwands.

Die Lehre aus beiden Projekten: Spezialisierung hilft fast immer, freie Agenten-Kommunikation nur selten. Die Struktur gehört in den Code, die Intelligenz in die einzelnen Schritte.

Was kostet ein Multi-Agenten-System?

Bei den Kosten gibt es zwei Ebenen: den Aufbau und den laufenden Betrieb.

Laufende Modellkosten. Mehrere Agenten bedeuten mehr Modellaufrufe. Jeder Agent bekommt seine Anweisungen, seinen Kontext und die Zwischenergebnisse der anderen. Wie oben erwähnt, kann der Tokenverbrauch gegenüber einem einfachen Chat um ein Vielfaches steigen. Gegensteuern lässt sich, indem ein starkes Modell plant und prüft, während günstigere Modelle die Teilaufgaben erledigen. Wie viel das bringt, zeigen wir mit veröffentlichten Benchmark-Zahlen im Beitrag zum Advisor- und Orchestrator-Pattern.

Aufbau und Tests. Nach unserer Schätzung braucht ein Prototyp mit zwei bis drei Agenten in einer festen Pipeline zwei bis vier Wochen, ein produktives System mit Orchestrator, Prüfschritten, Monitoring und Integration in bestehende Systeme eher zwei bis vier Monate. Der größte Posten ist dabei selten die Agentenlogik selbst, sondern die Evaluierung: Sie brauchen Testfälle für jeden Agenten und für das Zusammenspiel, sonst merken Sie Qualitätsverluste erst im Betrieb.

Betrieb. Dazu kommen Monitoring der Agentenläufe, Kostenkontrolle pro Lauf und die Pflege der Testfälle, wenn sich Modelle oder Prozesse ändern. Ein System, das niemand beobachtet, wird mit jedem Modell-Update ein bisschen unberechenbarer.

Eine Orientierung zur Rechnung: Ein Multi-Agenten-System lohnt sich, wenn der eingesparte manuelle Aufwand pro Vorgang deutlich über den zusätzlichen Modell- und Betriebskosten liegt. Bei hochvolumigen, wissensintensiven Vorgängen ist das schnell der Fall, bei seltenen Einzelaufgaben fast nie.

Welche Frameworks eignen sich für Multi-Agenten-Systeme?

Stand Oktober 2026 sind diese Werkzeuge in Projekten verbreitet:

• LangGraph für zustandsbasierte Abläufe mit klar definierten Übergängen. Gut, wenn Sie Pipelines und agentische Schritte mischen wollen.
• CrewAI für rollenbasierte Agenten-Teams mit wenig Code. Schnell für Prototypen, bei komplexen Abläufen braucht es mehr Kontrolle.
• Agent-SDKs der großen Anbieter, etwa von OpenAI, Anthropic und Microsoft. Sie bringen Sub-Agenten, Übergaben und Werkzeuganbindung direkt mit.
• n8n für Fälle, in denen Agenten in bestehende Workflows eingebettet werden sollen. Wo das an Grenzen stößt, beschreiben wir im Beitrag zu n8n im Unternehmen.

Für die Anbindung an Ihre Systeme hat sich das Model Context Protocol als Standard etabliert: Werkzeuge werden einmal als MCP-Server bereitgestellt und können dann von jedem Agenten genutzt werden, mit genau den Rechten, die seine Rolle braucht. Für die direkte Kommunikation zwischen Agenten verschiedener Anbieter gibt es mit Agent2Agent (A2A) einen offenen Standard, der in Unternehmensprojekten aus unserer Sicht aber noch selten nötig ist.

Unsere ehrliche Einschätzung: Das Framework entscheidet selten über Erfolg oder Misserfolg. Entscheidend sind ein klarer Zuschnitt der Rollen, Tests für jede Übergabe, Protokollierung jedes Agentenlaufs und feste Regeln dort, wo Fehler teuer sind.

Wie führen Sie ein Multi-Agenten-System sicher ein?

Wir empfehlen ein schrittweises Vorgehen, das bei einem Agenten beginnt und nur dann erweitert, wenn Messwerte es rechtfertigen:

1. Mit einem Agenten starten. Bauen Sie den Prozess zuerst mit einem gut ausgestatteten Agenten und messen Sie Qualität, Laufzeit und Kosten an echten Fällen.
2. Engpass identifizieren. Wo genau scheitert der einzelne Agent? Zu viel Kontext, zu langsam, zu viele Fehler bei einem bestimmten Schritt? Nur dieser Engpass rechtfertigt einen zweiten Agenten.
3. Gezielt aufteilen. Lagern Sie genau den Engpass in einen spezialisierten Agenten aus, mit eigenem Auftrag, eigenem Kontext und minimalen Rechten.
4. Übergaben absichern. Definieren Sie, in welchem Format Agenten Ergebnisse übergeben, und prüfen Sie diese Übergaben automatisch. Freitext zwischen Agenten ist die häufigste Fehlerquelle.
5. Menschliche Freigabe einbauen. Bei allem, was nach außen geht oder Daten verändert, entscheidet ein Mensch. Die Agenten bereiten vor, der Mensch gibt frei.
6. Kosten und Qualität dauerhaft beobachten. Jeder Lauf wird protokolliert, Ausreißer bei Kosten oder Qualität fallen sofort auf.

Wo Agenten personenbezogene Daten verarbeiten oder Entscheidungen über Menschen vorbereiten, gehören Datenschutz und die Einordnung nach dem EU AI Act von Anfang an in die Planung, nicht erst kurz vor dem Go-live.

Häufige Fragen

Was ist ein Multi-Agenten-System?

Ein Multi-Agenten-System ist ein KI-System, in dem mehrere spezialisierte KI-Agenten mit eigenen Rollen, Werkzeugen und eigenem Kontext gemeinsam eine Aufgabe lösen. Meist koordiniert ein Orchestrator-Agent die Arbeit und führt die Ergebnisse zusammen.

Was ist der Unterschied zwischen einem KI-Agenten und einem Multi-Agenten-System?

Ein einzelner KI-Agent plant und handelt allein in einer Schleife und hält den gesamten Kontext selbst. Ein Multi-Agenten-System verteilt die Arbeit auf mehrere Agenten mit getrenntem Kontext, die Teilergebnisse übergeben und aufeinander aufbauen. Das erlaubt Parallelität und Spezialisierung, bringt aber mehr Übergaben und höhere Kosten mit sich.

Welche Beispiele gibt es für Multi-Agenten-Systeme im Unternehmen?

Typische Beispiele sind breite Markt- und Wettbewerbsrecherchen mit parallel arbeitenden Recherche-Agenten, die Prüfung vieler Dokumente auf bestimmte Inhalte, die Erstellung umfangreicher Dokumente wie E-Learning-Kurse aus Gliederungs-, Inhalts- und Prüf-Agenten sowie Support-Prozesse, in denen ein Agent sortiert und spezialisierte Agenten antworten.

Sind Multi-Agenten-Systeme teurer als ein einzelner Agent?

In der Regel ja. Mehr Agenten bedeuten mehr Modellaufrufe, und der Tokenverbrauch kann sich gegenüber einem einfachen Chat vervielfachen. Gegensteuern lässt sich, indem ein starkes Modell plant und prüft, während günstigere Modelle die Teilaufgaben erledigen. Ob sich das rechnet, hängt vom eingesparten manuellen Aufwand pro Vorgang ab.

Mit welchen Frameworks baut man Multi-Agenten-Systeme?

Verbreitet sind LangGraph, CrewAI und die Agent-SDKs von Anbietern wie OpenAI, Anthropic und Microsoft. Für eingebettete Abläufe eignet sich auch n8n. Systeme werden meist per Model Context Protocol angebunden. Wichtiger als das Framework sind klare Rollen, getestete Übergaben und Monitoring.

Wann sollte man auf ein Multi-Agenten-System verzichten?

Wenn der Prozess linear ist, die Schritte eng voneinander abhängen, das Volumen klein ist oder ein einzelner Agent die Qualitätsziele bereits erreicht. Dann erzeugen weitere Agenten vor allem zusätzliche Kosten und Fehlerquellen. Wir empfehlen, immer mit einem Agenten zu starten und nur bei einem gemessenen Engpass aufzuteilen.

Sie fragen sich, ob Ihr Prozess einen Agenten oder ein ganzes Agenten-Team braucht? Wir schauen uns das gerne mit Ihnen an und sagen ehrlich, was sich lohnt. Einen Überblick über unsere Leistungen rund um KI-Agenten finden Sie auf der Seite Services, oder Sie buchen direkt ein unverbindliches Erstgespräch.