Viele Agents bedeuten zuerst einmal mehr Koordination

Ein Agent recherchiert. Einer analysiert. Einer überprüft. Einer plant. Einer koordiniert die anderen.

Und irgendwann diskutieren fünf Agents darüber, was ein einzelner Agent vielleicht längst hätte erledigen können.

Das Problem: Mehr Agents bedeuten nicht automatisch mehr Intelligenz. Sie bedeuten zunächst einmal mehr Koordination. Und Koordination ist nicht kostenlos.

Anthropic beschreibt beispielsweise, dass seine Multi-Agent-Research-Systeme für geeignete Research-Aufgaben deutliche Vorteile erzielen können. Gleichzeitig verbrauchen Multi-Agent-Systeme dort ungefähr 15-mal so viele Tokens wie eine normale Chat-Interaktion. Anthropic weist außerdem explizit darauf hin, dass Aufgaben mit vielen Abhängigkeiten zwischen den einzelnen Arbeitsschritten häufig kein guter Fit für Multi-Agent-Architekturen sind.

Nicht die Zahl der Agents zählt, sondern die Zerlegung der Aufgabe

Genau hier liegt ein wichtiger Punkt: Wir sollten AI-Systeme nicht nach der Zahl ihrer Agents beurteilen, sondern danach, wie sinnvoll sich eine Aufgabe zerlegen lässt.

Bei einer umfangreichen Recherche können fünf parallel arbeitende Agents sehr sinnvoll sein: Jeder untersucht einen anderen Markt, eine andere Quelle oder eine andere Hypothese.

Bei einer stark sequentiellen Aufgabe sieht das anders aus. Wenn Agent B erst sinnvoll arbeiten kann, nachdem Agent A das richtige Ergebnis geliefert hat, entsteht keine echte Parallelisierung. Stattdessen entstehen Übergaben. Und jede Übergabe ist eine zusätzliche Fehlerquelle.

Eine groß angelegte Untersuchung verschiedener Agentenarchitekturen kommt sogar zu dem Ergebnis, dass Multi-Agent-Varianten bei den untersuchten sequentiellen Reasoning-Aufgaben 39 bis 70 Prozent schlechter abschnitten. Gleichzeitig zeigten sich deutliche Vorteile bei Aufgaben, die tatsächlich gut parallelisierbar waren.

Agents machen nicht nur Fehler — sie übernehmen Fehler voneinander

Hinzu kommt ein zweites Problem: Agents machen nicht nur Fehler. Sie können Fehler voneinander übernehmen.

Forschung zu Kommunikationsstrukturen in Multi-Agent-Systemen zeigt, dass zu starke Vernetzung dazu führen kann, dass falsche Informationen besonders effektiv durch das gesamte System wandern. Interessanterweise schnitten deshalb nicht die maximal vernetzten Systeme am besten ab, sondern häufig moderat verbundene Strukturen: genug Kommunikation, um hilfreiche Informationen weiterzugeben — aber nicht so viel, dass jeder Fehler sofort überall landet.

Mehr Kommunikation ist also ebenfalls nicht automatisch besser.

Zehn identische Agents sind keine zehn Perspektiven

Dann gibt es noch einen dritten Effekt, der in der aktuellen Diskussion häufig unterschätzt wird: Zehn nahezu identische Agents ergeben nicht zehn unabhängige Perspektiven.

Wenn alle dasselbe Modell, ähnliche Prompts, dieselben Daten und dieselben Tools verwenden, produzieren sie häufig stark korrelierte Antworten. Man skaliert dann zwar die Anzahl der Agents — aber nicht zwangsläufig die Menge neuer Information.

Eine aktuelle Untersuchung zum Scaling von Multi-Agent-Systemen kommt deshalb zu einem interessanten Ergebnis: Entscheidend ist weniger die reine Zahl der Agents als deren Diversität. In den untersuchten Experimenten konnten zwei unterschiedlich konfigurierte Agents die Leistung von 16 homogenen Agents erreichen oder übertreffen.

Die bessere Frage: Warum überhaupt mehrere Agents?

Das verändert die Frage fundamental. Nicht: „Wie viele Agents können wir einsetzen?“ Sondern: „Warum brauchen wir für diese Aufgabe überhaupt mehrere Agents?“

Vielleicht braucht es fünf. Vielleicht zwei. Vielleicht einen sehr guten Agent mit den richtigen Tools, genügend Kontext und einem sauberen Workflow.

Denn mit jedem zusätzlichen Agent steigen nicht nur die theoretischen Fähigkeiten des Systems. Es steigen auch Tokenverbrauch, Latenz, Kommunikationsaufwand, Fehlerquellen, Debugging-Aufwand und die Komplexität der Orchestrierung.

Selbst Forschung zu Multi-Agent-Debatten zeigt, wie groß dieser Overhead werden kann: Durch das gezielte Entfernen ineffektiver Kommunikation konnten Forschende den Tokenverbrauch in ihren Experimenten um bis zu 94,5 Prozent reduzieren, während der Performanceverlust unter zwei Prozent blieb.

Das ist vielleicht die interessantere Skalierungsstrategie: Nicht mehr Agents. Sondern weniger unnötige Agent-Interaktion.

Wann Multi-Agent-Systeme wirklich Sinn ergeben

Multi-Agent-Systeme werden zweifellos eine wichtige Rolle spielen. Besonders dort, wo Aufgaben parallelisierbar sind, unterschiedliche Fähigkeiten gebraucht werden oder voneinander unabhängige Perspektiven echten zusätzlichen Informationswert liefern.

Aber eine Architektur wird nicht dadurch fortschrittlicher, dass wir noch einen Agent hinzufügen.

Ein Team — oder ein Agent, der seinen Job richtig gut macht

Manchmal ist die beste Agentenarchitektur ein Team. Und manchmal ist sie schlicht: ein Agent, der seinen Job richtig gut macht.

Die eigentliche Kunst wird deshalb nicht darin bestehen, möglichst viele Agents zu orchestrieren. Sondern zu wissen, wann ein weiterer Agent tatsächlich zusätzlichen Wert schafft — und wann er nur zusätzliche Komplexität erzeugt.