Agentenkoordination

Manche KI-Systeme beantworten nicht nur eine Frage, sondern erledigen eine mehrschrittige Aufgabe selbstständig. Solche Programme nennt man Agenten: Sie planen Schritte, rufen Werkzeuge wie eine Suchmaschine oder einen Taschenrechner auf und prüfen ihr eigenes Zwischenergebnis. Für größere Aufgaben setzt man oft mehrere dieser Programme gleichzeitig ein. Agentenkoordination ist dann die Frage, wie diese Programme zusammenarbeiten, ohne sich gegenseitig zu behindern. Sie legt fest, wer welchen Teil übernimmt, wer wem etwas weitergibt und wer am Ende entscheidet. Ohne diese Regeln arbeiten mehrere Programme oft aneinander vorbei und liefern widersprüchliche Ergebnisse.

Warum ein einzelner Agent an Grenzen stößt

Ein einzelnes KI-Programm verliert bei langen Aufgaben leicht den Überblick. Je mehr Schritte es plant, desto größer wird der Text, den es sich merken muss. Irgendwann passt nicht mehr alles hinein, und frühe Anweisungen geraten in Vergessenheit. Teilt man die Aufgabe auf mehrere Programme auf, muss sich jedes nur seinen eigenen kleinen Ausschnitt merken.

Dazu kommt der Zeitgewinn. Recherchen zu fünf verschiedenen Unternehmen können parallel laufen statt nacheinander. Bei einer Aufgabe, die einzeln zwei Stunden dauert, sind das spürbare Unterschiede. Firmen werben deshalb damit, dass ihre Agentensysteme ganze Arbeitsabläufe übernehmen und nicht nur einzelne Fragen beantworten.

Der Nutzen hat aber einen Preis. Jeder zusätzliche Agent stellt eigene Anfragen an das Modell, und jede Anfrage kostet Rechenzeit und Geld. Schlecht koordinierte Systeme verbrennen Budget, weil drei Agenten dieselbe Suche durchführen. Gute Koordination ist deshalb nicht nur eine technische, sondern auch eine wirtschaftliche Frage.

Rollen, Reihenfolge und ein gemeinsames Gedächtnis

Das häufigste Muster ist die Hierarchie. Ein übergeordneter Agent, oft Orchestrator genannt, zerlegt die Aufgabe in Teilaufträge. Er verteilt sie an spezialisierte Agenten, etwa einen für Recherche und einen für das Schreiben. Anschließend sammelt er deren Antworten ein und baut daraus das Endergebnis. Man kann sich das wie eine Projektleitung mit mehreren Zuarbeitern vorstellen.

Daneben gibt es Ketten, bei denen ein Agent das Ergebnis des nächsten weiterverarbeitet, ähnlich einem Fließband. Und es gibt Debattenmuster: Zwei Agenten bearbeiten dieselbe Aufgabe unabhängig, ein dritter vergleicht und wählt aus. Das kostet mehr Rechenleistung, senkt aber die Zahl grober Fehler.

Damit die Zusammenarbeit klappt, brauchen die Agenten einen gemeinsamen Ablageort für Zwischenergebnisse. Das kann eine einfache Datei sein oder eine Datenbank, in die alle schreiben und aus der alle lesen. Wichtig sind außerdem Abbruchregeln. Ohne sie schicken sich zwei Agenten im schlimmsten Fall endlos Aufträge hin und her, bis jemand das System stoppt.

Von Programmierhilfen bis zu Firmenprozessen

Am sichtbarsten ist Agentenkoordination in Werkzeugen für Programmierer. Dort analysiert ein Agent den vorhandenen Code, ein zweiter schreibt die Änderung, ein dritter führt die Tests aus. Schlägt ein Test fehl, geht die Aufgabe zurück an den schreibenden Agenten. Dieser Kreislauf läuft mehrfach, bevor ein Mensch das Ergebnis überhaupt zu sehen bekommt.

In Unternehmen tauchen solche Systeme bei Rechnungsprüfung, Kundensupport und Marktrecherche auf. Ein Agent zieht Daten aus internen Systemen, ein anderer prüft sie gegen Regeln, ein dritter formuliert die Antwort. In Nachrichten liest man das oft unter Schlagwörtern wie agentische KI oder Multi-Agenten-System.

Ein verbreiteter Irrtum ist, dass mehr Agenten automatisch bessere Ergebnisse liefern. Häufig ist das Gegenteil der Fall: Fehler eines frühen Agenten wandern durch die ganze Kette und werden dabei nicht mehr hinterfragt. Deshalb bauen seriöse Systeme feste Kontrollpunkte ein, an denen ein Mensch eingreift. Bei Entscheidungen mit Geld- oder Rechtsfolgen gilt diese menschliche Freigabe derzeit als Standard.