Multi-Agenten-System

Ein Multi-Agenten-System ist eine Software, die aus mehreren eigenständigen Teilprogrammen besteht. Solche Teilprogramme nennt man Agenten: Sie bekommen ein Ziel, treffen eigene Entscheidungen und können Werkzeuge benutzen, etwa eine Suchmaschine oder einen Taschenrechner. Wichtig ist, dass niemand jeden einzelnen Schritt vorgibt. Man sagt einem Agenten, was herauskommen soll, nicht wie er dorthin gelangt. In einem Multi-Agenten-System arbeiten mehrere solcher Agenten an derselben Aufgabe. Sie tauschen dabei Zwischenergebnisse aus, teilen die Arbeit auf und prüfen sich teilweise gegenseitig. Der Vergleich mit einem Projektteam trifft es gut: mehrere Beteiligte, klare Rollen, ein gemeinsames Ergebnis.

Was ein Team von Agenten besser kann als ein einzelner

Ein einzelner Agent gerät bei langen Aufgaben schnell an Grenzen. Er verliert den Überblick, wiederholt Schritte oder bleibt an einem Fehler hängen. Teilt man die Aufgabe auf, bearbeitet jeder Agent nur einen überschaubaren Ausschnitt. Das senkt die Fehlerquote spürbar, weil jeder Teilauftrag klarer formuliert ist.

Ein zweiter Vorteil ist die gegenseitige Kontrolle. Sprachmodelle erfinden gelegentlich Fakten, die plausibel klingen, aber falsch sind. Setzt man einen zweiten Agenten als Prüfer ein, fällt so ein Fehler häufiger auf. Das ist kein Sicherheitsnetz mit Garantie, aber es hilft messbar.

Dazu kommt Geschwindigkeit. Mehrere Agenten können gleichzeitig arbeiten, etwa zehn Quellen parallel auswerten. Ein einzelner Agent müsste sie nacheinander durchgehen. Bei Recherchen spart das viel Zeit. Der Preis dafür ist allerdings hoch: Jeder Agent verursacht eigene Rechenkosten, und ein Team aus fünf Agenten kann leicht das Fünffache kosten.

Rollen, Nachrichten und ein Koordinator

Meistens beginnt alles bei einem koordinierenden Agenten, oft Orchestrator oder Planer genannt. Er zerlegt die große Aufgabe in Teilaufträge und verteilt sie. Die anderen Agenten bekommen dabei feste Rollen zugewiesen, zum Beispiel Rechercheur, Programmierer oder Prüfer. Diese Rolle steckt in einer Anweisung, die dem Agenten dauerhaft mitgegeben wird.

Die Agenten verständigen sich über Nachrichten, technisch meist einfache Textblöcke. Ein Agent schreibt sein Ergebnis auf, ein anderer liest es und arbeitet damit weiter. Oft gibt es zusätzlich einen gemeinsamen Speicher für Zwischenstände, damit nicht jede Information durch alle Nachrichten wandern muss. Am Ende fasst der Koordinator die Teilergebnisse zusammen.

Ein typischer Irrtum ist die Vorstellung, hinter jedem Agenten stecke ein eigenes KI-Modell. Meist ist es dasselbe Modell, nur mit unterschiedlichen Rollenanweisungen und Werkzeugen. Der Unterschied liegt in der Aufgabe, nicht in der Technik. Und die Systeme sind störanfällig: Missversteht ein Agent seinen Auftrag, pflanzt sich der Fehler durch die ganze Kette fort.

Von Recherche-Tools bis zur Lieferkette

Am bekanntesten sind Agenten-Teams derzeit bei der Programmierung. Werkzeuge wie Devin oder die Agentenfunktionen in gängigen Programmierumgebungen lassen einen Agenten Code schreiben, einen zweiten testen und einen dritten Fehler beheben. Ähnlich arbeiten die Deep-Research-Funktionen großer Chatbots: Mehrere Agenten durchsuchen parallel das Web und liefern am Ende einen zusammengefassten Bericht.

Außerhalb der KI-Welt ist die Idee viel älter. In der Logistik verhandeln seit Jahren Softwareagenten über Lieferzeiten und Lagerplätze. Im Stromnetz gleichen Agenten Erzeugung und Verbrauch zwischen vielen kleinen Anlagen aus. Auch Verkehrssimulationen rechnen jedes Auto als eigenen Agenten.

In Wirtschaftsnachrichten taucht der Begriff vor allem als Verkaufsargument auf. Firmen versprechen, ganze Arbeitsabläufe an Agenten-Teams zu übergeben. Ein nüchterner Blick lohnt sich: Viele dieser Systeme funktionieren bei klar abgegrenzten Aufgaben gut und scheitern bei offenen. Wer solche Meldungen liest, sollte deshalb fragen, welche Aufgabe konkret gelöst wurde und wer das Ergebnis am Ende prüft.