Glossareintrag
Wir denken. KI tippt mit.
Multiagenten-System (englisch Multi-Agent System, kurz MAS; auch Multi-Agenten-System oder Multiagentensystem geschrieben) bezeichnet bei KI ein System aus mehreren KI-Agenten, die im selben Umfeld arbeiten, miteinander kommunizieren und sich Aufgaben zuspielen, um ein gemeinsames oder jeweils eigenes Ziel zu erreichen. Jeder Agent hat eine eigene Rolle, eigene Werkzeuge und nur einen Teilblick auf die Gesamtaufgabe; kein einzelner Agent kennt oder steuert das Ganze vollständig.
Der Begriff stammt aus der Forschung zur verteilten künstlichen Intelligenz der 1980er- und 1990er-Jahre. Michael Wooldridge und Nicholas Jennings legten 1995 in ihrem Aufsatz „Intelligent Agents: Theory and Practice“ die vier Eigenschaften eines Agenten fest, mit denen die Informatik bis heute arbeitet: Autonomie, soziale Fähigkeit, Reaktivität und Proaktivität. Seit 2023, als Systeme wie MetaGPT und ChatDev erstmals mehrere Sprachmodelle als Software-Team zusammenarbeiten ließen, meint der Begriff im Alltag fast immer Verbünde. Sie bestehen aus mehreren Instanzen großer Sprachmodelle wie Claude, GPT oder Gemini, etwa einen Planer-Agenten, der Rechercheur-Agenten losschickt und deren Ergebnisse zusammenführt. Das Marktforschungsunternehmen Gartner führt Multiagenten-Systeme in seiner Liste der strategischen Technologietrends für 2026 und definiert sie als Sammlungen von KI-Agenten, die interagieren, um individuelle oder gemeinsame komplexe Ziele zu erreichen.
Ein einzelner KI-Agent, der über Function Calling Kalender, Datenbank oder E-Mail bedient, ist noch kein Multiagenten-System. Von einem MAS spricht man erst, wenn mehrere Agenten einander Teilaufgaben übergeben, einander prüfen oder parallel an Teilen derselben Aufgabe arbeiten.
Die Zusammenarbeit der Agenten folgt in der Praxis wenigen Grundmustern, die sich bei allen Anbietern wiederfinden; die ersten vier beschreibt Anthropic in seinem Leitfaden „Building effective agents“ vom Dezember 2024:
Wie stark ein Multiagenten-System einem einzelnen Agenten überlegen ist, hängt von der Aufgabe ab. Anthropic berichtete im Juni 2025 über sein Recherche-System aus Leitagent und Subagenten, ein Verbund aus Claude Opus 4 als Leitagent und Sonnet-4-Subagenten habe einen einzelnen Opus-4-Agenten in der internen Auswertung um 90,2 Prozent übertroffen. Laut demselben Bericht verbraucht ein einzelner Agent etwa viermal so viele Tokens wie ein normaler Chat, ein Multiagenten-System etwa 15-mal so viele. Google Research und das MIT verglichen in einer Studie zur Skalierung von Agentensystemen (Dezember 2025) fünf Architekturen über mehrere Modellfamilien hinweg. Bei zerlegbaren Aufgaben wie Finanzanalysen lieferten Agentenverbünde bis zu 80,8 Prozent bessere Ergebnisse als ein einzelner Agent, bei Aufgaben mit strikt aufeinander aufbauenden Schritten dagegen 39 bis 70 Prozent schlechtere. Unabhängig voneinander arbeitende Agenten verstärkten Fehler um das 17,2-Fache, zentral koordinierte um das 4,4-Fache.
Erledigt jeder Agent seinen Schritt mit 98 Prozent Zuverlässigkeit, liegt die Erfolgsquote einer Kette aus 20 Schritten rechnerisch nur noch bei rund 67 Prozent, und ein Irrtum im ersten Schritt wandert als vermeintlicher Fakt durch alle folgenden. Die University of California in Berkeley hat die typischen Fehler in der Studie „Why Do Multi-Agent LLM Systems Fail?“ (März 2025) katalogisiert. Sieben verbreitete Open-Source-Systeme scheiterten je nach Aufgabe in 41 bis 86,7 Prozent der Fälle. Die Forscher ordneten über 1.600 Ablaufprotokolle 14 Fehlermustern in drei Gruppen zu. Auf Mängel in Aufgabenbeschreibung und Systemaufbau entfielen laut der Taxonomie-Abbildung der Studie rund 44 Prozent aller Fehler (etwa endlose Wiederholungen eines Schritts), auf Abstimmungsfehler zwischen den Agenten rund 32 Prozent (etwa ignorierte Hinweise eines Kollegen oder fehlende Rückfragen) und auf fehlende oder falsche Ergebnisprüfung rund 24 Prozent. Allein ein zusätzlicher Prüfschritt hob die Erfolgsquote des Systems ChatDev in der Studie um 15,6 Prozentpunkte.
Dass Koordination nicht von selbst entsteht, zeigt Anthropics Studie „Patterns and problems in emerging multiagent systems“ vom 13. August 2026, in der Dutzende Claude-Instanzen auf eigenen Rechnern über gemeinsame Foren und in simulierten Märkten zusammenarbeiteten. Ein koordinierter Schwarm aus 45 Agenten fand 266 Sicherheitslücken in Open-Source-Software, unabhängig arbeitende Agenten mit demselben Modell 21, allerdings bei 27 Millionen statt 6,5 Millionen verbrauchten Tokens. In anderen Experimenten sprachen Agenten ohne jede Anweisung Preise ab oder sabotierten einander bei unvereinbaren Aufträgen. Die Einzelheiten stehen in unserem Artikel zur Anthropic Multiagenten-Studie.
Damit Agenten verschiedener Hersteller überhaupt miteinander sprechen können, haben sich zwei offene Standards etabliert. Das Model Context Protocol (MCP) von Anthropic (November 2024) regelt die Verbindung eines Agenten zu Werkzeugen und Datenquellen, das Agent2Agent-Protokoll (A2A) die Kommunikation zwischen Agenten, auch über Firmengrenzen hinweg. Google stellte A2A im April 2025 mit über 50 Partnern vor und übergab es im Juni 2025 an die Linux Foundation; im März 2026 folgte Version 1.0. Laut Linux Foundation beteiligen sich inzwischen über 150 Organisationen, und das Protokoll ist in Google Cloud, Microsoft Azure und AWS integriert. Beide Standards ergänzen sich. A2A verbindet Agent mit Agent, MCP verbindet Agent mit Werkzeug.
Für Entwickler stellen alle großen Anbieter Baukästen bereit. Claude Code von Anthropic startet Subagenten mit eigenem Kontextfenster und eigenem Werkzeugsatz. Das OpenAI Agents SDK arbeitet mit Handoffs und Googles Agent Development Kit mit Agenten-Hierarchien. Microsoft hat sein früheres AutoGen im Microsoft Agent Framework aufgehen lassen, das seit dem 3. April 2026 in Version 1.0 vorliegt. Unabhängige Bibliotheken wie LangGraph und CrewAI ergänzen das Feld.
Trotz der Werkzeuge rechnet Gartner in einer Prognose vom Juni 2025 damit, dass über 40 Prozent aller Projekte mit agentischer KI bis Ende 2027 eingestellt werden, wegen steigender Kosten, unklarem Nutzen oder unzureichender Risikokontrolle. Versteckte Befehle, die ein Agent aus einer E-Mail oder Website aufnimmt, kann er ungeprüft an alle anderen weiterreichen, ein Risiko, das erst durch den Verbund entsteht; Forscher bezeichnen diese Ausbreitung in einer Studie vom Oktober 2024 als „Prompt Infection“, weil sich der eingeschleuste Befehl wie ein Computervirus von Agent zu Agent fortpflanzt. Anthropics Dokumentation zu Agenten-Teams behandelt Nachrichten anderer Agenten deshalb ausdrücklich nicht als Zustimmung des Nutzers, und kritische Aktionen wie Zahlungen oder Löschungen bleiben in gut gebauten Systemen einer menschlichen Freigabe vorbehalten.
Für Handwerksbetriebe und lokale Unternehmen ist ein Multiagenten-System in den meisten Fällen noch nicht nötig, und das raten die Anbieter selbst. Microsoft empfiehlt in seiner Anleitung zu verbundenen Agenten in Copilot Studio, einen Agenten erst dann in mehrere aufzuteilen, wenn er mehr als 30 bis 40 Aktionen (Werkzeuge, Themen, andere Agenten) auseinanderhalten muss oder getrennte Zugriffsrechte nötig sind; jede Übergabe verlängert die Antwortzeit und vergrößert den Test- und Verwaltungsaufwand. Anthropic empfiehlt in seinem Leitfaden die einfachste Lösung, die die Aufgabe löst, und hält Multiagenten-Systeme laut seinem Bericht zum Recherche-System nur für wertvolle Aufgaben für angebracht. Sie lassen sich stark parallelisieren und mehr Informationen verarbeiten, als in ein Kontextfenster passen oder viele komplexe Werkzeuge einbinden.
Bei den KI-Funktionen, die deutsche Handwerkssoftware-Anbieter wie Plancraft, HERO oder ToolTime im Sommer 2026 anbieten, handelt es sich um einzelne Assistenten, meist für die Telefonannahme. PORTA von Plancraft nimmt Anrufe entgegen, erfasst die Anfrage strukturiert und ordnet sie dem bestehenden Kunden zu. Dass mehrere Agenten einander Aufgaben übergeben, bietet nach unserer Recherche bisher keiner der genannten Anbieter an.
Wer die Zusammenarbeit mehrerer Agenten selbst aufbauen will, findet sie in den gängigen Automatisierungs-Plattformen. In n8n nutzt ein Haupt-Agent über den Baustein „AI Agent Tool“ andere Agenten als Werkzeuge, etwa einen Agenten, der eingehende Anfragen nach Gewerk und Dringlichkeit sortiert, und einen zweiten, der aus Kundenakte und Kalender einen Terminvorschlag entwirft. Zapier Agents können laut Zapier-Anleitung andere Agenten aus ihren Anweisungen heraus wie ein Werkzeug aufrufen, etwa einen Agenten zur Lead-Bewertung, der vielversprechende Anfragen an einen Agenten zur Datenanreicherung übergibt. Microsoft führt „Multi-Agenten-Systeme erstellen“ als Funktion von Copilot Studio. Die Deutsche Telekom vertreibt n8n seit 2026 als Paket aus Lizenz, Einrichtung und Schulung an kleine und mittlere Unternehmen. Nennt in ihrer Medieninformation als Beispiel ein Netzwerk aus KI-Agenten, das Lieferscheine verarbeitet und die Daten im Hintergrund gegen angebundene Drittsysteme prüft.
Seit dem 2. August 2026 gilt für alle diese Systeme die Transparenzpflicht aus Artikel 50 der KI-Verordnung, nach der Kunden spätestens beim ersten Kontakt erfahren müssen, dass sie mit einer KI sprechen. Die Leitlinien der EU-Kommission zu diesem Artikel vom Juli 2026 wenden die Pflicht auch auf Ketten mehrerer Agenten an. Jeder Agent, der mit Menschen interagiert, muss selbst offenlegen, dass er künstlich ist und in wessen Auftrag er handelt, unabhängig davon, ob ein anderer Agent ihn beauftragt hat; die reine Kommunikation zwischen Agenten ohne Kontakt zu Menschen bleibt davon ausgenommen. Mehr dazu im Eintrag zum EU AI Act.
