RatgeberAutomatisierung

Multi-Agenten-Systeme im Einsatz: Wie mehrere KI-Agenten zusammenarbeiten – einfach erklärt

Ein Multi-Agenten-System ist ein Team aus spezialisierten KI-Agenten: Einer ordnet ein, andere erledigen Teilaufgaben, ein weiterer prüft das Ergebnis. Das bringt bei komplexen Aufgaben mehr Qualität und Tempo, kostet aber laut Anthropic rund 15-mal so viele Tokens wie ein einfacher Chat. Dieser Beitrag erklärt die wichtigsten Muster, zeigt Beispiele aus dem Alltag und sagt, wann sich der Aufwand lohnt.

Sandro Griesing · Gründer GrisaKI · veröffentlicht · aktualisiert · 12 Min. Lesezeit

Das Wichtigste in 30 Sekunden

  • Einzelagent oder Team: Ein KI-Agent erledigt eine Aufgabe selbstständig. Ein Multi-Agenten-System verteilt sie auf mehrere Agenten mit klaren Rollen – wie ein kleines Team mit Teamleitung.
  • Fünf Grundmuster: Kette, Weiche (Router), Parallelarbeit, Teamleiter mit Helfern und Prüfer-Schleife. Dazu kommt die Übergabe an einen Fachagenten.
  • Noch am Anfang: Laut Bitkom setzen 11 Prozent der Unternehmen, die sich mit KI befassen, bereits KI-Agenten ein, 29 Prozent planen es.
  • Größte Risiken: hohe Kosten, unklare Aufträge, schlechte Abstimmung zwischen den Agenten und fehlende Prüfung. Klein anfangen und den Menschen in der Schleife lassen.

Was ist ein Multi-Agenten-System?

Ein KI-Agent bekommt ein Ziel statt einer festen Schrittfolge. Er plant selbst, welche Schritte und Werkzeuge er braucht, prüft nach jedem Schritt das Ergebnis und hört auf, wenn das Ziel erreicht ist oder er nicht weiterkommt. Was ein einzelner Agent genau ist und wie man einen baut, steht im Ratgeber KI-Agent erstellen.

Ein Multi-Agenten-System verteilt eine Aufgabe auf mehrere solcher Agenten. Ein Bild dafür: Statt eines Allrounders, der alles allein macht, arbeitet ein kleines Team. Eine Teamleitung verteilt die Arbeit, Fachleute erledigen ihre Teile, jemand prüft das Ergebnis, bevor es rausgeht.

AnsatzWie er arbeitetPasst für
Fester Ablauf (Workflow)KI und Werkzeuge laufen über vorher festgelegte Schrittewiederkehrende Aufgaben mit klarem Ablauf
Einzelner KI-Agentein Modell entscheidet selbst über Schritte und Werkzeugeüberschaubare Aufgaben mit wechselnden Fällen
Multi-Agenten-Systemmehrere spezialisierte Agenten teilen sich Aufgabe und Kontrollekomplexe, teilbare Aufgaben mit hohem Qualitätsanspruch
Einordnung nach Anthropic, „Building effective agents“ (19.12.2024).

Die wichtigsten Muster – einfach erklärt

Das KI-Unternehmen Anthropic hat die gängigen Bauformen beschrieben. Fast jedes System in der Praxis setzt sich aus diesen Bausteinen zusammen:

1. Kette (Pipeline)

Die Aufgabe wird in feste Schritte zerlegt, die nacheinander ablaufen – etwa erst auslesen, dann zusammenfassen, dann übersetzen. Zwischen den Schritten können Prüfungen stehen. Ergebnis: genauer, aber etwas langsamer.

2. Weiche (Router)

Ein erster Agent ordnet den Eingang ein und schickt ihn an den passenden Spezialisten. Einfache Fragen können dabei an ein kleineres, günstigeres Modell gehen.

3. Parallelarbeit

Mehrere Agenten arbeiten gleichzeitig – entweder an verschiedenen Teilaufgaben oder an derselben Aufgabe, deren Ergebnisse dann verglichen werden.

4. Teamleiter mit Helfern (Orchestrator)

Ein leitender Agent zerlegt die Aufgabe erst bei der Arbeit, verteilt die Teile an Helfer-Agenten und fügt die Ergebnisse zusammen. Das ist das klassische Multi-Agenten-System.

5. Prüfer-Schleife

Ein Agent erstellt, ein anderer bewertet nach festen Regeln und gibt Rückmeldung – so lange, bis das Ergebnis passt oder abgebrochen wird.

Dazu: die Übergabe (Hand-off)

Ein Agent gibt das ganze Gespräch an einen Fachagenten weiter. OpenAI zeigt das in seiner Dokumentation am Kundenservice: ein Agent für den Bestellstatus, einer für Erstattungen, einer für allgemeine Fragen.

Anthropics wichtigste Empfehlung: die einfachste Lösung wählen, die funktioniert, und Komplexität nur dann einbauen, wenn sie messbar etwas bringt. Viele Aufgaben brauchen gar kein Multi-Agenten-System.

Beispiele aus dem Alltag

Belegt: Recherche mit Teamleiter und Helfern

Anthropic hat sein eigenes Recherche-System offengelegt: Ein leitender Agent plant, mehrere Helfer-Agenten suchen parallel, ein eigener Agent ordnet am Ende die Quellen zu. In Anthropics interner Auswertung war das um 90,2 Prozent besser als ein einzelner Agent, und bei komplexen Fragen ging die Recherche bis zu 90 Prozent schneller. Der Preis: Agenten verbrauchen etwa 4-mal so viele Tokens wie ein Chat, Multi-Agenten-Systeme etwa 15-mal so viele.

Die folgenden drei Abläufe sind typische Beispiele, wie Multi-Agenten-Systeme im Mittelstand aussehen können:

Kundenservice

Weiche → Fachagent → PrüferEin Eingangs-Agent erkennt, ob es um eine Bestellung, eine Reklamation oder eine allgemeine Frage geht, und gibt an den passenden Fachagenten. Bevor die Antwort rausgeht, gleicht ein Prüfer-Agent sie mit Preisliste und Regeln ab. Ist er unsicher, landet der Fall beim Menschen.

Recruiting

Kette mit Mensch am EndeAgent 1 liest Lebenslauf und Zeugnisse aus, Agent 2 gleicht sie mit den Pflicht-Anforderungen der Stelle ab, Agent 3 schreibt eine Rückfrage zu fehlenden Angaben. Über Einladung oder Absage entscheidet ein Mensch.

Rechnungseingang

Kette mit AbgleichEin Agent erfasst die Rechnung, ein zweiter prüft sie gegen Bestellung und Lieferschein, ein dritter schlägt die Buchung vor. Doppelte Rechnungen oder Preisabweichungen werden markiert, die Freigabe bleibt beim Menschen.

Hinweis: Wer KI zur Auswahl von Bewerbern einsetzt, bewegt sich nach der EU-KI-Verordnung im Hochrisiko-Bereich. Die besonderen Pflichten dafür gelten nach dem Aufschub durch den „AI Omnibus“ ab dem 02.12.2027.

Wo Unternehmen heute stehen

  • Deutschland: Laut Bitkom (September 2026, 603 Unternehmen ab 20 Beschäftigten) nutzen inzwischen 57 Prozent der Unternehmen KI. Von den Unternehmen, die KI nutzen, planen oder diskutieren, setzen 11 Prozent bereits KI-Agenten ein, 29 Prozent planen das.
  • International: In der McKinsey-Studie „The state of AI in 2025“ skalieren 23 Prozent der Befragten ein agentisches KI-System irgendwo im Unternehmen, weitere 39 Prozent experimentieren damit.
  • Steuerung fehlt oft: Laut Deloitte (Januar 2026) hat nur gut ein Fünftel der Unternehmen, die Agenten planen, ein ausgereiftes Steuerungsmodell dafür.
  • Warnung: Das Marktforschungsunternehmen Gartner erwartet, dass über 40 Prozent der Agenten-Projekte bis Ende 2027 eingestellt werden – wegen steigender Kosten, unklarem Nutzen oder fehlender Risikokontrolle. Viele Anbieter würden zudem einfache Chatbots als „Agenten“ umetikettieren.

Standards und Werkzeuge im Herbst 2026

Damit Agenten zusammenarbeiten können, haben sich zwei offene Standards durchgesetzt:

Standard / WerkzeugWofürStand
Model Context Protocol (MCP)verbindet Agenten mit Werkzeugen und Datenaktuelle Fassung vom 28.07.2026, seit Dezember 2025 bei der Agentic AI Foundation der Linux Foundation
Agent2Agent (A2A)Agenten verschiedener Anbieter sprechen miteinanderseit Juni 2025 bei der Linux Foundation, laut ihr über 150 Organisationen dabei (April 2026)
OpenAI Agents SDKAgenten mit Übergaben, Leitplanken und Nachverfolgung bauenNachfolger der Testbibliothek Swarm
Microsoft Agent FrameworkAgenten in .NET und PythonVersion 1.0 seit 03.04.2026, vereint AutoGen und Semantic Kernel
LangGraphsteuerbare, lang laufende Agenten-AbläufeVersion 1.0 seit Oktober 2025
Quellen: modelcontextprotocol.io, Linux Foundation, OpenAI, Microsoft, LangChain; abgerufen am 29.10.2026.

Was MCP genau ist, erklärt das Glossar unter Model Context Protocol. Für den Einstieg braucht ein Mittelständler keines dieser Werkzeuge selbst – wichtig ist nur, dass ein System offene Schnittstellen hat und nicht in einer Insel endet.

Risiken und Grenzen

Mehr Agenten bedeuten nicht automatisch bessere Ergebnisse. Eine Studie der UC Berkeley („Why Do Multi-Agent LLM Systems Fail?“) hat über 1.600 Abläufe in sieben Agenten-Werkzeugen ausgewertet. Die Fehler lagen vor allem im Aufbau des Systems, nicht im KI-Modell:

Unklare Vorgaben41,8 %Aufgabe oder Rolle schlecht beschrieben

Schlechte Abstimmung36,9 %Agenten arbeiten an- statt miteinander

Fehlende Prüfung21,3 %niemand kontrolliert das Ergebnis

  • Kosten: Jeder weitere Agent liest und schreibt Text. Bei Anthropic lag der Verbrauch beim 15-Fachen eines Chats.
  • Endlosschleifen: Anthropic berichtet von frühen Fehlern wie 50 Helfer-Agenten für eine einfache Frage oder endloser Suche nach Quellen, die es nicht gibt. Dagegen helfen Abbruchbedingungen und eine Höchstzahl an Schritten.
  • Widersprüche: Parallel arbeitende Agenten sehen die Entscheidungen der anderen oft nicht. Das Softwareunternehmen Cognition rät deshalb, den Kontext vollständig zu teilen und lieber einfach zu bauen.
  • Sicherheit: Liest ein Agent eine manipulierte E-Mail oder Webseite, kann er versteckte Anweisungen an andere Agenten weitergeben („Prompt Injection“). Fremde Inhalte müssen immer als Daten behandelt werden, nie als Befehl, und Agenten bekommen nur die Rechte, die sie wirklich brauchen.
  • Transparenz: Seit dem 02.08.2026 gilt Art. 50 der EU-KI-Verordnung. Wer mit einer KI spricht, muss das erkennen können – auch dann, wenn im Hintergrund mehrere Agenten arbeiten.

So starten Sie richtig

  • Mit einem klar umrissenen Ablauf anfangen, der heute viel Handarbeit kostet.
  • Erst prüfen, ob ein fester Ablauf oder ein einzelner Agent reicht. Mehr Agenten nur, wenn es messbar besser wird.
  • Jede Rolle schriftlich beschreiben: Was soll der Agent tun, was darf er nie, wann gibt er ab?
  • Eine Prüfstufe einbauen – als Prüfer-Agent oder als Mensch. In der Berkeley-Studie brachte ein zusätzlicher Prüfschritt rund 15 Prozentpunkte mehr Korrektheit.
  • Alles protokollieren: wer wann was entschieden hat. Nur so lassen sich Fehler finden.
  • Kosten je Vorgang messen, bevor Sie ausweiten.

So arbeiten Agenten bei GrisaKI zusammen

In GrisaKI arbeiten mehrere spezialisierte Bausteine Hand in Hand – nach genau den Mustern oben, aber fertig eingerichtet und mit festen Grenzen:

  • Weiche im Postfach: Der E-Mail-Assistent sortiert Spam, Newsletter und Bewerbungen vorab aus und gibt jedes Anliegen in den Ablauf, den Sie dafür festgelegt haben – Entwurf, automatische Antwort, Weiterleitung oder Lead.
  • Übergabe zwischen Kanälen: Kommt eine Bewerbung über Web-Chat, WhatsApp oder Telefon, übernimmt der Recruiting-Baustein: Er gleicht die Unterlagen mit den Anforderungen der Stelle ab und fragt Fehlendes nach. Über Einladung oder Absage entscheidet Ihr Team.
  • Prüfer-Schleife: Bevor der Social-Redakteur auf einen Kommentar antwortet, prüft er, ob das Unternehmen überhaupt gemeint ist. Antworten mit leeren Zusagen wie „wir leiten das weiter“ werden verworfen und neu formuliert – sonst geht nichts raus.
  • Vom Anruf zur Aufgabe: Der Telefon-Agent nimmt das Anliegen auf und legt auf Wunsch eine Aufgabe im Projektwerkzeug awork an.

Wie diese Agenten im Alltag aussehen und was jeweils beim Menschen bleibt, zeigt unsere Seite KI-Agenten für Unternehmen.

Häufige Fragen

Was ist ein Multi-Agenten-System?

Ein Multi-Agenten-System verteilt eine Aufgabe auf mehrere KI-Agenten mit eigenen Rollen. Typisch ist ein leitender Agent, der die Arbeit verteilt, dazu Fachagenten für Teilaufgaben und ein Prüfer, der das Ergebnis kontrolliert.

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

Ein einzelner KI-Agent plant und erledigt eine Aufgabe allein. Ein Multi-Agenten-System teilt die Aufgabe auf mehrere spezialisierte Agenten auf, die sich abstimmen. Das lohnt sich vor allem bei komplexen, gut teilbaren Aufgaben.

Welche Muster gibt es für Multi-Agenten-Systeme?

Die wichtigsten sind die Kette mit festen Schritten, die Weiche, die an Spezialisten verteilt, die Parallelarbeit, der Teamleiter mit Helfern und die Prüfer-Schleife. Dazu kommt die Übergabe eines Gesprächs an einen Fachagenten.

Was kostet ein Multi-Agenten-System?

Die laufenden Kosten hängen vor allem vom Textverbrauch ab. Laut Anthropic verbrauchen Multi-Agenten-Systeme etwa 15-mal so viele Tokens wie ein einfacher Chat. Deshalb sollten Sie die Kosten je Vorgang messen, bevor Sie ausweiten.

Wann lohnt sich ein Multi-Agenten-System nicht?

Wenn eine Aufgabe einfach ist, alle Schritte stark voneinander abhängen oder ein fester Ablauf genügt. Anthropic empfiehlt, immer die einfachste funktionierende Lösung zu wählen und Komplexität nur bei messbarem Nutzen einzubauen.

Wie sicher sind KI-Agenten?

So sicher wie ihr Aufbau. Agenten sollten nur die Rechte bekommen, die sie brauchen, fremde Inhalte als Daten statt als Befehl behandeln und bei wichtigen Entscheidungen an einen Menschen übergeben. Jeder Schritt sollte protokolliert werden.

Über den Autor

Sandro Griesing

Gründer von GrisaKI und Geschäftsführer der new face Media GmbH in Sangerhausen

Sandro Griesing hat über zehn Jahre Erfahrung in der Betreuung mittelständischer Unternehmen – in Softwareentwicklung, Unternehmensberatung und Unternehmensentwicklung. Mit GrisaKI hat er eine intuitive SaaS-Software entwickelt, mit der Unternehmen ihre Prozesse einfach und schnell automatisieren.

Mehr über GrisaKI

Quellen

  1. Anthropic: Building effective agents (englisch, 19.12.2024), abgerufen am 29.10.2026
  2. Anthropic: How we built our multi-agent research system (englisch, 13.06.2025), abgerufen am 29.10.2026
  3. Cognition: Don’t Build Multi-Agents (englisch, 12.06.2025), abgerufen am 29.10.2026
  4. OpenAI: Agents SDK – Handoffs (englisch), abgerufen am 29.10.2026
  5. Model Context Protocol: Versioning (englisch), abgerufen am 29.10.2026
  6. Linux Foundation: Formation of the Agentic AI Foundation (englisch, 09.12.2025), abgerufen am 29.10.2026
  7. Linux Foundation: A2A Protocol surpasses 150 organizations (englisch, 09.04.2026), abgerufen am 29.10.2026
  8. Microsoft: Microsoft Agent Framework Version 1.0 (englisch, 03.04.2026), abgerufen am 29.10.2026
  9. LangChain: LangChain & LangGraph 1.0 (englisch), abgerufen am 29.10.2026
  10. Bitkom: Erstmals nutzt die Mehrheit der Unternehmen KI (14.09.2026), abgerufen am 29.10.2026
  11. McKinsey: The state of AI in 2025 (englisch), abgerufen am 29.10.2026
  12. Deloitte: State of AI in the Enterprise 2026 (englisch, 21.01.2026), abgerufen am 29.10.2026
  13. Gartner, wiedergegeben von W.Media: Over 40 percent of agentic AI projects could face the axe by end of 2027 (englisch, 27.06.2025), abgerufen am 29.10.2026
  14. Cemri u. a. (UC Berkeley): Why Do Multi-Agent LLM Systems Fail? (englisch), abgerufen am 29.10.2026
  15. Future of Privacy Forum: The AI Act implementation timeline – what changes under the AI Omnibus? (englisch), abgerufen am 29.10.2026

Stand der Angaben: 29.10.2026. Die Beispiele Kundenservice, Recruiting und Rechnungseingang sind typische Abläufe, keine Einzelfallberichte. Keine Rechtsberatung.