Nach einer Geschwindigkeitssteigerung um 62,5% – Was muss die Agenten-„Biene“-Community wirklich lösen?

Kernzusammenfassung

Die kürzlich von dem Swarms-Team veröffentlichte GraphWorkflow-Technologie hat die Ausführung von Aufgaben mit mehreren Agenten beschleunigt. Der eigentliche Wert dieser Forschung liegt jedoch nicht in der Zahl der Geschwindigkeitssteigerung von 62,5 % – sie zeigt vielmehr ein entscheidendes Signal: Mehragentensysteme (umgangssprachlich „Bienenstöcke“) haben den Schritt von der Konkurrenz um die Intelligenz der einzelnen Modelle zur Konkurrenz um die Fähigkeit zur koordinierten Zusammenarbeit vollzogen. Es geht nicht darum, möglichst viele Agenten zu verwenden, sondern darum, herauszufinden, wie man eine Gruppe intelligenter Agenten so organisiert, dass sie keine Zeit verschwenden, keine kollektiven Fehler machen und Aufgaben zuverlässig erledigen können.

Erstes: Lassen Sie sich nicht von dem Begriff „Bienenstock“ täuschen – es geht nicht einfach darum, mehrere Agenten zusammenzustellen

Viele Produkte bezeichnen die gleichzeitige Ausführung mehrerer Agenten als „Bienenstock“. Doch ein echter Bienenstock zeichnet sich dadurch aus, dass es keine zentrale Steuerung gibt und die einzelnen Agenten auf Basis lokaler Informationen handeln, wodurch ein kollektives Verhalten entsteht (wie bei Ameisen, die einen Weg finden). Die tatsächlich einsetzbaren Mehragentensysteme ähneln eher „temporären Projektteams“:

• Einzelner Agent: Ähnlich wie ein erfahrener Mitarbeiter, der eine Aufgabe alleine erledigt – geeignet für lineare, kurze Aufgaben (z. B. das Schreiben eines E-Mails).
• Supervisor/Worker: Ein Projektmanager, der mehrere Assistenten leitet (z. B. das System von Anthropic, bei dem der Hauptagent die Aufgaben verteilt und die Unteragenten die benötigten Informationen suchen).
• GraphWorkflow: Eine festgelegte Ablaufkette (z. B. Compliance-Überprüfungen, Batch-Tests); sowohl GraphWorkflow als auch LangGraph gehören zu dieser Kategorie.
• Dynamischer Bienenstock: Die Agenten entscheiden während der Ausführung selbst, ob sie Aufgaben aufteilen oder welche Partner sie suchen (z. B. der Kimi Agent Swarm kann dynamisch 300 Unteragenten koordinieren).
• Vollständig dezentralisierter Bienenstock: Noch in der Forschungsphase (z. B. die Simulation der Flugbewegungen von Vögeln) – noch weit entfernt von der praktischen Anwendung.

Im Kern geht es beim Bienenstock um die Organisation: Wie lässt man mehrere Agenten durch Aufteilung der Arbeit, Kommunikation und den Austausch von Informationen gemeinsam Aufgaben erledigen, die ein einzelner Agent nicht bewältigen kann?

Warum Mehragentensysteme nötig sind? Einzelne Agenten reichen nicht aus

Modelle werden immer intelligenter – doch einige Aufgaben lassen sich nicht einfach durch mehr Zeit lösen:

• Zu breites Arbeitsfeld: Bei der Suche nach sich gegenseitig bestätigenden Fakten in 100 Berichten müsste ein einzelner Agent jeden Bericht einzeln durchgehen, was zu Verzögerungen führen würde; mehrere Agenten können gleichzeitig in verschiedenen Richtungen suchen.
• Eingeschränkte Denkweise: Ein einzelner Agent konzentriert sich auf eine Richtung und ignoriert andere Möglichkeiten; mehrere Agenten können gleichzeitig verschiedene Wege verfolgen (z. B. einige suchen nach öffentlichen Informationen, andere nach Queldokumenten, wieder andere überprüfen die Ergebnisse).

Das Beispiel von Anthropic zeigt deutlich: Die Kombination aus einem Hauptagenten, der die Aufgaben koordiniert, und Unteragenten, die die Arbeit erledigen, führt zu 90 % besseren Ergebnissen – allerdings erhöht sich der Kostenaufwand um das 15-fache. Nicht alle Aufgaben eignen sich für diese Methode; bei Programmieraufgaben gibt es beispielsweise nur wenige parallele Bereiche, wodurch die Kommunikationskosten steigen können.

Hinter der Beschleunigung der Aufgabenverteilung: Die Organisation beginnt, den Rechenaufwand zu dominieren

Die Beschleunigung durch GraphWorkflow beruht auf der Optimierung der Aufgabenverteilung: Die festgelegten Ablaufweisen werden zuerst kompiliert und anschließend wiederholt ausgeführt, wodurch der Zeitbedarf für die Koordination der Agenten reduziert wird. Allerdings wurde nur die Effizienz der Aufgabenverteilung auf einem einzelnen Rechner getestet – die Geschwindigkeit der Modelle selbst wurde nicht berücksichtigt. Die Optimierung der Aufgabenverteilung hat nur einen geringen Einfluss auf die Gesamtgeschwindigkeit der Modelle.

Dies zeigt jedoch, dass bei einer großen Anzahl von Agenten (Dutzende bis Hunderte) die organisatorischen Kosten eine entscheidende Rolle spielen. Ähnlich wie in einem Unternehmen, wo mehr Mitarbeiter mehr Zeit für die Koordination benötigen: Wer was macht, wer auf wen wartet, wer Fehler korrigiert – diese Aufgaben sind nicht mehr sekundär, sondern entscheidend für den stabilen Betrieb des Systems. Deshalb werden in aktuellen Diskussionen immer häufiger Begriffe wie „Ablaufweisen“, „Scheduler“ und „Statusverwaltung“ verwendet.

Drei große Herausforderungen bei Mehragentensystemen: Aufgabenaufteilung, Informationsspeicherung und Fehlerprüfung

Die Aufteilung von Aufgaben auf mehrere Agenten ist zwar eine Managementaufgabe, stellt aber auch technische Herausforderungen dar:

1. Zuweisung: Welche Aufgaben sollen aufgeteilt werden? An wen? Wann sollte die Aufteilung abgebrochen und die Aufgabe direkt vom Agenten selbst erledigt werden? Beispielsweise lernt der SearchSwarm, ob eine Aufgabe an andere Agenten weitergegeben werden soll; die Unteragenten übertragen nur komprimierte Ergebnisse, um den Informationsverlust zu minimieren.

2. Informationsspeicherung: Es geht nicht darum, die Vorlieben der Benutzer zu merken, sondern um die Nachweise für die einzelnen Aufgaben – wer ist für welche Informationen verantwortlich? Woher stammen die Schlussfolgerungen? Welche Annahmen wurden widerlegt? Wenn jeder Agent lange Dialoge weiterleitet, wird das System mit unnötigen Informationen überlastet.

3. Fehlerprüfung: Mehrere Agenten sind nicht automatisch zuverlässiger; sie können sogar kollektive Fehler machen (z. B. wenn sie alle auf die gleichen Informationen zurückgreifen und sich gegenseitig ihre Vorurteile bestärken). Experimente zeigen, dass Systeme mit zentraler Fehlerprüfung eine Fehlervergrößerung von 4,4-fach aufweisen – deutlich weniger als bei systemen ohne Fehlerprüfung (17,2-fach). In Zukunft werden nicht mehr die „Arbeitenden“ (Workers), sondern die „Fehlerprüfer“ (Qualitätskontrolleure) die wichtigsten Rollen übernehmen.

Die Zukunft der Mehragentensysteme: Nicht „kleine Unternehmen“, sondern temporäre „Sonderkommandos“

Viele Darstellungen stellen Mehragentensysteme als Strukturen mit Chefs, Marketingabteilungen und Produktteams dar – das ist irreführend. Die zukünftige Entwicklung wird eher in Richtung temporärer, spezialisierter Teams gehen:

• Bei Aufträgen werden zuerst Risiken, Budgets und die Möglichkeit zur Parallelisierung bewertet.
• Für die Ausführung der Aufgaben werden temporäre Agentengruppen eingesetzt, die nach Abschluss der Aufgabe wieder aufgelöst werden.
• Die Zentrale steuert Ziele und Budgets; lokale Einheiten dürfen dynamisch arbeiten, während die Fehlerprüfer dafür sorgen, dass das System stabil bleibt.

Tipp für Unternehmer: Streben Sie nicht nach einer möglichst hohen Anzahl von Agenten – fragen Sie erst, ob es für die jeweilige Aufgabe 100 unabhängige Lösungswege gibt. Wenn nicht, ist eine Kombination aus einem einzelnen Agenten, guten Tools und einem Überprüfungsmechanismus kostengünstiger und zuverlässiger. Mehragentensysteme sind nur dann sinnvoll, wenn die Aufgaben aufteilt werden können, jeder Zweig neue Informationen liefert und die Ergebnisse gegenseitig überprüft werden können.

Die Modellempfehlungen werden weitergehen – doch der nächste Schritt wird nicht darin bestehen, zu sehen, welches Modell am intelligentesten ist, sondern darin, ob es gelingt, die Agenten so zu organisieren, dass sie effizient, kontrolliert und zuverlässig arbeiten.

(Hinweis: Die in dem Text genannten Forschungsergebnisse aus dem Jahr 2026 stammen aus Vorabdrucken oder Angaben der Hersteller und sind nicht als Branchenstandards zu betrachten.)