Kurz gesagt: In einem Multi-Agenten-System, kurz MAS, teilen sich mehrere spezialisierte KI-Agenten eine Aufgabe: Einer recherchiert, einer bewertet, einer schreibt, einer prüft. Ein steuernder Agent, der Orchestrator, verteilt die Arbeit und setzt die Ergebnisse zusammen. Das lohnt sich, wenn eine Aufgabe aus klar trennbaren Teilen besteht, die unterschiedliche Werkzeuge, Daten oder Rechte brauchen. Der Preis ist mehr Abstimmung, mehr Tests und höhere laufende Kosten. Für viele Aufgaben reicht deshalb ein einzelner Agent.
1. Was ist ein Multi-Agenten-System?
Ein Multi-Agenten-System verbindet mehrere KI-Agenten zu einem Team. Jeder Agent hat eine eigene Aufgabe, eigene Anweisungen und oft eigene Werkzeuge. Gemeinsam erledigen sie eine Aufgabe, die für einen einzelnen Agenten zu umfangreich oder zu vielseitig wäre. Wie ein einzelner KI-Agent aufgebaut ist und welche Arten es gibt, erklärt der Leitfaden KI-Agenten.
Im Englischen heißt das Multi-Agent System, abgekürzt MAS. In der deutschen Fachsprache ist auch Multiagentensystem gebräuchlich. Der Begriff stammt aus der Informatik: Lange bevor es große Sprachmodelle gab, wurden Multiagentensysteme in der Forschung, in der Robotik und für Simulationen eingesetzt. Heute sind damit meist Systeme aus KI-Agenten gemeint, die auf Sprachmodellen beruhen und Aufgaben in normaler Sprache verstehen.
Was einen Agenten im System ausmacht
Jeder Agent im System ist eigenständig: Er nimmt Informationen auf, entscheidet über seinen nächsten Schritt und handelt. Was ihn von einem Einzelagenten unterscheidet, ist die Abstimmung. Er bekommt Aufgaben von anderen Agenten, gibt Ergebnisse weiter und richtet sein Handeln am gemeinsamen Ziel aus.
Multi-Agenten-Systeme und agentische KI
Multi-Agenten-Systeme sind eine verbreitete Bauform agentischer KI, also von KI, die Ziele selbstständig über mehrere Schritte verfolgt. Was agentische KI ausmacht und wie sie sich von generativer KI unterscheidet, beschreibt der Ratgeber Agentische KI.
2. Ein Agent oder mehrere: der Unterschied
Ein einzelner Agent erledigt alle Schritte einer Aufgabe selbst, ein Multi-Agenten-System verteilt sie auf spezialisierte Agenten, die sich abstimmen. Die Tabelle zeigt, was das im Einzelnen bedeutet.
| Merkmal | Einzelner Agent | Multi-Agenten-System |
|---|---|---|
| Aufbau | Ein Agent mit allen Anweisungen und Werkzeugen | Mehrere Agenten mit eigenen Rollen, oft gesteuert von einem Orchestrator |
| Geeignet für | Klar umrissene Aufgaben mit wenigen Schritten | Umfangreiche Aufgaben aus trennbaren Teilen |
| Spezialisierung | Ein Agent muss alles können | Jeder Agent ist auf seine Teilaufgabe zugeschnitten |
| Rechte und Daten | Ein Agent braucht alle Rechte für die ganze Aufgabe | Rechte lassen sich je Agent eng fassen |
| Fehlersuche | Ein Ort, an dem du suchst | Fehler können zwischen Agenten entstehen und sich fortpflanzen |
| Aufwand und Kosten | Geringer | Höher durch Abstimmung, Tests und mehr Aufrufe der Sprachmodelle |
| Erweiterung | Jede neue Aufgabe macht den Agenten komplexer | Neue Aufgaben lassen sich als weiterer Agent ergänzen |
Ein Multi-Agenten-System ist also keine bessere Stufe, die jedes Projekt erreichen sollte, sondern eine Bauweise für bestimmte Aufgaben. Viele Vorhaben beginnen mit einem einzelnen Agenten und werden erst dann aufgeteilt, wenn seine Anweisungen zu lang, seine Rechte zu weit oder seine Fehler zu schwer zu finden werden.
3. Wie funktionieren Multi-Agenten-Systeme?
Ein Multi-Agenten-System besteht aus vier Bausteinen: den Agenten selbst, einer gemeinsamen Umgebung, einer Form der Kommunikation und Regeln für die Koordination.
Agenten
Jeder Agent hat eine Rolle, zum Beispiel Recherche, Bewertung, Texterstellung oder Prüfung. Er bekommt dafür eigene Anweisungen, Werkzeuge und Rechte.
Umgebung
Die Umgebung ist alles, worin die Agenten arbeiten: Programme wie CRM und E-Mail, Datenbanken, Dokumente und ein gemeinsamer Speicher für Zwischenergebnisse.
Kommunikation
Agenten tauschen Aufträge und Ergebnisse aus, meist als strukturierte Nachrichten mit festen Feldern. Für die Anbindung an Werkzeuge und Daten gibt es offene Standards, etwa das Model Context Protocol. Je klarer das Format, desto weniger geht bei der Übergabe verloren.
Koordination
Regeln legen fest, wer welche Aufgabe bekommt, in welcher Reihenfolge gearbeitet wird und was passiert, wenn ein Agent nicht weiterkommt. Meist übernimmt das ein steuernder Agent, der Orchestrator.
Der Ablauf an einem Beispiel
So bearbeitet ein Multi-Agenten-System im Vertrieb einen typischen Auftrag:
- Auftrag: Für eine Liste neuer Zielfirmen sollen Gesprächsanlässe und Entwürfe für eine erste Nachricht entstehen.
- Zerlegen: Der Orchestrator teilt den Auftrag in Recherche, Bewertung, Text und Prüfung und vergibt die Teile.
- Recherche: Der Recherche-Agent sammelt öffentliche Informationen zu jeder Firma, etwa von der Website und aus Meldungen.
- Bewertung: Der Bewertungs-Agent prüft, wie gut jede Firma zu den Zielkunden passt, und sortiert unpassende aus.
- Text: Der Schreib-Agent entwirft für die passenden Firmen eine persönliche Nachricht mit Bezug zum Anlass.
- Prüfung und Freigabe: Der Prüf-Agent gleicht Fakten und Ton mit den Vorgaben ab. Bevor etwas verschickt wird, gibt ein Mensch frei.
Jeder Agent sieht dabei nur, was er für seinen Teil braucht. Der Schreib-Agent bekommt die Rechercheergebnisse und die Bewertung, aber keinen Zugriff auf das Versandprogramm. Das macht das System übersichtlich und begrenzt den Schaden, wenn ein Agent einen Fehler macht.
4. Architekturen und Strukturen
Multi-Agenten-Systeme lassen sich zentral oder dezentral steuern und in Hierarchien, Teams, Koalitionen oder holonischen Strukturen organisieren. Die Wahl entscheidet darüber, wie leicht sich das System prüfen, begrenzen und erweitern lässt.
Zentral gesteuert
Ein Orchestrator verteilt alle Aufgaben und behält den Überblick. Das ist leicht nachzuvollziehen und zu kontrollieren. Macht der Orchestrator einen Fehler oder fällt er aus, betrifft das allerdings das ganze System.
Dezentral
Die Agenten stimmen sich direkt untereinander ab, ohne zentrale Steuerung. Das ist robuster gegen den Ausfall einzelner Agenten, aber schwerer zu überblicken und zu testen.
Hierarchisch
Die Agenten sind in Ebenen angeordnet: Übergeordnete Agenten zerlegen Aufgaben und geben Teile an untergeordnete Agenten weiter, die ihnen Ergebnisse zurückmelden. So lassen sich auch große Aufgaben in handliche Teile zerlegen.
Teams und Koalitionen
Agenten arbeiten dauerhaft als Team mit festen Rollen oder schließen sich für eine einzelne Aufgabe zusammen und gehen danach wieder getrennte Wege.
Holonisch
Ein Agent besteht selbst wieder aus mehreren Agenten und tritt nach außen wie ein einziger auf. So lassen sich ganze Teilsysteme wie ein Baustein behandeln.
Für den Einstieg im Unternehmen ist die zentrale Steuerung mit einem Orchestrator meist die bessere Wahl, weil sie sich am leichtesten prüfen und begrenzen lässt. Dezentrale Formen spielen ihre Stärken eher in der Forschung und in Simulationen aus.
5. Beispiele und Anwendungsfälle
Multi-Agenten-Systeme werden für Aufgaben eingesetzt, die aus mehreren klar getrennten Teilen bestehen, etwa im Vertrieb, im Kundenservice, in der Softwareentwicklung, in der Logistik und in der Forschung.
Vertrieb
Recherche, Bewertung, Ansprache, Nachfassen und die Pflege der Pipeline sind getrennte Aufgaben mit eigenen Werkzeugen. In Qauf laufen sieben KI-Agenten live in Produktion: Hunter, Analyst, Writer, Telefon, Pipeline, Radar und Antwort. Der Hunter findet Leads mit echten Kaufsignalen, der Analyst bewertet und priorisiert sie. Die übrigen übernehmen Texte, Anrufe, Pipeline-Pflege, die laufende Beobachtung von Signalen und die Einordnung von Antworten. Weitere Beispiele aus dem B2B-Vertrieb zeigt der Ratgeber KI im Vertrieb.
Kundenservice
Ein Agent ordnet Anfragen ein, ein zweiter sucht Antworten in der Wissensdatenbank, ein dritter prüft Daten im Auftragssystem. Schwierige Fälle landen mit einer Zusammenfassung bei einem Menschen.
Softwareentwicklung
Agenten übernehmen Planung, Programmierung, Tests und Dokumentation und prüfen gegenseitig ihre Arbeit, bevor ein Entwickler die Änderung übernimmt.
Logistik und Lieferkette
Agenten für Lager, Transport und Einkauf stimmen sich ab, wenn sich Liefertermine verschieben oder Bestände knapp werden, und legen dem Menschen Vorschläge zur Entscheidung vor.
Forschung, Simulation und Robotik
In der Wissenschaft bilden Multiagentensysteme komplexe Abläufe nach, etwa Verkehrsflüsse oder Märkte, um die Wirkung von Entscheidungen zu testen. Auch mehrere Roboter, die sich ohne zentrale Steuerung abstimmen, bilden ein Multiagentensystem.
6. Vorteile
Multi-Agenten-Systeme bringen vor allem fünf Vorteile: Spezialisierung, parallele Arbeit, eng gefasste Rechte, Erweiterbarkeit und Nachvollziehbarkeit je Teilaufgabe.
- Spezialisierung: Jeder Agent hat kurze, klare Anweisungen für eine Aufgabe statt einer langen Anleitung für alles.
- Parallele Arbeit: Mehrere Agenten können gleichzeitig arbeiten, etwa an verschiedenen Firmen oder an verschiedenen Teilen einer Aufgabe.
- Enge Rechte: Jeder Agent bekommt nur die Rechte, die er braucht. Der Recherche-Agent muss keine E-Mails versenden können.
- Erweiterbarkeit: Neue Aufgaben lassen sich als weiterer Agent ergänzen, ohne die bestehenden umzubauen.
- Nachvollziehbarkeit: Weil jeder Agent sein Ergebnis übergibt, lässt sich ein Fehler der Station zuordnen, an der er entstanden ist.
7. Herausforderungen und Risiken
Mehr Agenten bedeuten mehr Abstimmung. Die typischen Probleme liegen deshalb zwischen den Agenten, nicht in ihnen.
Koordinationsaufwand
Je mehr Agenten, desto mehr Übergaben, und jede Übergabe ist eine mögliche Fehlerquelle. Mehr Agenten machen ein System nicht automatisch besser.
Fehler, die sich fortpflanzen
Ein falsches Rechercheergebnis wird bewertet, weiterverarbeitet und landet am Ende im Text. Prüfschritte zwischen den Stationen fangen solche Fehler ab.
Unerwartetes Verhalten
Agenten, die sich gegenseitig beeinflussen, können Ergebnisse erzeugen, die keiner von ihnen allein erzeugt hätte, im Guten wie im Schlechten. Fachleute sprechen von emergentem Verhalten. Tests mit echten Fällen und feste Grenzen halten es im Rahmen.
Kosten
Jeder Agent ruft das Sprachmodell auf, oft mehrmals pro Aufgabe. Ein System aus mehreren Agenten verursacht deshalb höhere laufende Kosten als ein einzelner Agent für dieselbe Aufgabe.
Sicherheit
Ein Agent, der Inhalte von außen liest, kann über darin versteckte Anweisungen manipuliert werden und sie an andere Agenten weitergeben. Getrennte Rechte und Freigaben für alle Schritte nach außen begrenzen den möglichen Schaden.
Fehlersuche
Bei vielen Agenten ist schwerer zu sehen, wo ein Fehler entstanden ist. Ein Protokoll jeder Übergabe ist deshalb unverzichtbar.
Datenschutz und Recht
Für personenbezogene Daten gilt die DSGVO, für KI-Systeme in der EU zusätzlich der EU AI Act. Was das für den Vertrieb bedeutet, fasst der Artikel EU AI Act im Vertrieb zusammen. Keine Rechtsberatung. Im Einzelfall Anwalt fragen.
8. Wann lohnt sich ein Multi-Agenten-System?
Ein Multi-Agenten-System lohnt sich, wenn eine Aufgabe aus klar trennbaren Teilen besteht, diese Teile unterschiedliche Werkzeuge, Daten oder Rechte brauchen und der Mehraufwand für Abstimmung, Tests und laufende Kosten im Verhältnis zum Nutzen steht. Drei Fragen helfen bei der Entscheidung:
- Lässt sich die Aufgabe zerlegen? Wenn nicht, reicht ein einzelner Agent.
- Brauchen die Teile unterschiedliche Werkzeuge, Daten oder Rechte? Wenn nicht, ist ein Agent mit mehreren Werkzeugen einfacher.
- Lohnt sich der Mehraufwand? Wenn noch nicht, starte mit einem Agenten und teile später auf.
Erst wenn alle drei Fragen mit Ja beantwortet sind, lohnt sich der Aufbau mehrerer Agenten mit einem Orchestrator und Freigaben durch Menschen.
Ein Agent oder ein Multi-Agenten-System?: Drei Fragen führen zur Entscheidung. Erst wenn alle drei mit Ja beantwortet sind, lohnt sich der Aufbau mehrerer Agenten.
- Aufgabe zerlegen: Besteht die Aufgabe aus klar getrennten Teilen?
- Wenn nein: Ein einzelner Agent reicht für die Aufgabe. Weiter: ein Agent.
- Werkzeuge und Rechte prüfen: Brauchen die Teile unterschiedliche Werkzeuge, Daten oder Rechte?
- Wenn nein: Ein Agent mit mehreren Werkzeugen ist einfacher. Weiter: ein Agent.
- Aufwand abwägen: Lohnt sich der Mehraufwand für Abstimmung, Tests und laufende Kosten?
- Wenn noch nicht: Mit einem Agenten starten und später aufteilen. Weiter: ein Agent.
- Mehrere Agenten aufbauen: Spezialisierte Agenten, ein Orchestrator und Freigaben durch Menschen.
Endpunkte: Ein Agent: Weniger Abstimmung, leichter zu testen; Multi-Agenten-System: Spezialisierte Agenten mit Orchestrator.
9. Multi-Agenten-System aufbauen in 6 Schritten
Der Aufbau folgt derselben Logik wie bei einem einzelnen Agenten, mit zwei Unterschieden: Die Aufgabe wird vorher in Rollen zerlegt, und die Übergaben zwischen den Agenten brauchen eigene Regeln.
Schritt 1: Aufgabe beschreiben
Beschreibe die Aufgabe von Anfang bis Ende und lege fest, woran du ein gutes Ergebnis erkennst.
Schritt 2: In Teilaufgaben zerlegen
Teile die Aufgabe in Schritte, die sich klar voneinander trennen lassen. Jede Teilaufgabe wird später die Rolle eines Agenten.
Schritt 3: Rollen, Werkzeuge und Rechte festlegen
Bestimme für jeden Agenten Anweisungen, Werkzeuge und Rechte. Gib jedem nur, was er für seine Rolle braucht.
Schritt 4: Übergaben und Steuerung definieren
Lege fest, in welchem Format Agenten Ergebnisse übergeben, wer die Arbeit verteilt und was passiert, wenn ein Agent nicht weiterkommt.
Schritt 5: Freigaben einbauen und testen
Baue Freigaben durch Menschen vor allem ein, was nach außen geht, und teste das System mit echten Fällen, auch mit schwierigen.
Schritt 6: Protokollieren, messen, ausbauen
Protokolliere jede Übergabe, miss Qualität, Zeit und Kosten und ergänze weitere Agenten erst, wenn die bestehenden zuverlässig arbeiten.
Wie der Bau eines einzelnen Agenten im Detail abläuft, von No-Code bis Framework, zeigt die Anleitung KI-Agenten erstellen. Welche Aufgaben sich im Mittelstand für den Anfang eignen, beschreibt der Leitfaden KI-Agenten für Unternehmen.
10. FAQ
Was ist ein Multi-Agenten-System einfach erklärt?
Ein Multi-Agenten-System ist ein Team aus mehreren KI-Agenten. Jeder Agent übernimmt eine Teilaufgabe, etwa Recherche, Bewertung oder Text, und gibt sein Ergebnis an den nächsten weiter. Ein steuernder Agent verteilt die Arbeit und setzt die Ergebnisse zusammen.
Was ist der Unterschied zwischen einem KI-Agenten und einem Multi-Agenten-System?
Ein einzelner KI-Agent erledigt alle Schritte einer Aufgabe selbst. In einem Multi-Agenten-System teilen sich mehrere spezialisierte Agenten die Arbeit und stimmen sich ab. Das lohnt sich bei umfangreichen Aufgaben aus trennbaren Teilen, kostet aber mehr Abstimmung und Tests.
Was ist ein Orchestrator?
Der Orchestrator ist der steuernde Agent in einem Multi-Agenten-System. Er zerlegt die Aufgabe, vergibt die Teile an die zuständigen Agenten, sammelt die Ergebnisse ein und entscheidet, wann die Aufgabe erledigt ist oder an einen Menschen geht.
Wie kommunizieren KI-Agenten miteinander?
KI-Agenten tauschen Aufträge und Ergebnisse meist als strukturierte Nachrichten mit festen Feldern aus, direkt oder über einen gemeinsamen Speicher. Für die Anbindung an Werkzeuge und Daten gibt es offene Standards wie das Model Context Protocol. Wichtig ist ein klares Format, damit bei der Übergabe nichts verloren geht.
Welche Architekturen gibt es für Multi-Agenten-Systeme?
Multi-Agenten-Systeme lassen sich zentral über einen Orchestrator oder dezentral steuern. Dazu kommen Strukturen wie Hierarchien, in denen übergeordnete Agenten Aufgaben verteilen, Teams mit festen Rollen, Koalitionen für einzelne Aufgaben und holonische Strukturen, in denen ein Agent selbst aus mehreren Agenten besteht.
Wann lohnt sich ein Multi-Agenten-System?
Wenn eine Aufgabe aus klar trennbaren Teilen besteht, diese Teile unterschiedliche Werkzeuge, Daten oder Rechte brauchen und der Mehraufwand für Abstimmung, Tests und laufende Kosten im Verhältnis zum Nutzen steht. Für viele Aufgaben reicht ein einzelner Agent mit mehreren Werkzeugen.
Was ist emergentes Verhalten in Multi-Agenten-Systemen?
Emergentes Verhalten bedeutet, dass mehrere Agenten zusammen Ergebnisse erzeugen, die keiner von ihnen allein erzeugt hätte. Das kann nützlich sein, etwa wenn sich Agenten gegenseitig korrigieren, aber auch zu unerwarteten Fehlern führen. Tests mit echten Fällen und feste Grenzen halten es im Rahmen.
Welche Beispiele gibt es für Multi-Agenten-Systeme?
Beispiele sind Vertriebssysteme, in denen Agenten Firmen recherchieren, bewerten, Nachrichten entwerfen und Antworten einordnen, Kundenservice-Systeme mit Agenten für Einordnung, Wissenssuche und Auftragsdaten, Agenten-Teams in der Softwareentwicklung sowie Simulationen von Verkehr oder Märkten in der Forschung.
Mehrere KI-Agenten für deinen Vertrieb?
In 30 Minuten klären wir, welche Teile deines Vertriebsprozesses sich auf KI-Agenten verteilen lassen und wie ein Start mit close one aussehen würde.