Agentic Systems: Warum Multi-Agent-Teams die Single-Agent-Annahme ablösen — und wo sie spektakulär scheitern

Anthropic hat im Juni 2025 offengelegt, wie das eigene Research-Feature in Claude funktioniert. Nicht ein Agent, der eine Frage beantwortet, sondern ein Lead-Researcher (Opus 4), der die Frage zerlegt, einen Plan in den Memory schreibt, parallel mehrere Sub-Agents (Sonnet 4) losschickt, jedem einen abgegrenzten Suchauftrag gibt, die Ergebnisse einsammelt und am Ende einen Citation-Agent über das Ergebnis schickt. Die Performance auf dem internen Research-Benchmark: 90,2% besser als der gleiche Opus 4 allein. Der Preis: das System verbrennt etwa fünfzehnmal so viele Tokens wie ein normaler Chat. Token-Verbrauch erklärt allein 80% der Performance-Varianz, Tool-Call-Anzahl und Modellwahl die restlichen 20%. (Anthropic Engineering Blog, ByteByteGo Analyse)

Das ist die saubere Variante der These, die in den letzten Monaten überall hochgespült wird: Ein einzelner Agent ist eine harte Decke. Ein Team von Agents bricht sie — wenn man bereit ist, den Preis zu zahlen.

In Agent statt Anwender habe ich beschrieben, warum AI-Agents das SaaS-Geschäftsmodell aushebeln. In AI Agents brauchen Aufsicht ging es darum, warum selbst ein einzelner Agent ohne Human-in-the-Loop still degradiert. In Das MCP-Paradox habe ich gezeigt, dass die perfekte API die eigene Kommoditisierung beschleunigt. Dieser Artikel ist der nächste Schritt: Wenn der einzelne Agent zu wenig ist, wird das Team das Default-Pattern — und damit auch die Failure-Modes, die ein Team mitbringt.

Warum Single-Agent eine Decke hat

Ein einzelner Agent hat genau einen Kontext, eine Tool-Liste, ein Modell. Das klingt nach Sparsamkeit, ist in der Praxis aber drei harte Limits:

Context-Window. Auch bei einer Million Tokens läuft jeder ernsthafte Research-Task voll. Anthropic schreibt explizit, dass der Lead-Researcher seinen Plan in den Memory schreiben muss, weil das Context-Window bei 200k Tokens abgeschnitten wird. Wer parallel arbeiten lässt, multipliziert das effektive Window mit der Zahl der Sub-Agents.
Sequenzielle Verarbeitung. Ein Agent denkt einen Gedanken nach dem anderen. Bei einer Frage wie “Vergleiche die Produkt-Roadmaps von SAP, Oracle und Microsoft im Bereich Agentic Workflows” wandert er sequentiell durch drei Quellen, statt drei Sub-Agents parallel loszuschicken.
Tool-Overload. Ab ca. 30 Tools wird das Modell schlechter bei der Werkzeugauswahl. Wer mehr braucht, muss spezialisieren: ein Agent für Web-Recherche, einer für SQL, einer für Code-Execution.

Anthropic formuliert das Kriterium für den Einsatz von Multi-Agent klar: Heavy Parallelization, Information über das Context-Window hinaus, viele komplexe Tools. Für alles andere ist ein einzelner Agent billiger und meistens auch genauer.

Die Frameworks: Was 2026 produktionsreif ist

Der Markt hat sich in 18 Monaten konsolidiert. Drei Bewegungen waren entscheidend: Microsoft hat AutoGen im Oktober 2025 in den Wartungsmodus geschickt und mit dem Microsoft Agent Framework (MAF) den offiziellen Nachfolger positioniert — die 1.0 kam am 2. April 2026 als GA für .NET und Python. OpenAI hat das experimentelle Swarm durch das Agents SDK ersetzt und diesem im April 2026 einen Overhaul mit nativen Sub-Agents und First-Class-MCP-Support verpasst. LangGraph hat CrewAI bei GitHub-Stars überholt, weil Enterprise-Käufer den graph-basierten Ansatz mit Audit-Trail und Rollback-Punkten kaufen — inzwischen als 1.0, mit MCP-Tools als Graph-Nodes.

Framework	Anbieter	Pattern	Stärke	Schwäche	Reife
Microsoft Agent Framework 1.0	Microsoft	Convergenz aus AutoGen + Semantic Kernel	Enterprise-Governance, .NET + Python, Long-Term-Support	Jung, Migration aus AutoGen schmerzhaft	GA (April 2026)
LangGraph	LangChain	Directed Graph mit Checkpoints	Audit-Trail, Rollback, State-Machine, MCP-Tools als Graph-Nodes	Steile Lernkurve, viel Boilerplate	1.0, Marktführer Enterprise
CrewAI	CrewAI Inc.	Role-Playing-Crew	40% schneller zur ersten Production-Crew als LangGraph	Wenig Governance, weniger Kontrolle	GA, Mittelstand
OpenAI Agents SDK	OpenAI	Handoffs + native Sub-Agents	Schlankes API, First-Class-MCP seit dem April-2026-Overhaul	Lock-in OpenAI	GA, Overhaul April 2026
Claude Agent SDK	Anthropic	Orchestrator-Worker (Lead + Sub-Agents)	Die Claude-Code-Harness als SDK, Sub-Agents und MCP nativ, beste Doku	Bindet an den Anthropic-Stack	GA
Google ADK	Google	Hierarchische Agent-Teams, code-first	Gemini/Vertex-Integration, A2A-Protokoll für Agent-zu-Agent-Kommunikation	Zieht in den Google-Stack	GA
Pydantic AI	Pydantic	Typisierte Agents (Python)	Type-Safety, schlanke API, modell-agnostisch	Orchestrierung großer Teams begrenzt	GA (1.0)
ChatDev 2.0 / DevAll	OpenBMB	DAG via MacNet, Puppeteer-Orchestrator	Zero-Code Drag-and-Drop, tausende Agents, RL-basierte Aktivierung	Eher Research-Plattform, Enterprise-Reife unklar	Release Januar 2026
AutoGen	Microsoft (Community)	Konversation zwischen Agents	Historisch reichste Patterns	Maintenance Mode seit Oktober 2025, keine neuen Features	Auslaufend

Stand der Tabelle: Juli 2026.

Quellen: Microsoft Agent Framework Overview, Visual Studio Magazine: MAF 1.0, VentureBeat: Microsoft retires AutoGen, OpenAgents Comparison, ChatDev GitHub, x-cmd: ChatDev 2.0 Release.

Wer im Sommer 2026 ein neues Multi-Agent-System aufsetzt, hat realistisch fünf Optionen: LangGraph, wenn Audit und Kontrolle zählen. CrewAI, wenn Time-to-Production zählt. Microsoft Agent Framework, wenn man im .NET-Stack lebt und Compliance-Anforderungen hat. Google ADK, wenn der Stack ohnehin auf Vertex läuft. Claude Agent SDK, wenn man die produktionsgetestete Claude-Code-Harness übernehmen will. Pydantic AI ist die schlanke Python-Alternative für Teams, die Type-Safety höher gewichten als Orchestrierungs-Features. ChatDev bleibt Forschung.

Wo Multi-Agent wirklich hilft

Die spannendere Frage ist nicht “welches Framework”, sondern “wann lohnt es sich überhaupt”. Die ehrliche Antwort: selten so oft, wie die Demos suggerieren.

Research und Discovery. Anthropics 90,2%-Improvement gilt für genau diesen Task-Typ: breitgefächerte Recherche, unabhängige Such-Pfade, am Ende Synthese. Deep Research bei OpenAI, Claude Research, Perplexity Deep Research — alle drei laufen intern als Multi-Agent. Eine Studie zu klinischem Reasoning in der Ophthalmologie zeigt ähnliche Effekte: Proprietary-Flagship-Systeme stiegen von 90,8% auf 95,0%, Open-Source-Councils von 83,2% auf 91,0%. Der Skill, der mehr wird: Genauigkeit unter Last. (arxiv: Deliberative multi-agent LLMs in ophthalmology)

Skalierung von Aufgaben mit unabhängigen Sub-Tasks. Eine medRxiv-Studie aus August 2025 zeigt den interessantesten Effekt: Bei klinischen Workloads hielten Multi-Agent-Setups 90,6% Accuracy bei Batches von fünf Aufgaben und 65,3% bei achtzig. Single-Agent fiel im gleichen Setup von 73,1% auf 16,6%. GPT-4.1-mini im Multi-Agent-Modus blieb zwischen 96% und 91,4% — als Single-Agent fiel es von 96% auf 33,9%. (medRxiv-Studie)

Das ist die eigentliche Pointe: Multi-Agent wird nicht nur besser, es degradiert langsamer unter Last.

Customer Service mit Spezialisierung. Sierra (USA, rund $200M ARR, Stand Mitte 2026) baut explizit auf Multi-Agent: ein Triage-Agent, ein Wissens-Agent, ein Action-Agent, ein Eskalations-Agent. Cresta fährt das Hybrid-Modell mit Agent + Agent-Assist + Conversation-Intelligence. In DACH ist Parloa der direkte Gegenspieler mit $350M Series D im Januar 2026 bei $3 Mrd. Bewertung und einem klaren Multi-Agent-Setup für Voice in Contact Centern, Cognigy mit über 100 Sprachen und On-Prem-Optionen, Onlim im AT/DE-Mittelstand.

Legal Research. Harvey hat im Mai 2026 explizit “Tailored Legal Agents for Every Matter” gelauncht — separate Agents für Due Diligence, Case-Law-Recherche, Drafting, Citation-Check. Das ist die saubere Multi-Agent-Logik: jeder Agent ein Spezialist mit eigenem Tooling.

Code-Generation jenseits Single-File. Die Anthropic-Sub-Agent-Architektur in Claude Code ist der pragmatische Beleg: ein Lead-Agent plant, Sub-Agents lesen, schreiben, testen parallel. Das ist messbar besser als ein Single-Agent, der sich durch hundert Dateien arbeitet.

Wo Multi-Agent nicht hilft: Sequenzielle Tasks mit linearer Abhängigkeit, einfache Q&A, kurze Workflows mit wenig Kontext. Eine Google-Research-Studie (Towards a science of scaling agent systems) zeigt: Multi-Agent verbessert parallelisierbare Tasks dramatisch und verschlechtert sequenzielle. Wer einen E-Mail-Reply generieren lässt, braucht keinen Crew. Unsere eigenen Markt-Agenten sind aus genau diesem Grund bewusst Single-Agent geblieben — Monitoring auf kuratierten Daten ist sequenziell, deterministisch und billig, ein Team wäre dort reiner Overhead. Die Ökonomie dahinter habe ich in Agent-driven Business nachgemessen.

Die neuen Failure-Modes

Mit dem Team kommt der Team-Ärger. Die drei großen Klassen sind inzwischen gut dokumentiert:

1. Cascading Errors. Ein Agent produziert etwas syntaktisch Plausibles, das inhaltlich leicht falsch ist. Der nächste Agent nimmt das als Input, verarbeitet es technisch korrekt und gibt etwas weiter, das jetzt strukturell falsch ist. Im fünften Schritt sieht das Ergebnis aus wie eine saubere Recherche, basiert aber auf einer Halluzination aus Schritt eins. OWASP führt das seit 2026 als ASI08 Cascading Failures in der Agentic-AI-Security-Liste. (Adversa: OWASP ASI08) Die Security-Seite derselben Mechanik habe ich im Confused-Deputy-Stück auseinandergenommen: Ein Agent mit legitimen Rechten führt fremde Anweisungen aus. Im Team multipliziert sich das Risiko mit jeder Agent-zu-Agent-Übergabe, weil jeder Empfänger den Vorgänger als vertrauenswürdige Quelle behandelt.

Anthropic schreibt im eigenen Blog, dass frühe Versionen ihres Systems 50 Sub-Agents für triviale Queries spawnten, das Web nach nicht existierenden Quellen durchkämmten und sich gegenseitig mit Updates ablenkten.

2. False Consensus / Group-Think. Agents vertrauen anderen Agents zu viel. Wenn der Search-Agent sagt “das Unternehmen wurde 2019 gegründet”, verifiziert der Synthese-Agent das nicht — er übernimmt. Drei Agents, die sich gegenseitig zitieren, produzieren eine “Quelle”, die nie existiert hat. Das Tückische: Konsens entsteht, ohne dass jemand das ursprüngliche Faktum geprüft hat.

3. Cost-Explosion und Latency. 15x Tokens ist die saubere Anthropic-Zahl. Zum Vergleich: Die simplen Lese-Agenten auf kuratierten Daten, die wir für Agent-driven Business vermessen haben, kosten pro Lauf Cents — der Multi-Agent-Research-Ansatz verbrennt das 15-Fache eines normalen Chats, bevor er überhaupt etwas herausgefunden hat. In der Praxis kommt dazu: Ein Agent in einer fehlerhaft terminierten Loop kann in Minuten vierstellige API-Rechnungen produzieren. Coordination-Overhead frisst Latency — drei Agents nacheinander dauern länger als einer, parallele Agents brauchen Lock-Mechanismen, die wieder Latenz erzeugen.

Wie oft solche Setups in Production scheitern, lässt sich seriös kaum beziffern — die kursierende Zahl von 40% gescheiterten Multi-Agent-Pilots in sechs Monaten stammt aus Vendor-Content (TechAhead Failure-Modes, Cogent: Multi-Agent Orchestration Failure Playbook 2026) und taugt bestenfalls als Stimmungsbild. Die belastbare Referenz bleibt Gartner: über 40% aller Agentic-AI-Projekte werden bis Ende 2027 abgebrochen (eingeordnet in AI Agents brauchen Aufsicht). Multi-Agent-Setups liefern dafür eigene Abbruchgründe frei Haus — Cascading Errors, Group-Think und Kostenexplosion entstehen erst durch die Interaktion zwischen Agents.

Aufsichts-Frequenz. Die Praxis-Faustregel hat sich bei ungefähr einem Human-Check alle 10 Schritte eingependelt. Wer mehr autonomy laufen lässt, akkumuliert Fehler. Wer weniger, hat den ROI verloren. Der EU AI Act macht Human Oversight für Hochrisiko-Systeme verbindlich — nach der Digital-Omnibus-Verschiebung vom Juli erst ab Dezember 2027, aber wer heute Multi-Agent-Orchestrierungen baut, baut sie besser gleich für diese Anforderung.

Die drei Praxis-Architekturen

Wer ein Multi-Agent-System baut, wählt zwischen drei Patterns. Sie sind nicht exklusiv — die produktiven Systeme kombinieren sie.

Orchestrator-Worker (Hub-and-Spoke). Ein zentraler Agent plant, delegiert an Sub-Agents, sammelt ein, synthetisiert. Das ist die Anthropic-Architektur, das ist Claude Code, das ist Deep Research. Vorteil: zentrale Kontrolle, ein Plan, klare Verantwortung. Nachteil: der Orchestrator ist Single-Point-of-Failure und Token-Bottleneck. Geeignet für: Research, Code-Generation, alles mit klarer Hierarchie.

Hierarchisch (Tree). Top-Level-Supervisor definiert das Ziel, Mid-Level-Supervisor managen Domänen, Worker führen aus. Das ist die Enterprise-Variante für komplexe Workflows mit mehreren funktionalen Bereichen. Vorteil: skaliert über 50+ Agents, klare Domain-Trennung. Nachteil: Koordinations-Overhead steigt mit Tiefe. Geeignet für: große Customer-Service-Setups (Sierra-Style), Multi-Department-Automation.

Peer-to-Peer / Swarm / Mesh. Agents kommunizieren direkt miteinander, kein zentraler Koordinator. Das ist das CrewAI-Default, das ist OpenAI Swarm, das ist ChatDev 2.0 mit DAG-Topologie. Vorteil: emergente Lösungen, hohe Flexibilität, kein Single-Point-of-Failure. Nachteil: Messages multiplizieren sich quadratisch, Group-Think-Risiko maximal, Debugging-Hölle. Geeignet für: Brainstorming, Simulation, Research-Use-Cases — selten für Produktion.

Die drei Orchestrierungs-Patterns im Strukturbild: Orchestrator-Worker als Default (Anthropic, Claude Code, Deep Research), die Hierarchie als Enterprise-Variante für 50+ Agents, Peer-to-Peer für Brainstorming und Simulation — selten für Produktion.

Anthropic, Google und Microsoft empfehlen seit Anfang 2026 fast einstimmig dasselbe: Default ist Orchestrator-Worker. Peer-to-Peer nur, wenn das Problem es wirklich erzwingt. Die hybriden Setups (Hierarchisch oben, Orchestrator-Worker unten) sind das produktive Mittel.

DACH: Wer baut sowas, wer hängt zurück

Die DACH-Landschaft sortiert sich entlang einer harten Linie: Wer Voice oder Customer-Service-Volumen hat, baut Multi-Agent. Wer SaaS-Workflows verkauft, klebt noch beim Single-Agent-Copilot.

Vorreiter:

Parloa (Berlin) — $350M Series D im Januar 2026 bei $3 Mrd. Bewertung (Lead: General Catalyst), $50M+ ARR, multi-agent Voice für Contact Center, Enterprise-Tier.
Cognigy (Düsseldorf) — Conversational-AI-Plattform, über 100 Sprachen, Multi-Agent-Orchestrierung für globale Konzerne, On-Prem-Option.
Langdock (Berlin) — Aggregator-Layer für OpenAI/Anthropic/Mistral, Multi-Agent-Workflows als Wrapper für Enterprise-Mittelstand, DSGVO-Hosting in EU.
Aleph Alpha (Heidelberg) — nach Pivot weg vom eigenen LLM jetzt Fokus auf “GenAI Operating System” für Enterprise und Public Sector. Agent-Architekturen für Dokumenten-Workflows mit 90% Suchzeit-Reduktion in Pilots.

Mitläufer mit Single-Agent-Lösungen: Der Großteil der DACH-B2B-SaaS-Anbieter sitzt bei Copilots fest — eine Frage rein, eine Antwort raus. SAP Joule ist im Kern noch Single-Agent mit Tool-Calls, auch wenn die Roadmap Multi-Agent verspricht. Personio, Celonis, die ganze ERP- und HR-Bank: Copilot, kein Crew.

Was fehlt: Ein DACH-natives Multi-Agent-Framework. Microsoft Agent Framework und LangGraph werden importiert, lokale Frameworks (über Wrapper-Logik wie bei Langdock hinaus) existieren nicht. Das ist konsistent mit dem Muster aus AI Workbench DACH: Die Region kauft Infrastruktur, statt sie zu bauen.

Meine Perspektive

Multi-Agent ist 2026 das neue Default für Research und Skalierung — aber für 70% der B2B-Use-Cases überengineered. Wer einen E-Mail-Draft, eine Vertragszusammenfassung, einen Ticket-Routing-Entscheid braucht, ist mit einem gut geprompten Single-Agent schneller, billiger und genauer. Multi-Agent verkaufen ist Marketing-Effekt — Multi-Agent in Production betreiben ist eine Disziplin, die die meisten DACH-Teams noch nicht haben.
Anthropics 90,2%-Improvement ist die ehrlichste Zahl im Markt, weil sie den Preis dazusagt: 15x Tokens. Wer das nicht in der TCO-Rechnung hat, wird beim ersten Monatsbericht überrascht. Der ROI rechnet sich nur, wenn der Output wirklich wertvoll ist — Investment-Memos, Due-Diligence-Reports, Legal-Drafts, ja. Customer-Support-Standardantworten, nein.
Wer LangGraph kauft, kauft Compliance. Wer CrewAI kauft, kauft Geschwindigkeit. Wer Microsoft Agent Framework kauft, kauft Vendor-Lock-in in den Microsoft-Stack — was im DACH-Enterprise oft die richtige Entscheidung ist, aber selten als solche benannt wird. Die Framework-Wahl ist eine Plattform-Wette, nicht eine Tool-Wahl.
Group-Think ist der unterschätzte Killer. Cascading Errors sind technisch — man kann sie monitoren, testen, abfangen. Group-Think ist sozial — drei Agents, die sich gegenseitig validieren, produzieren plausibel falsche Ergebnisse, die durch keinen Test fallen. Wer hier keine Adversarial-Agents oder Critic-Agents einbaut, baut eine Echo-Kammer.
DACH hat genau zwei Plays. Voice-Customer-Service (Parloa, Cognigy) und Enterprise-Aggregator (Langdock, Aleph Alpha). Beide funktionieren. Ein dritter Play — vertikale Multi-Agent-Suites für DACH-spezifische Branchen (Maschinenbau-Service, Versicherungs-Schadensregulierung, Mittelstands-FiBu) — existiert noch nicht und wäre die offensichtlichste Investment-Thesis.
Die Aufsichts-Frequenz ist das eigentliche Produkt-Design-Problem. Alle zehn Schritte ein Human-Check funktioniert im POC, in Production verbrennt es die Produktivitätsgewinne. Wer Multi-Agent baut, muss die Stelle bestimmen, an der die Aufsicht stattfindet: am Anfang (Plan-Approval), am Ende (Output-Review) oder im Risiko-Pfad (nur bei Exceptions). Die Antwort darauf ist Workflow-Design, kein Technik-Feature — dieselbe Lücke zwischen Modell-Fähigkeit und Betriebsmodell, die State of AI 2026 quer durch zwölf Reports zeigt. Und genau dieser Teil wird in den Demos elegant übersprungen.
ChatDev 2.0 ist die spannendste Wildcard. Zero-Code-Orchestrierung tausender Agents via Drag-and-Drop klingt nach Spielzeug, ist aber genau der Weg, auf dem WordPress, Zapier und n8n groß geworden sind: Werkzeuge, die Nicht-Entwickler in die Lage versetzen, komplexe Systeme zu bauen. Wenn das in Enterprise-Reife landet, wird der Markt für teure Multi-Agent-Consulting-Projekte sehr schnell sehr klein.

Fazit

Der Single-Agent war die Demo. Das Multi-Agent-Team ist die Production-Architektur — überall dort, wo die Aufgabe parallelisierbar ist, der Kontext groß genug und der Output wertvoll genug. Anthropics 90,2% sind die Headline-Zahl, die 15-fache Token-Last ist die Fußnote, und Gartners Prognose von über 40% abgebrochenen Agentic-AI-Projekten bis Ende 2027 ist die Realität dahinter.

Für DACH-Käufer heißt das: Multi-Agent nicht als Statussymbol kaufen, sondern als Werkzeug für einen klar definierten parallelisierbaren Task. Für DACH-Anbieter heißt es: Wer noch Copilot verkauft, hat 12-18 Monate, bis der Käufer fragt, warum er nicht das Team-Setup bekommt, das er aus Claude Research kennt. Und für PE-Investoren: Die nächste Welle interessanter B2B-Software-Targets sind nicht die LLM-Wrapper, sondern die Orchestrierungs-Layer, die Multi-Agent-Setups governance-fähig machen. Davon gibt es in DACH bisher genau keinen sichtbaren Anbieter.