Agenten teilen sich die Arbeit. Sie teilen sich kein Wissen.

Innerhalb weniger Monate hat sich die KI-Branche auf dieselbe Bauform geeinigt. Anthropic, OpenAI, Google, Microsoft und die Werkzeughersteller darum herum sind vom Bild des einen Agenten, der alles kann, abgerückt. An seine Stelle tritt ein System aus mehreren: ein steuernder Agent, der eine Aufgabe zerlegt, und spezialisierte Subagenten, die die Teilstücke bearbeiten und ihre Ergebnisse zurückmelden.

Diese Konvergenz ist bemerkenswert, weil sie nicht aus einer Produktidee stammt, sondern aus einer physikalischen Grenze. Und sie ist für Unternehmen aus einem Grund interessant, über den bisher kaum jemand schreibt.

Warum ein einzelner Agent nicht skaliert

Ein Sprachmodell arbeitet in einem Kontextfenster, also einer begrenzten Menge an Text, die es gleichzeitig im Blick behalten kann. Diese Fenster sind in den letzten zwei Jahren stark gewachsen, was die verbreitete Annahme genährt hat, das Problem löse sich von selbst.

Es löst sich nicht. Die Architektur, auf der diese Modelle beruhen, setzt jeden Textbaustein in Beziehung zu jedem anderen. Der Aufwand wächst damit quadratisch, und die Qualität der Ergebnisse wird lange vor dem rechnerischen Limit instabil. In der Praxis beobachten Entwickler, dass ein überfülltes Fenster zu falschen Werkzeugentscheidungen, zu erfundenen Angaben und zu einem Verlust an Wiederholbarkeit führt: Dieselbe Anfrage liefert nicht mehr dasselbe Ergebnis. Für dieses Phänomen hat sich der Begriff Context Pollution eingebürgert, die Verunreinigung des Arbeitsspeichers durch zu viel Beiläufiges.⁴

Die Antwort darauf ist Isolation. Statt einen Agenten mit allem zu beladen, bekommt jeder Subagent ein eigenes, sauberes Fenster für seine Teilaufgabe und schickt nur eine verdichtete Zusammenfassung zurück. Der überwiegende Teil des Materials, mit dem er gearbeitet hat, erreicht den steuernden Agenten nie. Genau das ist der Zweck.

Die Wirkung ist messbar, und die belastbarste Zahl dazu kommt von Anthropic selbst. In einem Rechercheszenario übertraf ein System aus Claude Opus 4 als steuerndem Agenten und mehreren Claude-Sonnet-4-Subagenten einen einzelnen Opus-4-Agenten um 90,2 Prozent. Gemessen wurde das auf einer internen Evaluation des Herstellers, was bei der Einordnung mitzulesen ist. Bemerkenswert ist die Begründung: Die Menge der insgesamt verarbeiteten Textbausteine erklärt für sich genommen rund achtzig Prozent der Leistungsunterschiede.¹ Mehr-Agenten-Architekturen sind demnach vor allem ein Weg, mehr Verarbeitung auf eine Aufgabe anzuwenden, ohne ein einzelnes Fenster zu überladen.

Isolation ist keine Fundierung

An dieser Stelle lohnt es sich, genau hinzusehen, was durch die Isolation eigentlich gelöst wird.

Gelöst wird, was ein Agent mit sich trägt. Jeder Subagent startet mit einem leeren Fenster, unbelastet von dem, was die anderen gerade tun. Nicht gelöst wird, was ein Agent weiß. Ein leeres Fenster ist zunächst genau das: leer. Alles, was der Subagent über das Unternehmen wissen muss, für das er arbeitet, muss ihm zugeführt werden. Einzeln. Bei jedem Aufruf. Und für jeden Subagenten neu.

In einem System mit fünf parallel arbeitenden Subagenten wird die Frage, woraus sie schöpfen, damit nicht einmal gestellt, sondern fünfmal. Wer sie nicht beantwortet hat, hat sie nicht einmal offen, sondern fünffach.

Das ist der Punkt, an dem sich Mehr-Agenten-Systeme anders verhalten als die Chatfenster, an die Unternehmen sich in den letzten drei Jahren gewöhnt haben. Ein einzelner Agent, der auf einem widersprüchlichen Dokumentenbestand arbeitet, gibt eine falsche Antwort. Jemand liest sie, stutzt und korrigiert. Fünf Subagenten, die auf demselben Bestand arbeiten, geben fünf Antworten, die sich in Details unterscheiden, weil jeder von ihnen eine andere Fassung erwischt hat. Der steuernde Agent führt diese fünf zu einem Ergebnis zusammen.

Die Zusammenfassung ist der Ort, an dem der Widerspruch verschwindet

Der Verdichtungsschritt, der die Architektur überhaupt erst funktionieren lässt, hat eine unangenehme Nebenwirkung. Ein Subagent, der fünfzigtausend Zeichen gelesen hat und achttausend zurückmeldet, hat eine Auswahl getroffen. Ein steuernder Agent, der fünf solcher Rückmeldungen zu einem Ergebnis zusammenführt, trifft eine zweite. In keinem dieser beiden Schritte existiert ein Mechanismus, der einen Konflikt zwischen zwei Quellen als Konflikt kennzeichnen würde.

Sprachmodelle melden Widersprüche nicht. Sie gewichten und entscheiden sich, und sie tun das in derselben ruhigen, plausiblen Tonlage, in der sie auch richtige Antworten geben. Was in einem einstufigen System noch auffallen konnte, weil ein Mensch die Quelle daneben liegen hatte, ist nach zwei Verdichtungsschritten nicht mehr rekonstruierbar. Das Ergebnis wirkt kohärenter als seine Grundlage.

Beim sogenannten Swarm-Muster, einer der vier gängigen Bauformen, verschärft sich das noch. Dort arbeiten die Agenten gleichberechtigt und ohne zentrale Steuerung, die Koordination entsteht aus ihrem Zusammenspiel. Das ist für kreative und explorative Aufgaben attraktiv, aber es bedeutet auch, dass es keine Instanz gibt, bei der ein Widerspruch überhaupt auflaufen könnte. In der Praxis dominiert bisher das Muster mit zentralem Orchestrator; das Swarm-Muster ist die interessantere Zukunftsoption und zugleich die anspruchsvollere Voraussetzung an die Datenlage.⁴

Was das für die kommenden zwei Jahre bedeutet

Kleine Unternehmen werden solche Systeme nicht bauen. Das ist die entscheidende Beobachtung, und sie wird in der Debatte regelmäßig übersehen, weil dort überwiegend Entwickler mit Entwicklern sprechen.

Kleine Unternehmen werden diese Systeme geliefert bekommen. Gartner sagte im August 2025 voraus, dass bis 2026 vierzig Prozent der Unternehmensanwendungen aufgabenspezifische KI-Agenten enthalten, nach weniger als fünf Prozent im Jahr zuvor.² Das beschreibt keinen Projektmarkt, sondern einen Auslieferungsweg: Agenten kommen eingebettet in Software ins Haus, die ohnehin schon im Einsatz ist. Im CRM, im Buchhaltungswerkzeug, im Office-Paket, im Shopsystem. Die Entscheidung, ob im eigenen Unternehmen künftig mehrere Agenten arbeiten, wird an vielen Stellen gar nicht bewusst getroffen. Sie erscheint als Funktion in einem Update.

Die Frage, die dann zählt, ist nicht, ob man Agenten einsetzt. Sie lautet: Was finden diese Agenten vor, wenn sie nach der Wahrheit über das eigene Unternehmen suchen.

Für die allermeisten Firmen dieser Größe lautet die Antwort heute: einen gewachsenen Ordner, eine Website mit einem älteren Stand, ein paar Vorlagen in unterschiedlichen Fassungen und eine Handvoll Menschen, die wissen, was tatsächlich gilt. Das funktioniert, solange ein Mensch dazwischensitzt und eine veraltete Angabe erkennt, bevor sie das Haus verlässt. Ein Agentensystem entfernt genau diese Instanz, und es entfernt sie nicht an einer Stelle, sondern an allen gleichzeitig.

Warum Agenten ein gemeinsames Markengehirn erzwingen

Solange eine Person mit einem Chatfenster arbeitet, lässt sich die Frage der Fundierung improvisieren. Man hängt ein Dokument an, schreibt eine ausführliche Anweisung, richtet sich einen eigenen Assistenten ein. Das trägt, weil es genau eine Stelle gibt, an der Wissen hineingereicht wird, und weil dieselbe Person, die es hineinreicht, auch das Ergebnis liest.

Bei mehreren Agenten fällt diese Improvisation auseinander, und der Grund ist simpel: Es gibt keine gemeinsame Stelle mehr. Jeder Subagent bekommt seinen Kontext einzeln zugeteilt. Eine Anweisung, die in einem Chatverlauf steht, erreicht ihn nicht. Ein PDF in einem Ordner erreicht ihn nicht. Ein selbst eingerichteter Assistent, den ein Mitarbeiter für seine eigene Arbeit gebaut hat, erreicht ihn erst recht nicht.

Was ihn erreicht, ist ausschließlich das, was ein System bei jedem einzelnen Aufruf gezielt heranziehen kann. Genau dafür existiert die Bauform, die wir als KI-Markengehirn beschreiben: eine zentrale, gepflegte Schicht, aus der jedes Werkzeug, jede Person und jeder Agent denselben Stand bezieht. Sie trennt vier Dinge, die in einem Markenhandbuch vermischt sind: die strukturierte Identität der Marke, das belegbare Faktenwissen, den Abrufmechanismus, der zu jeder Anfrage die passenden Stellen heraussucht, und die Oberfläche, auf der Menschen damit arbeiten.

In dieser Aufteilung liegt der Punkt, der in der Agentendiskussion untergeht. Solange ein Agent arbeitet, ist eine solche Schicht eine Qualitätsfrage. Man kann sie umgehen, es wird nur mühsamer. Sobald fünf Agenten parallel arbeiten, ist sie die einzige Stelle, an der überhaupt noch etwas gemeinsam ist. Ohne sie gibt es kein Unternehmen, für das die Agenten arbeiten, sondern fünf voneinander unabhängige Interpretationen davon.

Fakten und Identität sind zwei verschiedene Aufgaben

Der Wissensspeicher beantwortet, was stimmt. Damit er das kann, muss zu jeder Angabe eine Fassung als gültig benannt sein. Nicht das vollständigste Dokument gewinnt, sondern das aktuellste, für das jemand geradesteht. Wo zwei Fassungen nebeneinander liegen, entscheidet sonst die Formulierungsähnlichkeit darüber, welche ein Agent findet, und das ist ein Zufallskriterium.

Der Markencharakter beantwortet, wie das Unternehmen klingt und auftritt: Positionierung, Vokabular, Tonfall, Tabus, das Erlaubte ebenso wie das Verbotene. Ein Subagent, der einen Kundentext formuliert, hat zu dieser Identität keinen Zugang, außer sie liegt ihm in abrufbarer Form vor. Liegt sie nicht vor, füllt er die Lücke mit dem statistisch Wahrscheinlichsten aus seinem Training. Das Ergebnis ist selten falsch und fast immer allgemein.

Beides zusammen ist das, was ein Agentensystem als Grundlage überhaupt entgegennehmen kann. Es entsteht nicht durch die Auswahl eines Werkzeugs, sondern durch Entscheidungen darüber, was gilt und wie man klingt. Diese Entscheidungen kann kein Anbieter abnehmen, und kein Modell wird gut genug, um sie zu erraten.

Der Multiplikator läuft in beide Richtungen

Die Versprechen rund um Mehr-Agenten-Systeme sind der Sache nach berechtigt. Aufgaben, die ein einzelner Agent über Stunden nicht bewältigt, werden parallel in Minuten erledigt, und die Kostenrechnung fällt dabei häufig günstiger aus als beim Einzelagenten, weil isolierte Fenster billiger sind als ein überfülltes.

Was diese Systeme nicht tun, ist Unklarheit auflösen. Sie vervielfachen, was sie vorfinden. Ein Unternehmen mit einem gepflegten Markengehirn bekommt aus dieser Architektur tatsächlich das, was die Zahlen versprechen. Ein Unternehmen mit zwölf Ordnern bekommt eine schnellere, parallelisierte und schwerer nachvollziehbare Version seiner eigenen Mehrdeutigkeit.

Gartner rechnet damit, dass mehr als vierzig Prozent der Vorhaben rund um agentische KI bis Ende 2027 abgebrochen werden, und nennt dafür steigende Kosten, unklaren Geschäftswert und unzureichende Risikosteuerung.³ In derselben Analyse steht eine Zahl, die seltener zitiert wird und mehr erklärt: Von den Tausenden Anbietern, die ihre Produkte als agentisch bezeichnen, hält Gartner etwa 130 für tatsächlich agentisch. Für den Rest hat sich der Begriff agent washing eingebürgert, die Umetikettierung vorhandener Assistenten und Automatisierungen.

Man kann die Abbruchprognose als Warnung vor der Technologie lesen. Näher liegt eine andere Lesart: Ein Teil der Projekte scheitert daran, dass gar kein Agent gekauft wurde, und ein anderer daran, dass eine Vorarbeit übersprungen wurde, die als unspektakulär gilt.

Diese Vorarbeit ist in einem Unternehmen mit zwölf Beschäftigten überschaubar. Sie ist nur nicht aufschiebbar, weil die Agenten nicht warten, bis jemand sie bestellt hat.

Quellen

1. Anthropic: How we built our multi-agent research system. Anthropic Engineering. Angabe zur Leistung: „a multi-agent system with Claude Opus 4 as the lead agent and Claude Sonnet 4 subagents outperformed single-agent Claude Opus 4 by 90.2%“, gemessen auf einer internen Research-Evaluation des Herstellers; Angabe zur Varianzaufklärung durch Token-Nutzung bezogen auf die BrowseComp-Evaluation. anthropic.com/engineering/multi-agent-research-system
2. Gartner, Inc.: Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026, Up from Less Than 5% in 2025. Pressemitteilung vom 26.08.2025. gartner.com
3. Gartner, Inc.: Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Pressemitteilung vom 25.06.2025. Grundlage der Investitionsangaben ist eine Gartner-Umfrage vom Januar 2025 unter 3.412 Webinar-Teilnehmenden; die Schätzung zu tatsächlich agentischen Anbietern und der Begriff „agent washing“ stammen aus derselben Mitteilung. gartner.com
4. Zur Architektur von Subagenten sowie zu den Mustern Orchestrator-Worker, Hierarchical, Swarm und Pipeline: KI-Beratung, Subagenten: Alles was du wissen musst. kiberatung.de

Wo steht Ihr Unternehmen? Im kostenlosen KI-Marken-Check ordnen wir das gemeinsam ein — strukturiert, unverbindlich, in 30 Minuten.