Stell dir vor, du hast ein Team von Assistenten, das gemeinsam an einem Projekt arbeitet. Manche Aufgaben teilst du am besten auf: Ein Mitarbeiter analysiert die Finanzen, ein anderer recherchiert den Markt, ein dritter schreibt den Bericht. Klingt effizient? Ist es auch — aber nur unter bestimmten Bedingungen.
Genau das haben jetzt Google-Forscher in einer umfangreichen Studie untersucht. Ihre Erkenntnisse widersprechen einer weit verbreiteten Annahme in der KI-Branche: der Idee, dass mehr KI-Agenten automatisch besser funktionieren.
Was sind KI-Agenten überhaupt?
Ein KI-Agent ist ein KI-System, das nicht nur Fragen beantwortet, sondern eigenstaendig Decisions trafft, mehrere Schritte plant und mit seiner Umgebung interagiert — also quasi ein digitaler Assistent, der eigenstaendig Aufgaben erledigt.
Statt einmal zu antworten und fertig, fuehren Agenten eine ganze Kette von Handlungen aus: Sie suchen Informationen, bewerten Optionen, nutzen Werkzeuge (wie Rechner, Datenbanken oder Internetsuche) und passen ihre Strategie an. Das unterscheidet sie von einfachen Chatbots, die nur einen einzelnen Satz generieren.
Die grosse Ernuetcherung: Mehr Agenten = bessere Ergebnisse?
In der KI-Branche galten Multi-Agenten-Systeme lange als Allheilmittel. Die Devise: Je mehr Agenten, desto besser das Ergebnis. Google hat jetzt 180 verschiedene Agenten-Konfigurationen getestet und kommt zu einem anderen Ergebnis.
Je nach Aufgabenart koennen zusaetzliche Agenten die Leistung um bis zu 80 % verbessern — oder aber um bis zu 70 % verschlechtern. Der Unterschied liegt nicht in der Anzahl der Agenten, sondern in der Art der Aufgabe.
Wann Agenten funktionieren: Das Alignment-Prinzip
Bei parallelisierbaren Aufgaben — also Jobs, die sich in unabhaengige Teile zerlegen lassen — performen Multi-Agenten-Systeme hervorragend. Ein Beispiel aus der Studie: Finanzanalysen. Waehrend ein einzelner Agent alle Daten nacheinander durchgeht, koennen mehrere Agenten gleichzeitig arbeiten: einer analysiert Umsatztrends, ein anderer Kostenstrukturen, ein dritter Marktvergleiche.
Mit zentraler Koordination (ein Orchestrator, der die Teilergebnisse zusammenfuehrt) erreichten die Google-Forscher eine Steigerung von 80,9 % gegenüber einem einzelnen Agenten. Die Aufgabenzerlegung wirkt wie eine gut organisierte Abteilungsarbeit im Buero.
Wann Agenten scheitern: Die sequenzielle Strafe
Bei strikt sequenziellen Aufgaben — wo jeder Schritt vom Ergebnis des vorherigen abhaengt — brach die Leistung hingegen massiv ein. In Planungsaufgaben verschlechterten sich alle getesteten Multi-Agenten-Varianten um 39 bis 70 %.
Der Grund: Die Kommunikation zwischen Agenten frisst Rechenkapazitaet und zerstueckelt den Gedankenprozess. Stellt euch vor, drei Koeche sollen nacheinander ein Geraicht kochen, aber jeder muss dem nächsten detailliert erklaeren, was er gerade macht — statt einfach den Topf weiterzureichen.
Werkzeug-Koordination: Der versteckte Flaschenhals
Je mehr Werkzeuge ein Agent nutzen muss (etwa 16 oder mehr), desto staerker wächst der Koordinationsaufwand. Fuer jeden zusaetzlichen Werkzeugaufruf muessen Agenten sich abstimmen, Ergebnisse validieren, Übergaben managen. Dieser Werkzeug-Steuer steigt überproportional — ab einem gewissen Punkt kostet die Koordination mehr als die eigentliche Arbeit bringt.
Fehlerverstaerkung: Das Sicherheitsproblem
Besonders relevant fuer den Einsatz in Unternehmen: Wie gehen Multi-Agenten-Systeme mit Fehlern um? Die Studie zeigt einen dramatischen Unterschied je nach Architektur.
In unabhaengigen Systemen (Agenten arbeiten parallel, ohne sich gegenseitig zu kontrollieren) verstaerkten sich Fehler um das 17,2-fache. Ein kleiner Fehler am Anfang pflanzt sich ungebremst durch das gesamte System fort.
In zentralisierten Systemen (ein Orchestrator koordiniert und validiert Zwischenergebnisse) blieb die Fehlerverstaerkung bei lediglich 4,4-fach. Der Orchestrator fungiert als eine Art Qualitaetskontrolleur, der Fehler abfängt, bevor sie sich ausbreiten.
Ein neues Paradigma fuer KI-Architektur
Die vielleicht spannendste Erkenntnis: Die Forscher haben ein Vorhersagemodell entwickelt, das anhand messbarer Aufgabenmerkmale (Werkzeuganzahl, Zerlegbarkeit, sequenzielle Abhaengigkeiten) mit 87 % Genauigkeit vorhersagt, welche Architektur fuer eine gegebene Aufgabe optimal ist.
Statt nach dem Prinzip Probieren wir es aus und hoffen das Beste koennen Entwickler nun begruendete Entscheidungen treffen. Das ist ein echter Paradigmenwechsel: von Heuristiken zu quantitativen Prinzipien.
Was bedeutet das fuer Unternehmen?
Für Unternehmen, die KI-Agenten einsetzen wollen, ergeben sich konkrete Handlungsempfehlungen:
- Analysiert eure Aufgaben genau: Sind sie parallelisierbar (z. B. Marktanalysen, Content-Erstellung, Datenauswertung)? Dann sind Multi-Agenten-Systeme mit zentraler Koordination ideal.
- Bei komplexen Planungsprozessen (Workflows mit vielen Abhaengigkeiten): Lieber auf einen leistungsfaehigeren Einzelagenten setzen als auf eine Agenten-Horde.
- Fehlerkontrolle einbauen: Zentrale Orchestratoren sind nicht nur effizienter, sondern auch sicherer — besonders bei kritischen Geschaeftsprozessen.
- Werkzeugvielfalt kritisch betrachten: Jeder zusaetzliche Werkzeugaufruf erhoeht den Koordinationsaufwand. Lieber weniger, aber besser ausgewählte Werkzeuge.
Fazit
Die Zeiten, in denen man KI-Agenten nach dem Giesskannenprinzip einsetzen konnte, sind vorbei. Googles Studie zeigt: Agenten sind kein Selbstzweck. Sie funktionieren — aber nur dann, wenn ihre Architektur zur Aufgabe passt. Wer das versteht, kann KI-Systeme bauen, die nicht nur zahlreicher, sondern smarter, sicherer und effizienter sind.
Haefig gestellte Fragen (FAQ)
Was ist ein KI-Agent?
Ein KI-Agent ist ein KI-System, das eigenstaendig Entscheidungen trafft, mehrere Schritte plant und mit verschiedenen Werkzeugen oder Datenquellen interagiert — anders als ein einfacher Chatbot, der nur eine einzelne Antwort generiert.
Warum sind Multi-Agenten-Systeme nicht immer besser?
Agenten muessen kommunizieren und sich koordinieren. Bei Aufgaben, bei denen jeder Schritt vom Ergebnis des vorherigen abhaengt, kostet diese Koordination mehr Rechenkapazitaet, als sie bringt.
Wie waehle ich die richtige Agenten-Architektur?
Das haengt von der Aufgabe ab: Parallelisierbare Aufgaben (die sich in unabhaengige Teile zerlegen lassen) profitieren von Multi-Agenten-Systemen mit zentraler Koordination. Bei strikt sequenziellen Aufgaben ist ein einzelner, leistungsfaehiger Agent oft die bessere Wahl.
Sind KI-Agenten sicher genug fuer mein Unternehmen?
Das haengt von der Architektur ab. Zentrale Orchestratoren fangen Fehler effektiver ab (4,4-fache Verstaerkung) als unabhaengige Agenten-Teams (17,2-fache Verstaerkung). Für kritische Geschaeftsprozesse empfehlen sich zentral koordinierte Systeme.
Wo finde ich die Originalstudie?
Die vollstaendige Studie „Towards a Science of Scaling Agent Systems“ ist als Preprint auf arXiv verfügbar.
