Multi-Agent Systems: Wie AI Agents zusammenarbeiten

Ein Multi-Agent System ist ein Aufbau, in dem zwei oder mehr AI Agents, jeweils auf eine engere Rolle zugeschnitten, Teile einer Aufgabe bearbeiten und Kontext aneinander weitergeben, statt dass ein einzelner Agent alles allein erledigen will. Ein Orchestrator oder eine definierte Übergabekette entscheidet, welcher Agent als Nächstes handelt, trägt das Gelernte des vorherigen Agents weiter und führt die Ergebnisse zu einem Gesamtergebnis zusammen. Unternehmen greifen zu Multi-Agent Systems, wenn eine Aufgabe wirklich unterschiedliche Phasen mit verschiedenen Tools, Regeln oder Kontexten hat, und nicht einfach deshalb, weil mehr Agents fortschrittlicher klingen.

Einzelner Agent oder Multi-Agent: Wo die Grenze verläuft

Die meisten Aufgaben, die mehrere Agents zu brauchen scheinen, sind in Wahrheit ein einzelner Agent mit mehr Tools. Ein einzelner Agent, der im Web suchen, ein CRM lesen und E-Mails senden kann, bewältigt erstaunlich viel Variation allein, weil das Modell in einem gemeinsamen Kontext über alles nachdenkt.

Der praktische Leitfaden von OpenAI zum Bau von Agents ist hier eindeutig: Beginnen Sie mit einem einzelnen Agent und fügen Sie schrittweise Tools hinzu. Teilen Sie erst dann in mehrere Agents auf, wenn Anweisungen, Tools und Entscheidungslogik dieses einen Agents so verworren werden, dass sie sich nicht mehr zuverlässig testen und pflegen lassen. Laut dem Leitfaden kommt ein einzelner Agent durch schrittweise ergänzte Tools weit und hält die Komplexität beherrschbar, bevor man gezwungen ist, getrennte Agents zu orchestrieren.

Die Taxonomie, die diese Grenze ausführlicher zieht, behandelt Arten von AI Agents, einschließlich der Frage, wie Single-Agent- und Multi-Agent-Designs zueinander stehen. Die Schleife, die jeder einzelne Agent abarbeitet, ob allein oder als Teil eines größeren Systems, ist dieselbe, die in So funktionieren AI Agents beschrieben wird.

Zwei Wege, mehrere Agents zu koordinieren

Sobald eine Aufgabe wirklich mehr als einen Agent braucht, gibt es zwei gängige Wege, sie zu verbinden:

OpenAI beschreibt die Orchestrator-Worker-Form als Agents-as-Tools: ein Manager-Agent, der entscheidet, welchen Spezialisten er aufruft, und die Ergebnisse zusammenfügt. Der Leitfaden Building Effective Agents von Anthropic, abgeleitet aus Produktiveinsätzen, dokumentiert dieselbe Orchestrator-Workers-Form als eines der wenigen Muster, die die meisten realen agentischen Systeme abdecken, neben einfacheren Mustern wie Routing und Prompt Chaining, die sich oft schon allein als ausreichend erweisen. Die Peer-Übergabe verzichtet ganz auf den zentralen Koordinator: Jeder Agent weiß, was er mit seinem Teil der Aufgabe tun soll, und reicht am Ende ein strukturiertes Ergebnis weiter, eher eine Staffel als ein Hub.

Ein durchgespieltes Beispiel: Vom Lead-Scoring bis zum gebuchten Termin

Hier eine Peer-Übergabekette aus drei spezialisierten Agents, die jeweils eine Phase derselben Aufgabe verantworten.

1. Der AI Lead Scoring Agent liest einen neuen eingehenden Lead, gleicht ihn mit ICP-Kriterien und Verhaltenssignalen ab und gibt einen Fit-Score samt Begründung aus.
2. Der AI Lead Routing Agent nimmt diesen Score und weist den Lead der passenden Queue oder dem passenden Vertriebsmitarbeiter zu, anhand von Regeln zu Gebiet, Produktlinie oder Deal-Größe.
3. Der AI Follow-Up Agent übernimmt den zugewiesenen Lead und führt die Outreach-Kadenz aus. Dabei nutzt er den Scoring-Kontext, sodass die erste Nachricht widerspiegelt, warum dieser Lead wichtig ist, statt wie eine generische Vorlage zu klingen.

Jede Übergabe reicht einen strukturierten Datensatz weiter, keine Textwüste: den Score, die Begründung, die Routing-Entscheidung. Genau das lässt die Kette funktionieren. Würde der Lead Scoring Agent einen unstrukturierten Absatz liefern und der Routing Agent bestimmte Felder erwarten, würde die Übergabe unbemerkt scheitern oder der Routing Agent müsste raten. Der Blueprint AI SDR Agent zeigt eine verwandte Form für Outbound statt Inbound, bei der Recherche, Sequenzierung und CRM-Protokollierung innerhalb einer breiteren Rolle stattfinden statt in drei getrennten Agents. Das ist eine vernünftige Alternative, wenn die Phasen einfach genug sind, um im Zuständigkeitsbereich eines Agents zu bleiben.

Ein zweites Beispiel: Ticket-Triage bis Eskalation

Support-Arbeit zeigt dasselbe Muster mit zwei statt drei Agents. Der AI Support Triage Agent liest jedes eingehende Ticket, klassifiziert es und löst die einfachen Fälle entweder direkt oder markiert alles mit hohem Schweregrad oder SLA-Relevanz. Markierte Tickets gehen an den AI Escalation Manager Agent, der die SLA-Uhr verfolgt, an das richtige menschliche Team weiterleitet und alle auf dem Laufenden hält, während die Zeit abläuft.

Die beiden Agents müssen nicht jedes Detail ihrer internen Arbeitsweise teilen. Der Triage Agent muss nicht wissen, wie SLA-Richtlinien konfiguriert sind, und der Escalation Manager muss nicht wissen, wie Tickets klassifiziert werden. Sie müssen sich nur darüber einig sein, was übergeben wird: ein Ticket, seine Klassifizierung und seine Dringlichkeit. Das ist das Designprinzip hinter jeder funktionierenden Multi-Agent-Grenze, und es ist dasselbe Prinzip, das Wie AI Agents Tools nutzen für die Tool-Schemas eines einzelnen Agents beschreibt, nur eine Ebene höher angewendet: zwischen Agents statt zwischen einem Agent und einer Funktion.

Warum Orchestrierung der schwierige Teil ist

Eine Aufgabe auf mehrere Agents zu verteilen, ist die einfache Entscheidung. Die Koordination zuverlässig zu machen, ist die eigentliche Arbeit: festlegen, welcher Agent wann läuft, den Ausfall eines Agents abfangen, ohne die ganze Kette zu brechen, und Randfälle leiten, die nicht zum erwarteten Pfad passen. Diese Koordinationsschicht hat einen Namen und wird in Was ist AI-Orchestrierung ausführlich behandelt, einschließlich der sequenziellen, parallelen, bedingten und hybriden Muster, denen Orchestrierung folgen kann.

Das Interesse an dieser Schicht ist rasant gewachsen. Gartner meldete zwischen Q1 2024 und Q2 2025 einen Anstieg der Kundenanfragen zu Multi-Agent Systems um 1.445 %. Lesen Sie diese Zahl für das, was sie tatsächlich misst: das Volumen von Analystenanfragen, ein Signal für Neugier und Evaluierung, aber kein Beweis dafür, dass die meisten dieser Anfragen in funktionierende Produktivsysteme mündeten. Die Lücke zwischen „danach fragen“ und „es zuverlässig betreiben“ ist genau der Ort, an dem Orchestrierungsdesign liegt.

Von mehreren Agents zu einem Agent auf Rollenebene

Multi-Agent Systems und einzelne Agents mit vielen Fähigkeiten sind nicht immer verschiedene Dinge: Manchmal ist ein Multi-Agent System das, was ein einzelner Agent auf Rollenebene ist, wenn man ihn aufmacht. Ein AI Sales Operator oder AI Support Agent, der eine ganze Funktion „besitzt“, ist oft eine Kombination mehrerer koordinierter Muster und nicht ein einziges monolithisches Modell, das alles erledigt.

Muster stapeln, um AI Agents zu bauen behandelt das im Detail, einschließlich der genauen Fehlermodi, die an den Verbindungsstellen zwischen Mustern auftreten. Es ist dasselbe Risiko an den Nahtstellen, das auch zwischen getrennten Agents in einem Multi-Agent System auftritt: nicht zueinander passende Datenformate, sich aufsummierende Latenz und Fehler, die unbemerkt nach unten durchgereicht werden.

Wo Multi-Agent Systems scheitern

Mehr Agents bedeuten mehr Koordinationsfläche, und auf der Koordinationsfläche geht Dinge schief.

Latenz summiert sich. Jeder zusätzliche Agent in einer Kette bringt seine eigene Verarbeitungszeit mit. Bei einer Kette aus fünf Agents mit je ein paar Sekunden pro Schritt wartet ein Nutzer womöglich deutlich länger als bei einem einzelnen Agent mit mehr Tools.

Übergaben scheitern unbemerkt. Weicht das Ausgabeformat von Agent A auch nur leicht von dem ab, was Agent B erwartet, bricht Agent B nicht zwingend mit einem Fehler ab. Er kann mit einer teilweisen oder falsch gelesenen Eingabe weiterarbeiten und ein selbstsicher falsches Ergebnis liefern.

Fehler pflanzen sich über Agent-Grenzen fort. Eine falsche Klassifizierung des ersten Agents in einer Kette wird zur Eingabe, von der aus jeder nachgelagerte Agent optimiert. Bis ein Mensch es bemerkt, haben mehrere Agents auf Basis falscher Informationen gehandelt, nicht nur einer. Das Autonomous-Agent-Muster behandelt dasselbe sich aufschaukelnde Risiko innerhalb der Schleife eines einzelnen Agents; ein Multi-Agent System trägt dasselbe Risiko, nur verteilt über Agent-Grenzen statt über Schleifendurchläufe.

Governance wird schwerer sichtbar. Einzelne Agents können jeweils für sich gut gesteuert sein und trotzdem an der Übergabe eine Lücke lassen: Wer hat die Daten freigegeben, die von einem Agent zum nächsten wandern, und wer ist verantwortlich, wenn das Gesamtsystem etwas falsch macht? Gartner prognostiziert, dass über 40 % der agentischen AI-Projekte bis Ende 2027 eingestellt werden, und nennt steigende Kosten, unklaren Geschäftsnutzen und unzureichende Risikokontrollen. Multi-Agent-Projekte tragen genau diese Risiken stärker als Single-Agent-Projekte, weil es mehr Fläche zu steuern gibt.

Wann Multi-Agent, wann ein einzelner Agent mit mehr Tools

Der ehrliche Standard: Probieren Sie zuerst den einzelnen Agent mit einem sauber begrenzten Toolset. Wechseln Sie zu mehreren Agents, wenn die Belege es verlangen, und nicht, weil eine Multi-Agent-Architektur auf einer Folie anspruchsvoller klingt.

Key Facts

• Ein Multi-Agent System verteilt eine Aufgabe auf spezialisierte Agents, die strukturierten Kontext übergeben, koordiniert entweder durch einen zentralen Orchestrator oder über eine definierte Peer-Übergabekette.
• Die Empfehlung von OpenAI lautet, mit einem einzelnen Agent zu beginnen und erst dann auf mehrere Agents aufzuteilen, wenn der Zuständigkeitsbereich eines Agents zu verworren zum Pflegen wird.
• Gartner verzeichnete einen Anstieg der Anfragen zu Multi-Agent Systems um 1.445 %, ein Nachfragesignal und kein Beleg für erfolgreiche Einsätze in diesem Umfang.
• Die häufigsten Fehlerpunkte liegen an den Übergaben zwischen Agents: nicht passende Datenformate, sich aufsummierende Latenz und Fehler, die unbemerkt nach unten durchgereicht werden.
• Gartner prognostiziert, dass über 40 % der agentischen AI-Projekte bis 2027 wegen Kosten, unklarem Nutzen oder schwacher Risikokontrollen eingestellt werden, Risiken, die mit jedem zusätzlichen Agent in einer Kette wachsen.

Wie es weitergeht

Multi-Agent Systems bestehen aus denselben zwei Zutaten, die an anderer Stelle in dieser Library behandelt werden: Agents, die Tools gut aufrufen, beschrieben in Wie AI Agents Tools nutzen, und Agents, die klar darüber nachdenken, was als Nächstes zu tun ist, beschrieben in Wie AI Agents schlussfolgern. Wenn Sie bereit sind, Ihr erstes Multi-Agent-Projekt zu planen, führt So bauen Sie einen AI Agent durch den Prozess. Die Übersicht Support-Tools und der Leitfaden Beste AI-Kundenservice-Tools sind gute Ausgangspunkte, falls eine Kette von der Triage bis zur Eskalation wie oben die Aufgabe ist, die Sie planen.