Was sind Systeme mit mehreren Agenten?

Systeme mit mehreren Agenten sind Architekturen, in denen mehrere KI-Agenten, jeder mit eigenen Fähigkeiten, Werkzeugen und eigenem Kontext, zusammenarbeiten, um Aufgaben zu erledigen, die für einen einzelnen Agenten zu komplex, zu lang oder zu breit über Fachgebiete verteilt wären, um sie verlässlich zu lösen. Statt dass ein einziges monolithisches KI-System alles zu lösen versucht, zerlegt eine Architektur mit mehreren Agenten die Arbeit in spezialisierte Teilaufgaben und weist jede dem Agenten zu, der am besten dafür gerüstet ist.

Der Begriff stammt aus der klassischen KI-Forschung, wo Systeme mit mehreren Agenten autonome Software-Einheiten beschrieben, die in geteilten Umgebungen aufeinander einwirken. Im heutigen Zusammenhang sind die Agenten in der Regel von einem LLM getrieben: Sie können schlussfolgern, planen, Werkzeuge nutzen und über strukturierte Nachrichten oder natürliche Sprache miteinander sprechen. Der Wechsel von einem Agenten zu mehreren entspricht derselben architektonischen Entwicklung, die Software vom Monolithen zu Microservices geführt hat: Spezialisierung und Zerlegung, erkauft mit dem Aufwand der Abstimmung.

Systeme mit mehreren Agenten, definiert

Ein System mit mehreren Agenten hat mindestens drei bestimmende Merkmale:

• Mehrere Agenten: zwei oder mehr KI-Agenten, jeder mit eigenem Kontextfenster, eigenem Systemprompt und eigenem Satz verfügbarer Werkzeuge. Agenten können verschiedene Modelle, verschiedene Spezialisierungen und verschiedene Berechtigungsstufen haben.
• Kommunikation: Agenten tauschen Informationen aus, also Aufgabenbeschreibungen, Zwischenergebnisse, Rückfragen, Prüfbitten. Diese Kommunikation kann strukturiert sein (Übergaben im JSON-Format) oder in natürlicher Sprache stattfinden.
• Abstimmung: Die Agenten arbeiten auf ein gemeinsames Ziel hin, mit einem Mechanismus, einem Orchestrator, einem geteilten Zustand oder einer Nachrichtenschlange, der dafür sorgt, dass die einzelnen Ausgaben zu einem stimmigen Ergebnis zusammenwachsen.

Die Stärke von Systemen mit mehreren Agenten kommt aus Spezialisierung und Parallelität. Ein Agent für Recherche lässt sich auf Abruf und Zusammenfassung hin optimieren, während ein Agent für Code auf genauen Code hin optimiert wird. Beide können parallel laufen. Ein prüfender Agent kann die Ausgabe beider kontrollieren. Kein einzelner Agent muss in allen drei Aufgaben hervorragend sein, was ein verbreitetes Versagen monolithischer KI-Systeme ist.

Muster der Architektur

Architekturen mit mehreren Agenten unterscheiden sich in zwei Dimensionen: wie die Agenten kommunizieren (hierarchisch oder flach) und ob sie ein eigenes Gedächtnis führen oder sich auf einen geteilten Zustand stützen.

Orchestrierung oder Peer-to-Peer

Zwei Modelle der Abstimmung haben sich herausgebildet, jedes mit anderen Abwägungen:

• Orchestrator-Muster: Ein einzelner Orchestrator-Agent nimmt die Gesamtaufgabe entgegen, zerlegt sie in Teilaufgaben, gibt jede an einen spezialisierten Unteragenten und fügt die Ergebnisse zusammen. Der Orchestrator sieht den ganzen Plan und kann die Reihenfolge anhand von Zwischenergebnissen anpassen. Das ist im Unternehmen das häufigste Muster, weil es vorhersehbar, prüfbar und leicht zu überwachen ist. Der Preis: Der Orchestrator ist ein einzelner Ausfallpunkt und ein möglicher Engpass.
• Peer-to-Peer (Schwarm): Die Agenten sprechen unmittelbar miteinander und reichen Aufgaben und Ergebnisse über einen geteilten Nachrichtenbus oder eine Warteschlange weiter. Kein einzelner Agent hat das Gesamtbild; das Verhalten entsteht aus örtlichen Wechselwirkungen. Dieses Modell erlaubt geschmeidigere Anpassung, ist aber schwerer zu prüfen, zu überwachen und zu steuern. Es passt besser zu erkundender Forschung als zu Abläufen im Unternehmen mit Anforderungen an die Compliance.

Die meisten Umsetzungen mit mehreren Agenten im Unternehmen nutzen heute das Orchestrator-Muster oder eine hierarchische Spielart davon (ein Koordinator orchestriert Unter-Orchestratoren, die jeweils eigene Spezialisten führen), weil Verlässlichkeit, Prüfbarkeit und vorhersehbares Verhalten schwerer wiegen als größtmögliche Beweglichkeit.

Anwendungsfälle im Unternehmen

Systeme mit mehreren Agenten wandern aus der Forschung in den Betrieb, gleich in mehreren Zusammenhängen:

• Automatisierung von Datenpipelines: Ein Orchestrator-Agent nimmt eine Datenanfrage entgegen, schickt einen Agenten für Recherche los, um die einschlägigen Datenquellen im Datenkatalog zu finden, einen SQL-Agenten, um Abfragen zu schreiben und auszuführen, einen prüfenden Agenten, um die Ergebnisse gegen Qualitätsschwellen zu halten, und einen dokumentierenden Agenten, um die Einträge zur Lineage zu aktualisieren. Was früher mehrere Fachleute gebunden hat, lässt sich mit einer menschlichen Prüfung im letzten Schritt erledigen.
• Unterstützung bei Compliance und Revision: Agenten, die Dokumente auf regulatorische Probleme durchsehen, Richtlinien abgleichen, den Umgang mit Daten gegen die Vorgaben der DSGVO prüfen und Prüfberichte erzeugen. Die Vielschichtigkeit einer Compliance über mehrere Regelwerke passt von Natur aus zur Zerlegung auf mehrere Agenten.
• Wissen zusammenführen: Agenten für Recherche holen einschlägige Dokumente aus internen Wissensbeständen, Agenten für Zusammenfassung erzeugen Überblicke und Erkenntnisse, Agenten für Belege prüfen die Quellen, und prüfende Agenten kontrollieren die Richtigkeit. So entsteht verlässlich zusammengeführtes Wissen in großem Maßstab.
• Code-Review und Sicherheitsanalyse: Agenten für Codeanalyse sehen Merge Requests auf Qualitätsprobleme durch, Agenten für Sicherheit suchen nach Schwachstellen, dokumentierende Agenten prüfen die Abdeckung, und ein Orchestrator erzeugt einen nach Wichtigkeit geordneten Prüfbericht.

Governance und Beobachtbarkeit

Systeme mit mehreren Agenten bringen Herausforderungen für die Governance mit, die ein einzelner Agent nicht hat. Wenn fünf Agenten an einer Aufgabe zusammenarbeiten, ist es alles andere als leicht nachzuvollziehen, welcher Agent welche Entscheidung getroffen hat, auf welche Datenquelle jeder zugegriffen hat und warum die Endausgabe so aussieht, wie sie aussieht.

Die wichtigsten Anforderungen an die Governance von Systemen mit mehreren Agenten:

• Zugriffskontrolle je Werkzeug: Jeder Agent sollte nur die Werkzeuge und Datenquellen erreichen, die er für seine Rolle braucht. Ein Agent für Recherche braucht keinen Schreibzugriff auf eine Datenbank; ein Agent für Code braucht keinen Zugriff auf PII von Kunden.
• Protokollierung je Agent: Jeder Werkzeugaufruf, jeder Datenzugriff und jede Nachricht zwischen Agenten sollte mit Identität des Agenten, Zeitstempel und Ein- und Ausgabe protokolliert werden. Das ist die Grundlage menschlicher Aufsicht.
• Bestimmtheit für kritische Schritte: Für Abläufe mit Bezug zur Compliance sollten bestimmte Schritte, etwa die abschließende Prüfung auf Regelkonformität, bestimmt und prüfbar sein, statt einer wahrscheinlichkeitsbasierten Ausgabe eines LLM überlassen zu werden.
• Kontrollpunkte mit Human-in-the-Loop: Verzweigte Abläufe mit mehreren Agenten sollten Punkte enthalten, an denen eine menschliche Prüfung nötig ist, bevor das System weiterläuft. Das gilt besonders für Handlungen mit Folgen in der Welt, etwa E-Mails zu senden, Datensätze zu ändern oder Prozesse auszulösen.

MCP und Systeme mit mehreren Agenten

Das Model Context Protocol (MCP) wird rasch zum Standard dafür, wie Agenten in Systemen mit mehreren Agenten externe Werkzeuge, Datenquellen und Dienste erreichen. MCP liefert ein gemeinsames Protokoll, sodass jeder Agent, unabhängig vom zugrunde liegenden Modell, jeden MCP-fähigen Server erreichen kann (Datenbank, Katalog, API), ohne eigenen Integrationscode.

Für Datenabläufe mit mehreren Agenten heißt MCP, dass jeder Agent im System denselben kuratierten Datenkatalog, dieselben fachlichen Definitionen aus dem Glossar und dieselbe Data Lineage erreicht, über ein einziges Protokoll. Ein Agent für Recherche, der den Katalog über MCP abfragt, bekommt dieselbe zugriffsgesteuerte, mit Qualitätskennzeichen versehene Sicht auf die Daten wie ein Mensch über die Weboberfläche. Die Schicht der Governance wird geteilt, nicht je Agent nachgebaut.

Dieses Zusammenlaufen, oben die Orchestrierung mehrerer Agenten, unten die über MCP angebundene kuratierte Dateninfrastruktur, ist die entstehende Architektur für KI im Unternehmen, die zugleich mächtig und vertrauenswürdig ist.

Fazit

Systeme mit mehreren Agenten sind die nächste Entwicklungsstufe der KI im Unternehmen: Architekturen, die komplexe, mehrstufige, über Fachgebiete verteilte Aufgaben bewältigen, indem sie sie in spezialisierte Bestandteile zerlegen. Die technischen Muster reifen schnell. Die Herausforderung der Governance, also dafür zu sorgen, dass verteilte Entscheidungen der KI prüfbar, zugriffsgesteuert und mit den Richtlinien der Organisation im Einklang sind, ist der Punkt, in den die meisten Umsetzungen im Unternehmen gerade investieren. Wer beides hinbekommt, hat KI-Systeme, die eine Vielschichtigkeit bewältigen, der weder ein einzelner Agent noch ein menschliches Team allein in diesem Maßstab gewachsen wäre.