Multi-Agent-Systeme: Wenn ein KI-Agent nicht mehr reicht
Ein Multi-Agent-System ist eine Architektur, in der ein Planning-Agent Aufgaben zerlegt und an spezialisierte Sub-Agenten verteilt.
Jeder Sub-Agent bringt sein eigenes Tool-Set und Fachwissen mit und arbeitet nach klar definierten Arbeitsanweisungen; Ergebnisse gibt er bei Bedarf an andere Sub-Agenten weiter, ähnlich wie in einer gut organisierten Abteilung statt bei einer Einzelperson, die alles allein stemmen muss. Ein einzelner KI-Agent ist dabei ein starkes Werkzeug, hat aber eine Grenze: Sie wird sichtbar, sobald Aufgaben komplexer werden, mehr Systeme eingebunden werden sollen oder mehrere spezialisierte Fähigkeiten gleichzeitig gefragt sind. Genau an diesem Punkt beginnt die nächste Architekturebene, die dieser Artikel erklärt.
Noch nicht vertraut mit KI-Agenten?
Warum scheitert ein KI-Agent, der zu viele Aufgaben übernehmen soll?
Presst man zu viele unterschiedliche Aufgaben in einen einzigen Agenten, sinkt die Qualität in jeder einzelnen Teilaufgabe spürbar.
Wer zum ersten Mal einen KI-Agenten baut, macht oft denselben Fehler: Der Agent soll recherchieren, kalkulieren, kommunizieren und dokumentieren: alles auf einmal. Das klingt effizient, ist es aber nicht. Das Sprachmodell im Kern hat einen begrenzten Kontext und eine begrenzte Planungstiefe, aber keine echte Spezialisierung. Je mehr Rollen ein einzelner Agent übernimmt, desto mehr Fehlerquellen entstehen und desto schwieriger wird es, Probleme zu debuggen oder die Qualität zu kontrollieren.
Der größte Fehler bei Agentic-Al Projekten ist, komplexe Workflows in einen einzigen Agenten zu pressen. Die richtige Antwort darauf ist Spezialisierung: Klar definierte Aufgaben, dedizierte Agenten - und ein übergeordnetes System, das sie koordiniert.
Was unterscheidet ein Multi-Agent-System von einem einzelnen KI-Agenten?
Ein KI-Agent löst eine Aufgabe mit einem Tool-Set. Ein Multi-Agent-System verteilt sie auf mehrere spezialisierte Agenten.
Der Unterschied liegt nicht in der Größe, sondern in der Struktur. Ein KI-Agent bleibt, egal wie viele Tools er anbindet, eine einzelne Entscheidungsinstanz mit einem gemeinsamen Kontext für alle Aufgaben. Ein Multi-Agent-System verteilt die Verantwortung auf mehrere Instanzen: Jeder Sub-Agent entscheidet in seinem eigenen Kontext, mit eigenem Tooling und einer klar abgegrenzten Zuständigkeit.
Wie arbeiten Planning-Agent und Sub-Agenten zusammen?
Ein zentraler Planning-Agent zerlegt die Anfrage in Teilschritte und ruft dafür die passenden Sub-Agenten mit deren spezifischem Tooling auf.
Technisch entsteht ein Multi-Agent-System erst in dem Moment, in dem ein Agent einen anderen Agenten aufrufen kann, nicht nur ein weiteres Tool. Man liest dafür teils den Begriff „rekursive Agenten“, technisch präziser ist der Begriff Sub-Agenten. Der Ablauf folgt einem festen Muster: Zentrales Planning, Aufgabenverteilung, Ausführung mit Rückmeldung und Zusammenführung der Teilergebnisse zu einer Gesamtantwort.
- Zentrales Planning: Der Planning-Agent nimmt die Anfrage entgegen, zerlegt sie in ihre Kernkomponenten und bestimmt, welche Sub-Agenten benötigt werden.
- Aufgabenverteilung: Jeder Sub-Agent erhält eine klar umrissene Teilaufgabe – inklusive der Tools und des Wissens, das er dafür braucht.
- Ausführung & Rückmeldung: Sub-Agenten arbeiten ihre Teilaufgabe ab und geben das Ergebnis an den Planning-Agenten oder direkt an den nächsten Sub-Agenten weiter.
- Zusammenführung: Der Planning-Agent führt die Teilergebnisse zu einer Gesamtantwort zusammen.
Wie verbreitet sind Multi-Agent-Systeme in Unternehmen aktuell?
Laut Capgemini planen über 80 Prozent von 1.100 befragten Unternehmensleitern die Einführung von Agentic AI in drei Jahren.
Die Nachfrage nach autonomen, mehrstufigen KI-Systemen wächst deutlich schneller als die technische Reife der meisten Organisationen. Laut einer Deloitte-Studie („State of Generative AI in the Enterprise“, Q4/2024, 2.772 befragte Führungskräfte aus 14 Ländern) äußern 62 % der deutschen Befragten gesteigertes Interesse an autonomen KI-Agenten, deutlich über dem weltweiten Schnitt. Gleichzeitig zeigt dieselbe Studie: Der organisatorische Wandel hinkt der Technologie hinterher, die Skalierung von Pilotprojekten bleibt für die meisten Unternehmen die zentrale Hürde. Multi-Agent-Systeme sind der logische nächste Schritt, sobald diese Pilotprojekte an die Grenzen eines einzelnen Agenten stoßen.
Wofür lohnt sich ein Multi-Agent-System?
Multi-Agent-Systeme lohnen sich vor allem bei internen, mehrstufigen Prozessen mit fachlich unterschiedlichen Teilaufgaben.
Der stärkste Fit ist aktuell intern, nicht extern. Externe Anwendungsfälle wie der Kundenservice sind meist bewusst schlank gehalten: schnelle, eindeutige Antworten auf begrenzte Fragestellungen. Genau das lösen einzelne, gut konfigurierte KI-Agenten bereits zuverlässig.
Interne Prozesse dagegen bringen häufig mehrere fachlich unterschiedliche Teilschritte mit, verteilt über verschiedene Systeme und Zuständigkeiten, der klassische Nährboden für ein Multi-Agent-System.
Interne Use Cases
- IT-Helpdesk mit Eskalationslogik: Ein Sub-Agent klassifiziert das Ticket, ein zweiter prüft Wissensdatenbank und bekannte Lösungen, ein dritter routet an das richtige Team oder eskaliert automatisch.
- Interne Wissensrecherche über mehrere Systeme: Ein Sub-Agent durchsucht Confluence, ein anderer SharePoint, ein dritter fasst die Treffer zusammen und ordnet sie nach Relevanz ein.
- HR-Prozesse mit mehreren Prüfschritten: Ein Sub-Agent prüft Anspruch und Policy, ein zweiter bereitet die Kommunikation vor, ein dritter aktualisiert das HR-System.
- Interne Produktbereiche bei Bestandskunden mit mehreren Sparten: Wo ein Unternehmen mehrere Produktlinien oder Abteilungen mit jeweils spezifischem Fachwissen abbildet, kann ein Multi-Agent-System diese Struktur eins zu eins spiegeln, statt sie in einem Agenten zu verwischen.
Multi-Agenten-System in der Baufinanzierungsberatung:Ein Orchestrator-Agent koordiniert drei spezialisierte Tools: Kundensuche im internen System, Kundenberaterzuordnung und E-Mail-Versand. Der Berater sucht, kopiert und formuliert zu keinem Zeitpunkt selbst, behält aber die volle Kontrolle, weil der Versand über einen Human-in-the-Loop-Checkpoint läuft.
Externe Use Cases
Im direkten Kundenkontakt lohnt sich der Schritt vor allem dort, wo eine Anfrage mehrere fachlich getrennte Prüfungen auslöst, etwa eine Anfrage, die sowohl eine Verfügbarkeitsprüfung als auch eine individuelle Risikoeinschätzung braucht. Für die überwiegende Mehrheit der Support-Anfragen bleibt ein einzelner, gut spezialisierter KI-Agent die richtige und wirtschaftlichere Wahl.
Welche Risiken hat ein Multi-Agent-System?
Die größten Risiken eines Multi-Agent-Systems sind Fehlerfortpflanzung zwischen Agenten und fehlende menschliche Kontrollpunkte.
Fehlerfortpflanzung zwischen Agenten
Übernimmt ein Sub-Agent eine fehlerhafte Zwischenannahme, reicht er sie unter Umständen unbemerkt an den nächsten Agenten weiter: der Fehler wandert durchs System, statt an einer Stelle sichtbar zu werden. Ein falsch qualifiziertes Zwischenergebnis in Schritt 2 beeinflusst so alle nachgelagerten Entscheidungen. Je mehr Übergaben ein Prozess hat, desto wichtiger werden klare Validierungspunkte zwischen den einzelnen Schritten.
Human-in-the-Loop-Checkpoints
Genau wie beim einzelnen KI-Agenten gilt: Autonomie braucht Kontrolle. Kritische Übergaben, etwa bevor ein Ergebnis final an ein System oder eine Person geht, sollten definierte Prüfpunkte durchlaufen, an denen ein Mensch eingreifen kann, statt dass das System vollautomatisch bis zum Ende durchläuft. Ein professionelles System legt vorab fest, bei welchen Aktionen diese Freigabe verpflichtend ist und bei welchen der Agent selbstständig handeln darf.
Wie gelingt der Einstieg mit einem Multi-Agent-System?
Der Einstieg gelingt mit zwei klar abgegrenzten Sub-Agenten und einem festen Human-in-the-Loop-Checkpoint, bevor das System skaliert wird.
Der häufigste Einstiegsfehler ist die Größe: ein System mit fünf oder mehr Sub-Agenten von Beginn an. Besser ist ein kleiner, vollständig kontrollierter erster Schritt: einen bestehenden, mehrstufigen Prozess identifizieren, ihn in zwei bis drei klar abgegrenzte Teilaufgaben zerlegen und jede davon einem eigenen Sub-Agenten mit eigenem Tooling zuweisen. Ein fester Human-in-the-Loop-Checkpoint vor der kritischsten Übergabe gehört von Anfang an dazu, nicht erst, wenn im Betrieb etwas schiefläuft.
Multi-Agent-Systeme für dein Unternehmen prüfen?
In 20 Minuten zeigen wir dir, ob sich der Schritt für eure Prozesse lohnt — kostenlos und unverbindlich.
Häufig gestellte Fragen zu diesem Beitrag
Ein KI-Agent mit mehreren Tools bleibt eine einzelne Entscheidungsinstanz: er wählt selbst, welches Tool er wann nutzt, bleibt aber in einem gemeinsamen Kontext. Ein Multi-Agent-System besteht dagegen aus mehreren eigenständigen Agenten, die jeweils in ihrem eigenen Kontext arbeiten, auf unterschiedliches Wissen zugreifen und sich gegenseitig Aufgaben zuweisen können.
Sub-Agenten sind spezialisierte KI-Agenten, die von einem zentralen Planning-Agenten für eine klar umrissene Teilaufgabe aufgerufen werden, zum Beispiel Recherche, Risikoprüfung oder Dokumentenanalyse. Sie greifen dafür auf ihr eigenes Tooling und ihre eigene Wissensbasis zurück und geben das Ergebnis an den Planning-Agenten oder an den nächsten Sub-Agenten weiter.
Nein. Für klar begrenzte, einstufige Aufgaben ist ein einzelner, gut konfigurierter KI-Agent meist die wirtschaftlichere Lösung. Ein Multi-Agent-System lohnt sich erst, wenn ein Prozess mehrere fachlich unterschiedliche Teilschritte über verschiedene Systeme hinweg umfasst: das betrifft aktuell vor allem interne Prozesse.
Agentic Orchestration beschreibt die Koordinationsebene, die ein Multi-Agent-System erst funktionsfähig macht: die Logik, nach der ein Planning-Agent entscheidet, welcher Sub-Agent wann welche Teilaufgabe übernimmt und wie die Ergebnisse zusammengeführt werden.
Ja, wenn jeder Sub-Agent von Anfang an nur auf die Daten zugreift, die er für seine konkrete Teilaufgabe braucht, und kritische Übergaben über Human-in-the-Loop-Checkpoints laufen. DSGVO-Konformität ist auch bei Multi-Agent-Systemen kein nachträglicher Zusatz, sondern Teil des Architekturkonzepts.
Markus verbindet mathematische Präzision mit praxisnaher KI-Strategie für regulierte Branchen.
Mitentwickler des S-KIPilots – dem KI-Assistenten der Sparkassen
Heute unterstützt der S-KIPilot über 200.000 Mitarbeitende der Sparkassen-Finanzgruppe im Arbeitsalltag – Markus hat ihn von der Konzeption bis zum produktiven Einsatz mitentwickelt.
Mathematiker mit Blick fürs Machbare
Als Mathematiker und Informatiker übersetzt Markus komplexe KI-Architekturen in Lösungen, die im Alltag regulierter Unternehmen funktionieren.
Tänzer mit Taktgefühl
Wenn er nicht gerade an KI-Architekturen tüftelt, sucht Markus den Ausgleich mit seiner Frau auf dem Tanzparkett.
Web Computing GmbH
Ein Unternehmen der Sparkassen-Finanzgruppe
Wilhelm-Schickard-Straße 10
48149 Münster
