Skalierung verwalteter Agents: Entkopplung von Gehirn und Hand

Lisa Ernst · 12.04.2026 · Künstliche Intelligenz · 11 Min.

Architektur für Agilität: Skalierung von KI-Agentensystemen im Unternehmen

Als Technologiejournalistin habe ich unzählige Veränderungen miterlebt, aber nur wenige fühlen sich so transformativ an wie der Aufstieg von künstlichen Intelligenz-Agenten. Diese hochentwickelten Systeme, die fortschrittliche Logik mit praktischer Aktion verbinden, sind dabei, die Art und Weise, wie Unternehmen arbeiten, neu zu definieren. Die Reise von einem leistungsstarken Konzept zu einer produktionsreifen Lösung ist jedoch mit Herausforderungen verbunden, insbesondere bei der Skalierung dieser intelligenten Entitäten.

Quelle: Der Ansatz „mehr Agents sind besser“ stößt oft an seine Grenzen und kann die Leistung beeinträchtigen, wenn er nicht genau auf die spezifischen Merkmale der Aufgabe abgestimmt ist.

Der Ansatz „mehr Agents sind besser“ stößt oft an seine Grenzen und kann die Leistung beeinträchtigen, wenn er nicht genau auf die spezifischen Merkmale der Aufgabe abgestimmt ist, wie in einer aktuellen arXiv-Studie erläutert.einer aktuellen arXiv-Studie. . Die Koordination mehrerer Agents verbessert nachweislich die Leistung bei parallelisierbaren Aufgaben, kann aber die Leistung bei sequenziellen Aufgaben erheblich verschlechtern, wie ebenfalls in der gleichen Forschung vermerkt.der gleichen Forschung. . Ein prädiktives Modell kann die optimale Architektur für 87 % der unvorhergesehenen Aufgaben identifizieren, wie in der Studie hervorgehoben.der Studie.

Schnelle Zusammenfassung

Hier ist eine kurze Übersicht der wichtigsten Erkenntnisse zur Skalierung von KI-Agents:

• KI-Agents definiert: KI-Agents kombinieren große Sprachmodelle (LLMs) oder multimodale Modelle (VLMs) mit Logik, Planung, Gedächtnis und Werkzeugnutzung zur Ausführung komplexer Aufgaben.
• Architekturentscheidungen sind wichtig: Die Effektivität von Multi-Agenten-Systemen hängt stark von der gewählten Architektur (Single-Agent, Unabhängig, Zentralisiert, Dezentralisiert, Hybrid) und der Art der Aufgabe ab.
• Aufgabenspezialisierung: Bei parallelisierbaren Aufgaben wie der Finanzanalyse verbessert die zentrale Koordination die Leistung erheblich. Bei sequenziellen Aufgaben können Multi-Agenten-Ansätze aufgrund des Kommunikationsaufwands die Leistung beeinträchtigen.
• Werkzeugkoordinations-Abwägung: Mehr Werkzeuge bedeuten mehr Koordinationsaufwand, der Fehler in unabhängigen Multi-Agenten-Systemen verstärken kann. Orchestratoren in zentralisierten Systemen können dies abmildern.
• Unternehmenslösungen: Große Technologieanbieter (Google Cloud, Databricks, Atos, Microsoft, Camunda) bieten Frameworks und Architekturen für die Bereitstellung und Skalierung von KI-Agents an, wobei Modularität, Governance und ein sicherer Betrieb betont werden.
• Herausforderungen: Die Skalierung von Agents bringt Hürden mit sich, wie die Gewährleistung von Zuverlässigkeit und Reproduzierbarkeit, die Bewältigung von Nicht-Determinismus und die Bewältigung neuer Sicherheitsrisiken wie Prompt Injection.
• Lernframeworks: Fortgeschrittene Lernframeworks wie das Google Forge Tackle das Trilemma aus Systemdurchsatz, Trainingsstabilität und Agentenflexibilität, um eine groß angelegte Bereitstellung zu ermöglichen.

Die Anatomie eines KI-Agenten

KI-Agents funktionieren als Systeme, die denken, planen und handeln, und nutzen dabei große Sprachmodelle (LLMs) oder multimodale Modelle (VLMs). Sie dienen als praktische Brücke zwischen natürlicher Sprache und realweltlicher Computerverarbeitung. Diese Systeme kombinieren grundlegende Modelle mit Fähigkeiten wie Logik, Planung, Gedächtnis und Werkzeugnutzung. Sie fungieren als Steuerungen, die Absichten in Verfahren übersetzen, die in der externen Umgebung ausgeführt werden. Die moderne digitale Arbeit, die häufig über Schnittstellen und APIs fragmentiert ist, unterstreicht die wachsende Notwendigkeit von KI-Agents.

Rein konversationelle Systeme leiden häufig unter Halluzinationen, mangelnder Erdung und der Unfähigkeit, Aktionen auszuführen oder zu überprüfen, was die Notwendigkeit robusterer, agentenbasierter Ansätze unterstreicht. Werkzeug- und abrufgestützte Designs verbessern die Zuverlässigkeit erheblich, indem sie Behauptungen an Beweismittel binden und Zwischenartefakte überprüfbar machen.

Der Ausführungszyklus eines KI-Agenten umfasst typischerweise Beobachtung, Gedächtnisabruf, Aktionsvorschlag, Validierung und Ausführung. Diese "Agent Transformers", wie sie manchmal genannt werden, sind Transformer-basierte Policy-Modelle, die in strukturierte Steuerzyklen eingebettet sind. Ihr Verhalten wird als Sequenzmodellierung über Interaktionsspuren modelliert, die Beobachtungen, Gedanken, Werkzeugaufrufe und Ergebnisse umfassen. Entscheidungspolicen können sich beispielsweise auf Basis des Risikos verzweigen, indem zusätzliche Überprüfungsschritte für risikoreiche Aktionen implementiert werden. Eine ReAct-artige Spur erweist sich sowohl für die Leistung als auch für die Steuerung als unschätzbar wertvoll, da sie Entscheidungen an konkrete Beweismittel und Werkzeugausgaben bindet.

Skalierung von KI-Agents: Architektonische Paradigmen

Die Skalierung von KI-Agentensystemen innerhalb eines Unternehmens erfordert sorgfältige architektonische Überlegungen. Fünf Standard-Agentenarchitekturen haben sich herauskristallisiert: Single-Agent-System (SAS), Unabhängig, Zentralisiert, Dezentralisiert und Hybrid, wie in einer arXiv-Studie diskutiert.einer arXiv-Studie.

Ein Single-Agent-System (SAS) führt alle Gedanken- und Aktionsschritte sequenziell über einen einheitlichen Speicherstrom aus, gemäß derselben Quelle.derselben Quelle. . Unabhängige Multi-Agenten-Systeme arbeiten parallel an Teilaufgaben ohne Kommunikation und aggregieren erst im letzten Schritt die Ergebnisse, wie in der Forschung detailliert beschrieben.der Forschung. . Zentralisierte Systeme verwenden einen zentralen Orchestrator, der Aufgaben an Worker-Agents delegiert und deren Ausgaben synthetisiert, wie in der Studie beschrieben.der Studie. . Dezentrale Systeme bilden ein Peer-to-Peer-Netzwerk, in dem Agents direkt kommunizieren, um Informationen auszutauschen und Konsens zu erzielen, wie ebenfalls im arXiv-Artikel erwähnt.dem arXiv-Artikel. . Hybride Systeme verschmelzen hierarchische Aufsicht mit Peer-to-Peer-Koordination und balancieren zentrale Kontrolle mit flexibler Ausführung, wie ebenfalls in der Studie dargelegt.der Studie.

Die Leistung von Multi-Agenten-Systemen variiert erheblich mit der Konfiguration und kann je nach verwendeter Modellfamilie (z. B. OpenAI GPT, Google Gemini oder Anthropic Claude) besser oder schlechter werden, wie in der Studie festgestellt.der Studie. . Bei parallelisierbaren Aufgaben, wie der Finanzanalyse, führte die zentrale Koordination zu einer Leistungssteigerung von 80,9 % gegenüber einem einzelnen Agenten, wie in der arXiv-Studie und den Vals.ai-Benchmarks referenziert.der arXiv-Studie undVals.ai-Benchmarks. . Umgekehrt verschlechterten Multi-Agenten-Varianten bei Aufgaben, die eine strikte sequenzielle Logik erforderten, wie z. B. bei der Planung (z. B. in PlanCraft), die Leistung um 39-70 %, da der Kommunikationsaufwand den sequenziellen Denkprozess fragmentierte, wie diese Forschung zeigt.PlanCraft), ), die Leistung um 39-70 %, da der Kommunikationsaufwand den sequenziellen Denkprozess fragmentierte, wie diese Forschung zeigt.diese Forschung.

Ein bemerkenswerter "Werkzeugkoordinations-Abwägung" existiert: Mit zunehmender Anzahl erforderlicher Werkzeuge steigt der Koordinationsaufwand für mehrere Agents überproportional an. Unabhängige Multi-Agenten-Systeme verstärkten Fehler um das 17,2-fache aufgrund des Fehlens eines Arbeitsvalidierungsmechanismus, wie in der arXiv-Studie festgestellt.der arXiv-Studie. . Zentralisierte Systeme mit einem Orchestrator reduzierten die Fehlerverstärkung auf das 4,4-fache, wobei der Orchestrator als kritischer Validierungsengpass fungierte, ebenfalls gemäß der Studie.der Studie. . Das Vorhandensein eines prädiktiven Modells mit einem R-squared-Wert von 0,513 deutet darauf hin, dass Aufgabenmerkmale wie die Anzahl der Werkzeuge und die Zerlegbarkeit die Wahl der optimalen Architektur vorhersagen können, wie in der Forschung hervorgehoben.der Forschung. . Dieses Modell identifiziert die beste Koordinationsstrategie für 87 % der unbekannten Aufgabenkonfigurationen, wie in der Studie berichtet.der Studie.

Enterprise-taugliche Agentensysteme

Mehrere große Technologieanbieter entwickeln robuste Frameworks und Architekturen, um die Einführung und Skalierung von KI-Agents in Unternehmensumgebungen zu erleichtern. Zum Beispiel bietet Google Cloud Designmuster für skalierbare und kostengünstige KI-Agentenlösungen an, auch auf konkurrierenden Plattformen wie Azure. Ihr Google Cloud Agent Development Kit (ADK) bietet Gerüste, Werkzeuge und Muster für die Entwicklung von Enterprise-Agents, während die Agent Engine eine sichere Laufzeitumgebung für die Verwaltung ihres Lebenszyklus, die Orchestrierung von Werkzeugen und die Steuerung ihrer Logik bietet. Das Model Context Protocol (MCP) standardisiert, wie Anwendungen LLMs Kontext bereitstellen, und das Agent-to-Agent Protocol (A2A) ermöglicht die Kommunikation zwischen Agents in großem Maßstab.

Quelle: the-decoder.com

Die Lieferkettenarchitektur von Google Cloud nutzt einen "Root"-Agenten und spezialisierte Unteragenten, die von Gemini angetrieben werden, für die Nachverfolgung und Auftragsverwaltung.

Eine reale Veranschaulichung dieses Ansatzes ist Googles vorgeschlagene Lieferkettenarchitektur, die einen orchestrierenden "Root"-Agenten und spezialisierte Unteragenten für die Nachverfolgung, Verteilung und Auftragsverwaltung umfasst. Diese von Gemini angetriebenen Agents können mit domänenspezifischen Daten abgestimmt werden, um Antworten zu optimieren und Kosten zu senken. Der Root-Agent leitet Anfragen an den entsprechenden Unteragenten weiter; beispielsweise ruft der Order-Agent über MCP Bestandsdetails aus einem BigQuery-Data-Warehouse ab. Ebenso nutzt ein Distributor-Agent MCP-Serververbindungen zu externen APIs, um Bestellungen aufzugeben.

Databricks hat in Zusammenarbeit mit BASF Coatings eine produktionsreife Multi-Agenten-Lösung implementiert, um Koordinations- und Analysetätigkeiten zu automatisieren, die zuvor intensiven manuellen Aufwand erforderten. Ihr Marketmind-Projekt, das auf die Vertriebs- und Marketingabteilung ausgerichtet ist, nutzt spezialisierte "Genie"-Agents und Funktionsaufruf-Agents, die mit einem Databricks Vector Store Retrieval Tool interagieren, um strukturierte und unstrukturierte Daten zu verarbeiten. Genie-Agents machen strukturierte Daten über natürliche Sprachschnittstellen zugänglich und konstruieren SQL-Abfragen aus Benutzerfragen, indem sie Metadaten des Unity Catalogs nutzen. Dieses System verwendet ein Supervisor-Muster zur Koordinierung dieser spezialisierten Agents und integriert sich zur Echtzeitausführung in Microsoft Teams. Marketmind, das von über 1.000 Vertriebsmitarbeitern weltweit eingesetzt werden soll, zielt darauf ab, Feldeinteraktionen in zeitnahe, KI-gesteuerte Aktionen zu verwandeln und damit den greifbaren Geschäftseffekt von Multi-Agenten-Architekturen zu demonstrieren, die sich durch Skalierbarkeit, Modularität und verbesserte Benutzererfahrung auszeichnen.

Atos bietet außerdem eine Blaupause für "Services as Software" an, die darauf abzielt, Arbeitsabläufe in softwarebasierte Ergebnisse zu verwandeln. Ihr Ansatz betont eine Kontrollschicht für Vertrauen im großen Maßstab, einschließlich Laufzeit-Governance, Zero-Trust-Zugang, Verhaltenssicherheit, Kill-Switches, Beobachtbarkeit und unveränderliche Audit-Trails. Dieses "Sovereign Agentic AI"-Framework gewährleistet bewusste Kontrolle über kritische Daten, Entscheidungen und KI-Verhalten über den gesamten Tech-Stack hinweg.

Microsoft bietet ebenfalls eine Referenzarchitektur für adaptive, skalierbare und sichere Multi-Agenten-Systeme, die sich auf die Orchestrierung, Governance und Skalierung spezialisierter Agents konzentriert. Camunda 8.8 führt standardbasierte, unternehmensfähige Agents ein, die die Gestaltung und Ausführung hochwertiger Prozesse ermöglichen. Camunda's Agentic BPMN erleichtert das Erstellen von KI-Agents, deren Verbindung zu LLMs und deren Bereitstellung. Der KI-Agent-Konnektor befähigt Agents, autonom innerhalb von End-to-End-Prozessen zu agieren und sich mit LLM-Anbietern zu integrieren, wodurch die Orchestrierung über einzelne Aufgaben hinaus in eine dynamische Prozessausführung erweitert wird. Camunda kann sowohl eigene Agents als auch externe Agents orchestrieren und den Prozessstatus und die Kontinuität aufrechterhalten, was größere Toolkits und eine höhere Skalierbarkeit unterstützt.

Quelle: stickpng.com

Databricks' Marketmind-Projekt integriert spezialisierte Agents mit Microsoft Teams zur Echtzeitausführung und verwandelt Vertriebsinteraktionen in KI-gesteuerte Aktionen.

Herausforderungen bei Skalierung und Lernen

Der Weg zu robusten KI-Agentensystemen im Produktionsmaßstab birgt immer noch erhebliche Hürden. Die Bewertung von KI-Agents erfordert End-to-End-Messungen, die reale Interaktionsverläufe widerspiegeln. Wichtige Metriken sind die End-to-End-Aufgabenleistung, Effizienz und Kosten, Korrektheit der Werkzeugnutzung, Qualität der Verläufe, Robustheit und Sicherheit.

Zuverlässigkeit, Reproduzierbarkeit und Governance stellen erhebliche Einschränkungen für Agentensysteme im großen Maßstab dar. Lang laufende Aufgaben verstärken kumulative Fehler und Nicht-Determinismus erschwert die Bewertung und Fehlersuche. Werkzeugzentrierte Agents führen zu neuen Sicherheitsrisiken wie Prompt Injection und Side-Effect-Aktionen. Systemweite Abwägungen – Latenz versus Genauigkeit, Autonomie versus Steuerbarkeit, Fähigkeit versus Zuverlässigkeit – sind immer noch schlecht verstanden.

Googles interne Reinforcement Learning (RL)-Framework, Forge, adressiert das grundlegende Trilemma aus Systemdurchsatz, Trainingsstabilität und Agentenflexibilität bei der Skalierung von RL für komplexe, reale Agents. Forges ganzheitlicher Ansatz kombiniert flexible Systemarchitektur, algorithmisches Design, optimierte asynchrone Planung und extreme Trainings-Inferenz-Effizienz. Es unterstützt das Training beliebiger Agentengerüste durch standardisierte Interaktionsprotokolle und hat über hunderttausend verschiedene reale Agentengerüste und Umgebungen verarbeitet. Das System erreichte einen täglichen Durchsatz von Millionen Samples und eine konsistente Belohnungskonvergenz.

Quelle: swishdata.com

Googles Forge-Framework bietet einen ganzheitlichen Ansatz, um das Trilemma aus Systemdurchsatz, Trainingsstabilität und Agentenflexibilität für die Skalierung von RL in komplexen Umgebungen zu bewältigen.

Forches RL-System besteht aus einer Agentenseite, einer Middleware-Abstraktionsschicht sowie einer Trainings-/Inferenzseite. Die Agentenseite abstrahiert den allgemeinen Agenten und seine Betriebsumgebung, während die Middleware ihn von der Trainings-/Inferenzseite isoliert. Ein Gateway-Server bearbeitet Abschlussanfragen zwischen dem Agenten und der LLM, und ein verteilter Datenpool sammelt asynchron Rollout-Trajektorien und Berichte. Die Trainings- und Inferenzseite verwaltet die Rechenlast und verfügt über eine LLM-Engine für die Hochdurchsatz-Token-Generierung und eine Train-Engine zur Aktualisierung der Policies basierend auf verarbeiteten Token-Sequenzen. Forge ermöglicht das Training unterschiedlicher Gerüste ohne interne Agentenmodifikationen und gewährleistet eine konsistente Optimierung für White-Box- und Black-Box-Agents.

Schlussfolgerung

Das Aufkommen von KI-Agents repräsentiert einen bedeutenden Sprung in der Unternehmensautomatisierung und bietet praktische Schnittstellen zwischen natürlicher Sprache und komplexen Berechnungen. Eine effektive Bereitstellung im großen Maßstab erfordert jedoch strategische architektonische Entscheidungen, robuste Governance-Modelle und hochentwickelte Lernframeworks. Lösungen von großen Technologie-Innovatoren spiegeln einen klaren Fokus auf Modularität, spezialisierte Koordination und umfassende Kontrollschichten wider, um inhärente Skalierungsprobleme zu überwinden. Da diese intelligenten Systeme immer weiter verbreitet werden, wird der Schwerpunkt weiterhin darauf liegen, ihre Zuverlässigkeit, Sicherheit und Effizienz zu gewährleisten und das Gleichgewicht zwischen Autonomie und menschlicher Aufsicht kontinuierlich zu verfeinern.