Teams statt
Super-Agents.
Was passiert, wenn nicht mehr ein Agent arbeitet, sondern ganze Agentensysteme entstehen.
Die Zukunft agentischer Systeme liegt nicht in einzelnen Super-Agents, sondern in koordinierten Netzwerken spezialisierter Agents. Je leistungsfähiger diese Systeme werden, desto mehr ähneln sie Organisationen.
Viele stellen sich die Zukunft als einen gigantischen Universal-Agent vor. In der Praxis entsteht etwas anderes: viele kleine, spezialisierte Agents, die zusammenarbeiten, mit klareren Rollen, weniger Noise und besserer Wartbarkeit. Damit verschiebt sich das Problem von „Wie intelligent ist der Agent?“ zu „Wie gut funktioniert die Koordination?“
Der nächste Schritt nach Einzelagenten.
Spezialisierung schlägt Generalisierung. Ein Team aus spezialisierten Agents ist meist besser als ein einzelner Universal-Agent. Aus den gleichen Gründen, aus denen menschliche Teams Spezialisten brauchen.
- 01Universal-Agent.
Überladen, chaotisch, viele Aufgaben gleichzeitig. Funktioniert für Demos. Bricht im Alltag.
- 02Team aus Spezialisten.
Research-Agent, Planning-Agent, Coding-Agent, Review-Agent, Memory-Agent. Klare Rollen, weniger Noise, bessere Wartbarkeit, bessere Skalierung.
Die Zukunft agentischer Systeme ist wahrscheinlich organisatorisch. Nicht monolithisch.
Rollen in Multi-Agent-Systemen.
Wie in einer guten Organisation übernehmen Agents unterschiedliche Verantwortlichkeiten, mit unterschiedlichen Fähigkeiten, Rechten und Kontexten. Nicht jeder Agent braucht dasselbe.
Planner
Zerlegt Aufgaben, priorisiert Schritte, delegiert Arbeit an andere Agents.
Executor
Führt konkrete Aufgaben aus. Tool-Use, Outputs, sichtbare Ergebnisse.
Research
Sammelt Informationen, prüft Quellen, verdichtet Wissen.
Review
Kritisiert Ergebnisse, sucht Fehler, prüft Qualität gegen Kriterien.
Memory
Verwaltet Wissen, pflegt Kontext, aktualisiert Learnings über Zeit.
Coordinator
Überwacht den Fluss, löst Konflikte, sichert Verantwortlichkeit.
Multi-Agent-Systeme funktionieren oft eher wie Organisationen. Als wie einzelne Programme.
Paperclip — die Firma für KI-Agenten.
Paperclip ist ein reales Open-Source-System, das ein ganzes Unternehmen aus KI-Agenten betreibt. Der Leitsatz: Ist ein einzelner Agent ein Mitarbeiter, dann ist Paperclip die Firma. Kein Chatbot, kein Agenten-Framework, kein Workflow-Baukasten — sondern die Organisationsebene darüber.
Wer mit vielen Agenten arbeitet, verliert schnell den Überblick: zwanzig offene Fenster, niemand weiß mehr, welcher Agent woran arbeitet, und beim Neustart ist alles weg. Paperclip gibt diesen Agenten eine feste Struktur — Identität, Rollen, Aufgaben, Budgets und Freigaben.
Beispielhafte Rollen im Agenten-Unternehmen:
- 01Organigramm statt Tool-Sammlung.
Jeder Agent hat eine Rolle, einen Titel und eine Berichtslinie. Aufgaben sind an die Unternehmensziele gekoppelt, sodass jeder Agent nicht nur das „Was“ kennt, sondern auch das „Warum“.
- 02Steuerung & Persistenz.
Budgets begrenzen die Kosten, Freigaben sichern kritische Schritte, und die Arbeit überlebt über Sessions hinweg — statt bei jedem Neustart von vorn zu beginnen.
Quellcode & Dokumentation → GitHub: paperclipai/paperclip
Paperclip denkt Agenten nicht als Werkzeuge, sondern als Mitarbeiter in einer Organisation — mit Rollen, Zielen und Verantwortung.
Gastown — eine ganze Stadt aus Agenten.
Gastown ist ein reales Open-Source-System, das viele KI-Agenten gleichzeitig koordiniert — organisiert wie eine kleine Stadt. Statt eines einzelnen Super-Agents arbeiten klar verteilte Rollen zusammen.
Ein „Bürgermeister“ (Mayor) behält den Überblick und verteilt Arbeit. „Arbeiter“-Agenten (Worker) erledigen einzelne Aufgaben. „Wächter“-Agenten (Witness) beobachten den Betrieb und greifen ein, wenn ein Agent hängenbleibt. Eine Organisation aus spezialisierten Rollen — kein einzelnes Programm.
- 01Rollen statt Alleskönner.
Der Bürgermeister koordiniert, die Arbeiter führen aus, die Wächter sichern Stabilität. Wie in einer Organisation hat jede Rolle eine klare Aufgabe und Verantwortung.
- 02Arbeit, die nicht verloren geht.
Der Arbeitsstand lebt in Git und übersteht Abstürze oder Neustarts einzelner Agenten. So bleibt ein Lauf auch über viele Agenten und lange Zeiträume hinweg stabil.
Quellcode & Dokumentation → GitHub: gastownhall/gastown
Die eigentliche Herausforderung ist nicht das einzelne Modell, sondern Koordination und Persistenz über viele Agenten hinweg.
Das eigentliche Problem ist Koordination.
Sobald viele Agents zusammenarbeiten, entstehen neue Probleme. Und das Problem verschiebt sich von „Wie intelligent ist der Agent?“ zu „Wie gut funktioniert die Koordination?“
Widersprüchliche Ziele
Zwei Agents arbeiten am gleichen Output mit unterschiedlichen Optimierungen.
Konflikte
Wer entscheidet, wenn zwei Agents unterschiedliche Empfehlungen geben?
Deadlocks
Agents warten gegenseitig aufeinander, niemand macht den ersten Schritt.
Redundanz
Mehrere Agents lösen die gleiche Teilaufgabe. Ressourcen werden verschwendet.
Kontextdrift
Im Lauf der Koordination geht das ursprüngliche Ziel verloren.
Verantwortlichkeit
Wenn etwas schiefläuft. Welcher Agent war zuständig?
Die größte Herausforderung agentischer Systeme ist oft Organisation.
Menschliche Organisationen als Blaupause.
Interessanterweise tauchen in Multi-Agent-Systemen dieselben Fragen auf wie in echten Unternehmen. Agents entwickeln organisatorische Probleme. Nicht nur technische.
- Wer entscheidet?
- Wer prüft?
- Wer darf was?
- Wer eskaliert?
- Wie wird Wissen geteilt?
- Wer pflegt es?
- Wie verhindert man Drift?
- Wie entstehen Prioritäten?
- Wie verhindert man Chaos?
- Wie wird Performance gemessen?
Die Zukunft von KI wird wahrscheinlich genauso viel Organisationsdesign wie Modellengineering sein.
Vier Heuristiken für Multi-Agent-Systeme.
Was Organisationen über Jahrzehnte gelernt haben, gilt auch für digitale Teams. Vier einfache Prinzipien helfen, ein Multi-Agent-System nicht im eigenen Chaos zu ertränken.
- 01Rollen klar schneiden.
Jeder Agent hat eine Aufgabe, klare Eingaben und Ausgaben. Keine Überlappung, kein graue Zone.
- 02Einen Verantwortlichen pro Lauf.
Ein Coordinator oder Planner trägt am Ende die Verantwortung. Sonst macht niemand den Schritt zum Abschluss.
- 03Gemeinsamer Kontext, getrennte Speicher.
Alle sehen das Ziel. Nicht alle teilen Memory. Sonst entstehen Konflikte und Drift.
- 04Eskalation an Menschen.
Bei Konflikten oder Unsicherheit zurück an den Menschen. Nicht eine endlose Schleife unter Agents.
Die Zukunft liegt nicht in einzelnen Super-Agents, sondern in koordinierten Netzwerken spezialisierter Agents.
Je leistungsfähiger diese Systeme werden, desto mehr ähneln sie Teams, Organisationen, Unternehmen, digitalen Nervensystemen. Die spannendste Frage der nächsten Jahre ist vielleicht nicht „Wie intelligent wird KI?“, sondern „Wie organisieren wir Intelligenz?“
Vier Bewegungen. Mehr braucht es nicht, um Multi-Agent-Systeme nicht im Chaos enden zu lassen.
- 01Spezialisieren
Klare Rollen statt Universal-Agent.
- 02Koordinieren
Ein Verantwortlicher pro Lauf, klare Übergaben.
- 03Trennen
Gemeinsame Ziele, getrennte Speicher und Rechte.
- 04Eskalieren
Bei Unsicherheit zurück an den Menschen.
Wie organisieren wir Intelligenz?