KI-Agenten im Schwarm: Entsteht so die nächste Stufe der KI?

Die nächste große Entwicklung bei künstlicher Intelligenz könnte aus der Zusammenarbeit vieler kleiner Aufgabenbearbeiter entstehen. Diesen Gedanken stellt Pascio in seinem X-Essay vom 12. September 2026 zur Diskussion. Er fragt, ob vernetzte KI-Agenten gemeinsam Fähigkeiten entwickeln könnten, die wir beim Blick auf einzelne Modelle übersehen.

Der Gedanke ist interessant. Dass mehrere KI-Agenten gemeinsam bestimmte Aufgaben besser lösen können, ist untersucht. Dass damit bereits eine allgemeine künstliche Intelligenz entstanden ist, belegen die hier betrachteten Arbeiten nicht. Für Unternehmen lohnt sich deshalb ein genauer Blick auf die Zusammenarbeit und ihre Grenzen.

Wie KI-Agenten zusammenarbeiten

Ein KI-Agent verbindet ein Sprachmodell mit Werkzeugen und einem Ablauf, in dem es Zwischenergebnisse verarbeitet und weitere Schritte auswählt. Solche Werkzeuge können beispielsweise eine Suche, eine Datenbankabfrage oder eine Dokumentenablage sein.

In einem System mit mehreren Agenten kann ein koordinierender Agent die Aufgabe zerlegen. Ein zweiter recherchiert, ein dritter prüft Unterlagen, ein weiterer vergleicht Ergebnisse. Zum Schluss werden die Teilantworten zusammengeführt. Anthropic beschreibt dieses Muster als Orchestrator-Workers. Es eignet sich besonders dann, wenn erst während der Bearbeitung deutlich wird, welche Teilaufgaben nötig sind.

Die Rollen müssen dabei keine unterschiedlichen Modelle verwenden. Mehrere getrennte Aufrufe desselben Modells können mit verschiedenen Aufträgen, Werkzeugen und Informationen arbeiten. Entscheidend ist, welche Informationen sie austauschen und wer das Gesamtergebnis prüft.

Was die Forschung tatsächlich zeigt

Die Arbeit Mixture-of-Agents Enhances Large Language Model Capabilities von 2024 untersuchte eine Anordnung aus mehreren Sprachmodellen. Die Modelle einer späteren Stufe erhielten die Antworten der vorherigen Stufe als zusätzliche Grundlage. Auf den untersuchten Benchmarks erzielte diese Kombination bessere Ergebnisse als einzelne Vergleichsmodelle, darunter GPT-4o. Das ist ein Ergebnis für eine bestimmte Architektur und bestimmte Tests, kein allgemeiner Beweis für eine überlegene Intelligenz.

Auch aus der Produktentwicklung gibt es ein konkretes Beispiel. Anthropic berichtete im Juni 2025, dass sein System für Recherche mit mehreren Agenten in einer internen Auswertung einen einzelnen Agenten übertraf. Besonders hilfreich war die Aufteilung bei Fragen, für die mehrere unabhängige Rechercherichtungen verfolgt werden mussten.

Die zusätzliche Leistung hatte einen Preis: Anthropic berichtete für seine Systeme von ungefähr 15-mal so vielen Tokens wie bei Chat-Interaktionen. Das ist keine allgemeine Kostenformel für alle Agentensysteme. Es zeigt aber, warum eine schnellere oder gründlichere Bearbeitung gegen Rechenaufwand und Abstimmung abgewogen werden muss.

Warum daraus noch kein AGI-Nachweis wird

Pascio zieht in seinem Essay eine Parallele zu biologischen Systemen: Viele einfache Einheiten könnten durch ihre Beziehungen ein komplexeres Verhalten hervorbringen. Daraus entwickelt er die Hypothese einer verteilten Intelligenz. Diese Hypothese geht deutlich über die beschriebenen Forschungsergebnisse hinaus.

Ein neu gestarteter Unteragent ist zunächst ein zusätzlicher Softwareprozess beziehungsweise Modellaufruf. Ein veränderter Auftrag oder ein anderer Gesprächskontext bedeutet nicht automatisch, dass sich das zugrunde liegende Modell selbst weiterentwickelt. Ebenso beweist eine überzeugende gemeinsame Antwort weder Bewusstsein noch eine breite Fähigkeit, beliebige neue Aufgaben zuverlässig zu lösen.

Die praktische Frage lautet deshalb: Welche Aufgabe löst die Zusammenarbeit besser, unter welchen Bedingungen, und lässt sich das Ergebnis überprüfen? Dafür braucht es vergleichbare Tests. Die bloße Anzahl beteiligter Agenten beantwortet diese Fragen nicht.

Ein Beispiel aus dem Unternehmensalltag

Angenommen, ein Betrieb erhält eine längere Kundenanfrage mit mehreren Anhängen. Das folgende Beispiel ist ein möglicher Ablauf, kein Bericht über einen bereits eingesetzten Kundenprozess:

1. Ein Agent erfasst das Anliegen und notiert fehlende Angaben.
2. Ein weiterer sucht die passenden Informationen in freigegebenen Produktunterlagen.
3. Parallel prüft ein anderer, ob die Anfrage widersprüchliche Anforderungen enthält.
4. Ein koordinierender Schritt erstellt daraus einen Antwortentwurf mit Quellen und offenen Punkten.
5. Eine zuständige Person prüft Preise, Zusagen und die Antwort, bevor sie an den Kunden geht.

Die Trennung kann helfen, wenn die Teilaufgaben umfangreich und unabhängig genug sind. Bei einer kurzen Anfrage nach Öffnungszeiten wäre dieser Aufbau vermutlich unnötiger Aufwand. Dort reicht häufig eine verlässliche Suche oder ein klarer, fester Ablauf.

Für einen ersten Versuch sollte derselbe Satz repräsentativer Anfragen mit einem einfachen Ablauf und mit mehreren Agenten bearbeitet werden. Verglichen werden korrekte Antworten, fehlende Informationen, Bearbeitungszeit, Kosten und die nötige Nacharbeit. So wird aus einer interessanten Architektur eine überprüfbare Entscheidung.

Mehr Agenten brauchen bessere Übergaben

Zusammenarbeit schafft zusätzliche Fehlerstellen. Die auf der NeurIPS 2025 veröffentlichte Studie Why Do Multi-Agent LLM Systems Fail? ordnet beobachtete Fehler unter anderem dem Systementwurf, der Abstimmung zwischen Agenten und der Ergebnisprüfung zu. Ein zweiter Agent beseitigt also nicht automatisch die Fehler des ersten.

Aus unserer Sicht sollten bei einem betrieblichen Test vier Dinge vor dem Start feststehen:

• Ein klarer Auftrag: Jeder Agent erhält eine abgegrenzte Aufgabe und weiß, wie ein brauchbares Ergebnis aussieht.
• Nachvollziehbare Übergaben: Aussagen kommen mit Quellen, offenen Fragen und dem Bearbeitungsstand beim nächsten Schritt an.
• Begrenzte Werkzeuge und Laufzeiten: Zugriffe passen zur Aufgabe. Aufrufe, Kosten und Wiederholungen haben feste Grenzen.
• Eine echte Abschlussprüfung: Das Ergebnis wird an den ursprünglichen Anforderungen geprüft. Ungeklärte Punkte werden an einen Menschen übergeben.

Ein weiterer Agent ist dann sinnvoll, wenn er eine konkrete Schwäche des bisherigen Ablaufs behebt. Bleibt die Qualität gleich und steigt nur der Aufwand, sollte der Aufbau einfacher werden.

Was Unternehmen daraus mitnehmen können

Der Beitrag von Pascio lenkt den Blick auf eine wichtige Frage: Wie verändern sich die Fähigkeiten eines Systems, wenn seine Bestandteile zusammenarbeiten? Für den betrieblichen Einsatz beginnt die Antwort bei einer überschaubaren Aufgabe und messbaren Ergebnissen.

Bei PRPG schauen wir deshalb zuerst auf den tatsächlichen Ablauf: Wo fehlt eine Information, wo bleibt Arbeit liegen, und was muss eine Person am Ende entscheiden? Ob dafür ein einzelner Agent, mehrere Agenten oder eine feste Automatisierung passt, ergibt sich aus dieser Prüfung. Mehr dazu finden Sie in unserem Überblick zu KI-Agenten für Unternehmen.

Stand: 13. September 2026. Redaktionelle Einordnung von PRPG auf Grundlage des verlinkten X-Essays und der genannten Primärquellen. Die beschriebenen Studien und Herstellerberichte belegen keine bereits entstandene AGI.