Multi-Agent-Systeme sind Anordnungen, in denen mehrere selbstständig handelnde Softwareeinheiten zusammenwirken, um eine Aufgabe zu lösen, die keine von ihnen allein bewältigt. Seit 2023 bezeichnet der Begriff überwiegend Verbünde mehrerer Sprachmodell-Instanzen.
Zusammenfassung
Die Grundidee ist älter als das maschinelle Lernen und stammt aus der verteilten künstlichen Intelligenz der 1980er Jahre: Statt ein zentrales System für alles zuständig zu machen, wird die Aufgabe auf spezialisierte Einheiten verteilt, die sich abstimmen.
Mit agentenfähigen Sprachmodellen ist die Idee zurückgekehrt, in veränderter Gestalt. Die Einheiten sind nicht mehr eigens gebaute Programme, sondern Instanzen desselben Modells, denen unterschiedliche Rollen und Werkzeuge zugewiesen werden.
Der Nutzen liegt in drei Punkten: Arbeitsteilung, gegenseitige Prüfung und getrennte Kontextfenster – jede Instanz muss nur einen Teil der Aufgabe überblicken.
Die Kosten sind erheblich: mehrfacher Rechenaufwand, längere Laufzeiten, und eine Klasse von Fehlern, die bei einem einzelnen System nicht vorkommt.
Begriffsgeschichte
Das Feld der verteilten künstlichen Intelligenz entstand in den 1980er Jahren. Es untersuchte Systeme, die durch Nachrichtenaustausch, Verhandlung oder Versteigerung zu gemeinsamen Ergebnissen kommen.
Michael Wooldridges Lehrbuch fasste den Stand um die Jahrtausendwende zusammen; die begrifflichen Werkzeuge – Verhandlungsprotokolle, Koordinationsmechanismen, Spieltheorie – stammen aus dieser Zeit.
Die praktische Bedeutung blieb lange begrenzt, weil die einzelnen Einheiten wenig konnten.
Das änderte sich 2023. Arbeiten wie Generative Agents, die eine simulierte Kleinstadt mit Sprachmodell-Bewohnern bevölkerten, und Rahmenwerke wie AutoGen machten Verbünde aus Modellinstanzen praktisch handhabbar.
Seither ist die Bauform in Werkzeugen zur Softwareentwicklung, Recherche und Datenauswertung verbreitet – häufig unter der Bezeichnung Orchestrierung.
Methodische Grundlagen
Rollenzuweisung. Instanzen desselben Modells erhalten unterschiedliche Anweisungen: Planer, Ausführender, Prüfer. Die Spezialisierung entsteht durch den Systemprompt, nicht durch das Training.
Orchestrator-Muster. Eine übergeordnete Instanz zerlegt die Aufgabe, verteilt Teilaufgaben und setzt die Ergebnisse zusammen – die verbreitetste Anordnung.
Trennung der Kontexte. Der praktisch wichtigste Vorteil: Jede Instanz sieht nur, was sie braucht. Damit lassen sich Aufgaben bearbeiten, deren Gesamtumfang kein einzelnes Kontextfenster fasst.
Gegenseitige Prüfung. Eine Instanz erzeugt, eine andere kritisiert. Das Verfahren fängt einen Teil der Fehler, die eine Selbstprüfung übersieht.
Nebenläufigkeit. Unabhängige Teilaufgaben laufen gleichzeitig – der Grund, warum die Bauform trotz höherer Kosten oft schneller ist.
Abstimmungskosten. Der begrenzende Faktor: Jede Übergabe zwischen Instanzen verliert Information und erzeugt Aufwand.
Anwendungsfelder
Softwareentwicklung. Verbünde, die Aufgaben zerlegen, Code schreiben, Tests ausführen und Ergebnisse prüfen – der wirtschaftlich bedeutendste Anwendungsfall.
Recherche. Mehrere Instanzen durchsuchen unterschiedliche Quellen und tragen die Befunde zusammen.
Simulation. Gesellschaftswissenschaftliche Untersuchungen, die das Verhalten von Gruppen mit Modellinstanzen nachbilden.
Robotik. Koordination mehrerer Fahrzeuge oder Geräte – die ältere, nicht sprachmodellbasierte Linie des Feldes.
Marktprozesse. Handels- und Preisbildungssysteme, in denen mehrere Programme aufeinandertreffen.
Kontroversen und Kritik
Aufwand ohne Ertrag. Der häufigste Einwand: Für viele Aufgaben liefert ein einzelnes, gut angeleitetes Modell dasselbe Ergebnis zu einem Bruchteil der Kosten. Die Bauform wird verwendet, weil sie interessant ist, nicht weil sie nötig wäre.
Fehlerfortpflanzung. Ein Irrtum einer frühen Instanz wandert durch die Kette und wird von späteren als Voraussetzung behandelt.
Scheinbare Unabhängigkeit. Instanzen desselben Modells teilen dessen Schwächen. Eine Prüfinstanz, die dieselbe Verzerrung hat wie der Prüfling, findet nichts – die gegenseitige Prüfung ist schwächer, als sie aussieht.
Verantwortungsdiffusion. Wenn ein Verbund einen Schaden anrichtet, ist schwer zu bestimmen, welcher Schritt ihn verursacht hat.
Angriffsfläche. Eine eingeschleuste Anweisung in einer Quelle, die eine Instanz liest, wirkt über die Übergaben im ganzen Verbund weiter.
Konflikt statt Fehler. Der grundsätzlichste Punkt, untersucht vom Center on Long-Term Risk: Mehrere Systeme mit unvereinbaren Zielen erzeugen Ausgänge, die keines von ihnen wollte – ohne dass eines fehlerhaft wäre.
Warum Mehrzahl eine eigene Fehlerklasse erzeugt
Die Sicherheitsforschung hat sich lange auf ein Verhältnis konzentriert: ein System, seine Auftraggeber, dazwischen die Frage, ob das System tut, was gemeint war.
Ein Verbund kennt dieses Verhältnis auch, und daneben ein zweites: das der Systeme untereinander. Die Fehler, die dort entstehen, haben eine andere Bauart.
Bei einem einzelnen System liegt der Fehler in der Lücke zwischen Vorgabe und Absicht. Bei mehreren kann jede Vorgabe genau getroffen sein und das Ergebnis trotzdem schlecht: Zwei Instanzen, die um eine Ressource verhandeln, kommen zu einem Ausgang, der beiden Auftraggebern schadet – nicht aus Unfähigkeit, sondern weil Verhandlungen unter unvereinbaren Zielen so ausgehen können.
Dieselbe Struktur erzeugt auch die freundlicheren Fälle. Zwei Systeme, die dasselbe Ziel verfolgen und einander nicht mitteilen können, was sie bereits getan haben, doppeln ihre Arbeit oder heben sie auf.
Praktisch heißt das: Wer Verbünde baut, kann sich nicht darauf verlassen, dass die Sicherheit des Ganzen aus der Sicherheit der Teile folgt. Das ist keine neue Einsicht – die Organisationslehre kennt sie seit langem –, aber eine, die in der Werkzeugentwicklung noch selten berücksichtigt wird.
Verwandte Begriffe
- Agentic AI – Voraussetzung der heutigen Bauform
- ReAct – Verfahren der einzelnen Instanz
- Center on Long-Term Risk – Forschung zu Konflikt zwischen Systemen
- Context Engineering – Beherrschung der Kontexttrennung
- Prompt Injection – Angriffsweg über Übergaben
- Tool Use – Werkzeugzugriff der Instanzen
- Claude Code – Anwendung mit Verbundarchitektur
Quellenangaben
- Park, Joon Sung / O’Brien, Joseph C. / Cai, Carrie J. u. a. (2023): Generative Agents: Interactive Simulacra of Human Behavior. arXiv: 2304.03442.
- Wooldridge, Michael, 2009. An Introduction to MultiAgent Systems.
- Wu, Qingyun / Bansal, Gagan / Zhang, Jieyu u. a. (Microsoft) (2023): AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv: 2308.08155.
← Zurück zur Lexikon-Übersicht
Zuletzt bearbeitet: 10. August 2026
Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.