Was ist ein Multi-Agenten-System?

Ein Multi-Agenten-System ist ein Aufbau, in dem mehrere KI-Agenten mit jeweils eigener Aufgabe, eigenen Werkzeugen und eigenen Befugnissen zusammenarbeiten, um ein gemeinsames Ergebnis zu erzielen. Ein Agent liest zum Beispiel Anfragen, ein zweiter kalkuliert, ein dritter prüft. Koordiniert wird das über festgelegte Regeln oder einen steuernden Agenten.

Die Idee klingt nach Zukunftsmusik, ist aber im Kern eine sehr alte Organisationsweisheit: Wer eine komplexe Aufgabe in Rollen aufteilt, bekommt bessere Ergebnisse als mit einem Alleskönner. Dieser Artikel zeigt, wann das für KI gilt – und wann ein einzelner Agent die bessere Wahl ist.

Die Grundidee: Arbeitsteilung wie im Team

Ein einzelner KI-Agent kann viel, aber je mehr Aufgaben, Werkzeuge und Regeln er gleichzeitig beachten muss, desto häufiger verzettelt er sich. Seine Anweisungen werden lang, widersprüchlich und schwer zu testen.

Im Multi-Agenten-System bekommt jeder Agent eine schmale Rolle mit klaren Grenzen. Der Agent für die Kalkulation darf auf Preislisten zugreifen, aber keine E-Mails versenden. Der Agent für die Korrespondenz formuliert, rechnet aber nicht. So lässt sich jede Rolle einzeln prüfen, verbessern und bei Bedarf austauschen – ähnlich wie Stellen in einer Abteilung.

Drei Bauformen in der Praxis

In echten Projekten mischen sich die Formen. Häufig ist ein Fließband, an dessen Ende ein Prüfagent und danach ein Mensch steht.

Wie Agenten miteinander sprechen

Agenten tauschen Nachrichten aus, meist in strukturierter Form: Auftrag, Eingangsdaten, Ergebnis, Status. Wichtig ist, dass jede Übergabe protokolliert wird, damit sich später nachvollziehen lässt, welcher Agent was entschieden hat.

Für den Zugriff auf Werkzeuge und Datenquellen hat sich das Model Context Protocol als offener Standard etabliert. Für die Verständigung zwischen Agenten verschiedener Hersteller gibt es mit Agent2Agent (A2A) einen weiteren offenen Ansatz. Für ein mittelständisches Unternehmen sind diese Details zweitrangig; es kommt darauf an, dass Übergaben eindeutig definiert und nachvollziehbar sind.

Beispiele aus dem Mittelstand

• Angebotserstellung im Anlagenbau: Ein Agent liest die Anfrage und extrahiert Anforderungen, ein zweiter sucht passende Komponenten und Preise, ein dritter schreibt den Angebotsentwurf, ein vierter prüft ihn gegen die Checkliste des Vertriebs. Der Vertriebsleiter gibt frei.
• Eingangsrechnungen: Erfassen, Abgleich mit Bestellung und Wareneingang, Kontierungsvorschlag – drei Rollen, die nacheinander arbeiten. Abweichungen landen bei der Buchhaltung.
• Kundenservice: Ein Agent ordnet Anfragen ein, ein spezialisierter Agent beantwortet Lieferfragen, ein anderer Reklamationen. Alles, was nicht eindeutig ist, geht an einen Menschen.

Weitere Szenarien sammelt der Beitrag KI-Agenten im Mittelstand: Beispiele.

Ein Agent, mehrere Agenten oder ein Workflow?

Die ehrliche Antwort: Viele Aufgaben brauchen kein Multi-Agenten-System. Folgt ein Ablauf festen Regeln, ist ein klassischer Workflow billiger und verlässlicher. Ist die Aufgabe überschaubar, genügt ein einzelner Agent mit wenigen Werkzeugen.

Mehrere Agenten lohnen sich, wenn die Aufgabe klar trennbare Teilschritte mit unterschiedlichen Werkzeugen und Befugnissen hat, wenn Qualität durch gegenseitige Prüfung steigt oder wenn einzelne Rollen unabhängig voneinander weiterentwickelt werden sollen. Der Oberbegriff für diese Art, KI selbstständig Schritte planen zu lassen, ist Agentic AI.

Risiken und typische Fehler

• Fehler pflanzen sich fort. Liest der erste Agent eine Menge falsch, rechnen alle folgenden mit dem falschen Wert weiter. Prüfpunkte zwischen den Stufen sind deshalb Pflicht.
• Kosten steigen. Jeder Agent verbraucht Rechenleistung. Agenten, die sich gegenseitig endlos Rückfragen stellen, treiben die Kosten, ohne das Ergebnis zu verbessern.
• Unklare Verantwortung. Wenn nicht festgelegt ist, welcher Agent was darf, entstehen Lücken oder doppelte Aktionen.
• Schwierige Fehlersuche. Ohne lückenloses Protokoll ist kaum nachvollziehbar, wo ein Ergebnis schiefgelaufen ist.
• Zu viele Agenten. Jede zusätzliche Rolle ist eine zusätzliche Übergabe. Starten Sie mit so wenigen wie möglich.

Über allem steht die menschliche Kontrolle: Aktionen mit Außenwirkung gibt ein Mensch frei, bis sich das System bewährt hat – das Prinzip Human in the Loop.

In der Praxis: klare Stellen statt Schwarm

Unsere KI-Mitarbeiter sind im Kern ein Multi-Agenten-Ansatz mit Ordnung: Jeder Agent hat eine Stellenbeschreibung, ein messbares Hauptergebnis und schriftliche Grenzen. Wie viel er ohne Rückfrage erledigt, legen Sie fest. Wo zuerst ein fester Ablauf gebaut werden sollte, bevor Agenten sinnvoll sind, übernimmt das die Prozessautomatisierung.

Häufige Fragen

Was ist ein Multi-Agenten-System einfach erklärt?

Mehrere KI-Programme, die sich eine Aufgabe teilen wie Kollegen in einem Team: Jeder hat seine Rolle, und das Ergebnis entsteht aus der Zusammenarbeit.

Wie viele Agenten braucht ein System?

So wenige wie möglich. In vielen Projekten reichen zwei bis vier Rollen. Mehr Agenten bedeuten mehr Übergaben, mehr Kosten und mehr mögliche Fehlerquellen.

Arbeiten Multi-Agenten-Systeme ohne Menschen?

Das sollten sie im Unternehmen nicht. Sinnvoll ist ein Aufbau, in dem Agenten Routine erledigen und Menschen Entscheidungen mit Folgen treffen und das System überwachen.

Welche Software braucht man dafür?

Es gibt Frameworks für die Programmierung und Plattformen mit grafischer Oberfläche. Wichtiger als das Werkzeug sind saubere Rollen, Zugriffsrechte und ein vollständiges Protokoll.