KI-Architektur & Integration · Multi-Agenten
Multi-Agent Systeme: Architektur, Integration und Governance
In einem Multi-Agenten-System teilen sich spezialisierte KI-Agenten einen Geschäftsprozess: Einer beschafft Daten, einer bewertet Risiken, einer erstellt Dokumente, ein Koordinator steuert das Ganze. Ob das im Betrieb trägt, entscheidet vor allem die Infrastruktur darunter: Protokolle, Integration und Governance.
Aleksandra Osztynowicz
Das Wichtigste in Kürze
- Gartner zählt Multi-Agenten-Systeme zu den strategischen Technologietrends 2026. Laut McKinsey experimentieren 62 % der Unternehmen mit KI-Agenten, 23 % skalieren sie bereits.
- MCP verbindet Agenten mit Daten und Werkzeugen, A2A regelt die Kommunikation zwischen Agenten. Hybride Architekturen verbinden Steuerbarkeit und Robustheit.
- Die größte Hürde ist meist die Integration in ERP, CRM und Archive, selten das Modell.
- Für 75 % der Führungskräfte sind Sicherheit, Compliance und Auditierbarkeit die wichtigste Voraussetzung für den Einsatz von Agenten (KPMG).
Vom einzelnen Agenten zum Multi-Agenten-System
Viele Unternehmen arbeiten noch am besten Prompt für ihren Chatbot. Die eigentliche Entwicklung liegt woanders: bei der Autonomie ganzer Prozesse. Klassische generative Modelle antworten auf Abruf. Agentische Systeme handeln zielorientiert, wählen selbst Werkzeuge aus, prüfen Zwischenergebnisse und korrigieren ihren Kurs, wenn sich die Datenlage ändert.
Ein einzelner Agent übernimmt eine abgegrenzte Aufgabe, etwa die Analyse eines Vertrags oder die Klassifizierung eines Dokuments. Reale Wertschöpfung besteht aber meist aus vielen verzahnten Schritten, ob in der Produktionsplanung oder in der Schadensregulierung. In einem Multi-Agenten-System beschafft ein Agent die Daten, ein zweiter bewertet die Risiken, ein dritter erstellt die Dokumente, und ein Koordinator überwacht den Gesamtprozess und führt die Entscheidungen zusammen. Kontexte werden übergeben, Zwischenergebnisse geprüft, Ausnahmen bei Bedarf an Menschen eskaliert.
Aus der Praxis: Bürger-Chatbot
Für eine polnische Behörde haben wir einen Chatbot gebaut, hinter dem elf Fachagenten stehen, einer pro Wissensbereich. Bürger fragen in Alltagssprache, das System ordnet die Frage selbst dem richtigen Agenten und der technischen Dokumentation zu, ohne dass jemand eine Kategorie wählen muss.
Was Gartner, McKinsey und KPMG beobachten
- Gartner zählt Multi-Agenten-Systeme zu den zehn strategischen Technologietrends für 2026: Sie teilen Arbeit auf spezialisierte Agenten auf und steigern so Effizienz und Innovationskraft. Auf derselben Liste stehen KI-Sicherheitsplattformen.
- McKinsey berichtet in der globalen Umfrage 2025, dass 62 % der befragten Unternehmen zumindest mit KI-Agenten experimentieren und 23 % agentische Systeme bereits in mindestens einem Bereich skalieren.
- KPMG sieht 2026 als Jahr, in dem Agenten in den Unternehmen ankommen. Für 75 % der befragten Führungskräfte sind Sicherheit, Compliance und Auditierbarkeit die wichtigste Voraussetzung dafür.
Quellen: Gartner, Top Strategic Technology Trends 2026; McKinsey, The State of AI 2025; KPMG, AI Quarterly Pulse Q4 2025
Architektur: Protokolle, Muster und Gedächtnis
Die Leistung eines Multi-Agenten-Systems hängt heute stärker an seiner Architektur als am gewählten Sprachmodell. Unter den sichtbaren Workflows regeln Kommunikations- und Integrationsschichten den Datenfluss, die Weitergabe von Kontext und die Zuständigkeiten.
Protokolle
- Model Context Protocol (MCP) verbindet Agenten mit internen Datenquellen und Werkzeugen.
- Agent2Agent (A2A) regelt die Zusammenarbeit von Agenten über Plattformen hinweg. Das von IBM entwickelte Agent Communication Protocol (ACP) ist im August 2025 in A2A unter dem Dach der Linux Foundation aufgegangen.
Quelle: LF AI & Data, ACP Joins Forces with A2A
Wie MCP, Function Calling und Code Execution im Detail zusammenspielen, beschreibt unser Artikel So verbinden Sie KI mit Ihren Unternehmenstools.
Drei Architekturmuster
| Muster | Stärke | Schwäche |
|---|---|---|
| Zentral | Ein Master-Agent, hohe Steuerbarkeit | Kritische Abhängigkeit vom Master |
| Dezentral | Peer-to-Peer, hohe Ausfallsicherheit | Aufwendiges Monitoring und Debugging |
| Hybrid | Gezielte Steuerung und Robustheit | Mehr Planung beim Entwurf |
In der Unternehmenspraxis setzen sich zunehmend hybride Modelle durch.
Gedächtnis und Kontext
Ein oft unterschätzter Baustein ist das Speicher- und Kontextmanagement. Produktive Systeme brauchen ein kurzfristiges Arbeitsgedächtnis für laufende Vorgänge und dauerhafte Wissensschichten für Unternehmens- und Kundenhistorie. Strukturierte Speicherarchitekturen machen das Verhalten der Agenten nachvollziehbar und sicherer. Ohne saubere Kontextlogik bleibt auch das beste Modell im Betrieb anfällig.
Integration: die eigentliche Hürde
Ein Multi-Agenten-System ist nur so gut wie die Daten, die es erreicht. Es muss gleichzeitig auf ERP- und CRM-Systeme, Archive und externe APIs zugreifen, in Echtzeit, revisionssicher und skalierbar.
Dabei steht eine grundsätzliche Entscheidung an: Werden Daten repliziert, oder nutzen die Agenten sie über standardisierte Konnektoren direkt an der Quelle? Der Zugriff an der Quelle reduziert Komplexität und Sicherheitsrisiken und vereinfacht die Governance.
Unsere Erfahrung aus Projekten ist eindeutig: Vorhaben scheitern selten an der Modelllogik und oft an zerklüfteten Datenlandschaften. Multi-Agenten-Systeme machen technische Schulden sichtbar, die lange toleriert wurden, und verlangen durchgängige Schnittstellen. Wer Agenten einführen will, beginnt deshalb bei der Dateninfrastruktur. Wie sich KI an bestehende Systeme anbinden lässt, zeigt unser Artikel Das Modell ist selten das Problem.
Governance: Verantwortung für autonome Systeme
Je autonomer ein System handelt, desto schwerer wiegt die Verantwortung dafür. Agenten bereiten Entscheidungen vor oder führen sie aus, mit finanziellen, rechtlichen und reputativen Folgen. Governance gehört deshalb in die Architektur.
Salesforce warnt vor einer „Trust Bubble“: Wenn Agenten eigenständig und über Organisationsgrenzen hinweg handeln, entstehen neue Fragen zu Sichtbarkeit, Koordination, Verantwortung und Vertrauen. Handlungslogiken müssen jederzeit überprüfbar sein, Zielkonflikte zwischen Agenten erkannt und ungewollte Interaktionen verhindert werden.
Quelle: Salesforce, Multi-Agent AI Is Coming Fast. Here’s How to Prepare
Der regulatorische Druck kommt von zwei Seiten. Der EU AI Act und die DSGVO verlangen Transparenz und Risikoeinstufung, sektorspezifische Regeln wie DORA im Finanzsektor stellen zusätzliche Anforderungen an die operative Widerstandsfähigkeit. Auch interne Systeme und Piloten fallen unter die Pflichten, wenn sie als Hochrisiko-KI eingesetzt werden. Für eigenständige Hochrisiko-Systeme gelten diese Pflichten ab dem 2. Dezember 2027. Einen Überblick gibt unser Artikel zur EU-KI-Verordnung.
Kosten und Nutzen realistisch bewerten
Die Kosten eines Multi-Agenten-Systems entstehen weniger bei der Modelllizenz als bei Architekturentwurf, Anbindung von Altsystemen und dem Aufbau einer belastbaren Governance. Besonders die Anfangsphase wird oft unterschätzt: Bis proprietäre Systeme sicher angebunden und Sicherheitsarchitekturen stabil sind, vergehen Monate. Token-basierte Preismodelle bergen zudem ein Skalierungsrisiko, denn was im Piloten kalkulierbar wirkt, kann bei breiter Nutzung schwer vorhersehbar wachsen.
Veröffentlichte Erfolgsgeschichten beruhen meist auf den Daten eines einzelnen Unternehmens und lassen sich nicht ohne Weiteres übertragen. Prüfen Sie ROI-Angaben deshalb auf ihre kausale Zurechenbarkeit und einen realistischen Messzeitraum.
Wo Architektur, Integration und Governance sauber umgesetzt sind, reduzieren Multi-Agenten-Systeme Prozessausnahmen, verkürzen Durchlaufzeiten und beseitigen strukturelle Fehlerquellen. Bei der RPP Group sank der Zeitaufwand für Routinearbeit mit fünf spezialisierten Agenten um 70 %.
Fazit: eine strategische Infrastrukturentscheidung
Multi-Agenten-Systeme sind eine Entscheidung über die Infrastruktur eines Unternehmens. Ihr Wert entsteht aus der Qualität der Architektur, der Tiefe der Integration und der Konsequenz der Governance. Wer sie als orchestrierte und kontrollierte Prozessarchitektur aufbaut, schafft einen dauerhaften operativen Hebel.
Die entscheidende Frage für 2026 lautet deshalb, ob eine Organisation strukturell bereit ist, solche Systeme verantwortungsvoll und sicher in ihre Kernprozesse zu bringen. Dabei begleiten wir von der ersten Pilotphase bis zur tiefen Systemintegration, mehr dazu auf unserer Seite zur Multi-Agenten-Entwicklung.
Ein Multi-Agenten-System für Ihre Prozesse?
Wir klären mit Ihnen, welcher Prozess sich für mehrere Agenten eignet, welche Systeme angebunden werden müssen und wie Governance und Betrieb aussehen.
Projekt anfragenHäufige Fragen
Ein Multi-Agenten-System besteht aus mehreren spezialisierten KI-Agenten, die gemeinsam einen Prozess bearbeiten. Ein Koordinator verteilt Aufgaben, übergibt Kontext und führt die Ergebnisse zusammen, während einzelne Agenten zum Beispiel Daten beschaffen, Risiken bewerten oder Dokumente erstellen.
Das Model Context Protocol (MCP) verbindet Agenten mit Datenquellen und Werkzeugen, Agent2Agent (A2A) regelt die Kommunikation zwischen Agenten. IBMs Agent Communication Protocol ist 2025 in A2A aufgegangen.
Meist an der Integration: Die Agenten erreichen die Daten in ERP, CRM und Archiven nicht durchgängig oder nicht in Echtzeit. Dazu kommen fehlende Governance und unterschätzte Kosten in der Anfangsphase.
Zentrale Modelle mit einem Master-Agenten sind gut steuerbar, aber abhängig vom Master. Dezentrale Modelle sind robuster, aber schwerer zu überwachen. In der Praxis setzen sich hybride Architekturen durch, die beides verbinden.
Aleksandra entwickelt seit 2021 bei theBlue.ai maßgeschneiderte KI-Lösungen mit Schwerpunkt auf agentischen Implementierungen und lokalen LLM-Deployments, die passgenau auf Unternehmensanforderungen zugeschnitten sind. Als AI Engineer hilft sie Organisationen dabei, ihre Prozesse mit produktionsreifen Systemen zu automatisieren, von On-Premise-Open-Source-Modellen bis hin zu RAG-basierten internen Wissensdatenbanken für regulierte Branchen, und erweitert ihr Wissen kontinuierlich in der sich rasant wandelnden Welt der Künstlichen Intelligenz.
In ihren Artikeln teilt sie praktische Erfahrungen aus realen Enterprise-KI-Projekten und zeigt: KI im Unternehmen einzuführen muss nicht kompliziert sein.