Multiagentensysteme für komplexe durchgängige Geschäftsprozesse

Einzelne Agenten erledigen eine Aufgabe gut. Prozesse wie Order-to-Cash, Schadenbearbeitung oder Kunden-Onboarding reichen aber über viele Systeme, Rollen und Richtlinien. Multiagentensysteme teilen einen solchen Prozess auf spezialisierte Agenten auf (Verteiler, Fachagenten, Prüfer), die ein Orchestrator oder eine Workflow-Engine koordiniert. Gut umgesetzt automatisieren sie den Routineweg und eskalieren Ausnahmen; schlecht umgesetzt vervielfachen sie Fehler, Kosten und Lücken im Prüfpfad. Das pragmatische Muster 2026 ist ein deterministisches Workflow-Gerüst, in dem Agenten innerhalb begrenzter Schritte arbeiten.

Problem & Nutzen

• Heute: Durchgängige Prozesse bestehen aus RPA-Bots, Regelwerken, E-Mail und Menschen, die Vorgänge zwischen Abteilungen übergeben. Ausnahmen (fehlende Daten, widersprüchliche Dokumente, Sonderfälle in Richtlinien) verursachen den größten Teil des manuellen Aufwands und lassen sich schwer skripten.
• KI-Nutzen: Agenten deuten unstrukturierte Eingaben, wählen Werkzeuge und lösen Ausnahmen, die sich mit Regeln nicht aufzählen lassen. Durch die Spezialisierung bleiben Prompt, Werkzeuge und Berechtigungen jedes Agenten klein und testbar.
• Die Belege sind gemischt: Anthropic rät, mit der einfachsten Lösung zu beginnen und Agenten nur dort einzusetzen, wo Flexibilität nötig ist; Agenten tauschen Kosten und Latenz gegen Leistungsfähigkeit [1]. Gartner prognostizierte, dass über 40 % der Projekte mit agentischer KI bis Ende 2027 wegen Kosten, unklarem Nutzen oder unzureichender Risikokontrollen eingestellt werden [5]. Behandeln Sie ROI-Aussagen von Anbietern mit Vorsicht und messen Sie Ihre eigene Ausgangslage.

Varianten

• Supervisor/Worker: Ein Orchestrator delegiert an Fachagenten (z. B. Extraktion, Richtlinienprüfung, Kommunikation).
• Workflow mit Agenten: Fester Ablaufgraph (BPMN/Zustandsautomat), in dem nur ausgewählte Knoten agentisch sind; am besten für regulierte Prozesse.
• Peer/Übergabe: Agenten geben die Kontrolle untereinander weiter (kundennahe Vorsortierung an Agent im Backoffice).
• Unternehmensübergreifend: Agenten verschiedener Unternehmen verhandeln über A2A (z. B. Lieferant und Einkäufer); noch selten.
• Branchenausprägungen: Versicherungsschäden (AGENT-014), KYC (AGENT-015), Order-to-Cash (AGENT-023), öffentliche Verwaltung (AGENT-026), IT-Betrieb (AGENT-016).

So funktioniert es

1. Auslöser (E-Mail / Ereignis / Ticket / Zeitplan)
2. Orchestrator: planen + routen (Workflow-Graph oder Supervisor-LLM)
3. Worker-Agenten mit eng gefassten Werkzeugen (MCP-Server / APIs): lesen, extrahieren, nachschlagen, entwerfen, handeln
4. Prüf-Agent / Regelvalidatoren (Richtlinien, Rechnen, Berechtigungen, Injection-Filter)
5. menschliche Freigabestufe (Schwellenwerte, unumkehrbare oder personenbezogene Aktionen)
6. Schreiben ins führende System + Audit-Log + Trace
7. Evaluations- und Monitoring-Schleife (AGENT-025)

• Werkzeugzugriff: Das Model Context Protocol (MCP) vereinheitlicht, wie Agenten auf Werkzeuge und Daten zugreifen; das Agent2Agent-Protokoll (A2A) vereinheitlicht Aufrufe zwischen Agenten über Agent Cards. Beide gehören inzwischen zur Agentic AI Foundation der Linux Foundation [2][3].
• Zustand und Gedächtnis: Dauerhafte Ausführung (Checkpoints, wiederaufnehmbare Läufe), damit lange Prozesse Ausfälle und Wartezeiten auf Menschen überstehen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Freigaben für Zahlungen, Zusagen an Kunden, Löschungen und jede Entscheidung über Personen.
• Minimale Rechte: Jeder Agent erhält eine eigene Identität und möglichst enge Berechtigungen; keine gemeinsamen Super-User-Zugangsdaten.

Datenaufbereitung

Multiagentensysteme brauchen weniger Trainingsdaten als sauberes Prozesswissen und Systemzugriff. Relevante Daten: Prozessdefinitionen und Arbeitsanweisungen (oft nur in den Köpfen der Mitarbeitenden, in Word-Dateien oder im DMS), Freigabegrenzen und Regeln, Stammdaten in ERP/CRM, E-Mails und Anhänge sowie Ticketverläufe. Typische Lücken: nicht dokumentierte Ausnahmen, veraltete Arbeitsanweisungen, doppelte oder widersprüchliche Stammdaten, gescannte Anhänge ohne Text, verstreutes Wissen auf Dateiablagen und zu weit gefasste Rechte von Dienstkonten.

Schritte der Aufbereitung: (1) den Zielprozess als Entscheidungstabelle mit Verantwortlichen und Ausnahmen aufschreiben; (2) die Stammdaten bereinigen, die die Agenten lesen oder schreiben (siehe PREP-005 für Exporte und APIs, PREP-011 für saubere Tabellen); (3) Regeln und Arbeitsanweisungen in eine verbindliche Wissensbasis überführen (PREP-013, PREP-016); (4) Systeme über schmale Werkzeugschnittstellen mit minimalen Rechten (API oder MCP) statt über weit gefasste Konten anbinden und zuerst die Berechtigungen aufräumen (PREP-023); (5) 30-50 reale historische Fälle mit dem korrekten Ergebnis als Evaluierungsdatensatz aufbauen (PREP-018). Scans benötigen zuerst OCR (PREP-006, DOC-014).

Aufwand: grob 30-40 % des Projekts, überwiegend Prozessdokumentation und Zugriffsdesign statt Datenbereinigung. Eine Bereitschaftsprüfung finden Sie in GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg B - kein Produkt deckt die eigene Mischung eines KMU aus ERP, E-Mail und Freigaberegeln ab. Am besten passt ein kleiner Workflow (n8n oder ein Workflow-Werkzeug eines Anbieters) mit Cloud-Modell-APIs, der mit einem einzigen engen Prozess startet.
• Großunternehmen: Weg B - der Prozess ist zentral und muss sich in bestehende Systeme einfügen; eine gemeinsame interne Agentenplattform kann Teile später nach Weg C verlagern.
• Entwickler: Weg C - offene Frameworks plus Modelle mit offenen Gewichten geben volle Kontrolle über Werkzeugzugriff, Tracing und Evaluierung.

Weg A — Kaufen (Standardsoftware)

• Unternehmenssuiten: Microsoft Copilot Studio / Azure AI Foundry Agent Service, Salesforce Agentforce, ServiceNow AI Agents, SAP Joule agents, UiPath Agentic Automation, Google Gemini Enterprise / Vertex AI Agent Builder, AWS Bedrock AgentCore.
• EU-Anbieter: SAP (DE), Camunda (DE, agentische Orchestrierung auf BPMN), Mistral AI agents (FR), Aleph Alpha/PhariaAI (DE), Celonis (DE, Process Intelligence als Zulieferer für Agenten), n8n (DE, Fair-Code).
• A wählen, wenn: Ihre führenden Systeme bereits von einem Anbieter stammen und der Prozess zu dessen vorgefertigten Agenten passt.

Weg B — Auf Cloud-KI-Diensten aufbauen (empfohlen)

• Frameworks: LangGraph, Microsoft Agent Framework (Nachfolger von AutoGen/Semantic Kernel), OpenAI Agents SDK, Claude Agent SDK, Google ADK, CrewAI, LlamaIndex; Temporal oder Camunda für dauerhafte Orchestrierung.
• Modelle: führende Reasoning-Modelle (Claude, GPT, Gemini) über EU-Regionen oder Mistral (EU-Anbieter); kleine Modelle für Routing und Extraktion, um Kosten zu senken.
• Integration: MCP-Server für interne Systeme, A2A für Aufrufe zwischen Agenten, OpenTelemetry-GenAI-Konventionen fürs Tracing.
• B wählen, wenn: Sie prozessspezifische Logik, Datenhaltung in der EU und Kontrolle über Freigaben brauchen.

Weg C — Selbst betreiben (Open Source)

• Modelle: Reasoning-/Tool-Use-Modelle mit offenen Gewichten wie Qwen3, gpt-oss, DeepSeek, Mistral-/Magistral-Familien, betrieben mit vLLM oder Ollama.
• Stack: LangGraph, CrewAI, AutoGen/AG2 oder Google ADK; Temporal oder Camunda 8; Langfuse oder Arize Phoenix zur Beobachtung; Qdrant/pgvector.
• Hardware: HW3 (eine GPU mit 48-141 GB) für Modelle mit Werkzeugaufrufen von ca. 30-120 Mrd. Parametern; HW4 für hohe Parallelität.
• C wählen, wenn: Daten das Haus nicht verlassen dürfen (öffentlicher Sektor, Gesundheit, Finanzen) und Sie Plattform-Ingenieure haben.

Weg D — Eigenes Training

Anfangs selten gerechtfertigt. Später lässt sich ein kleines Modell auf protokollierten Verläufen feintunen (erfolgreiche Folgen von Werkzeugaufrufen, Korrekturen von Prüfern), um in Schritten mit hohem Volumen ein teures führendes Modell zu ersetzen; dafür sind Tausende kuratierte Spuren und eine Evaluierungsumgebung nötig.

Stand der Technik (2026)

• Konvergenz bei Protokollen: MCP für Werkzeuge und A2A für die Interoperabilität von Agenten, beide seit 2026 von der Agentic AI Foundation getragen [2][3].
• Lehren zur Architektur: Das Multiagenten-Rechercheprojekt von Anthropic erzielte bei breit angelegten Aufgaben große Gewinne durch parallele Teilagenten, jedoch bei deutlich höherem Tokenverbrauch, und stellte fest, dass Koordination, Evaluierung und Nichtdeterminismus schwierig sind [4]. Viele Teams im Produktivbetrieb bevorzugen daher wenige Agenten, explizite Workflows und starkes Tracing.
• Fehlerbilder: Fehlerverstärkung über lange Ketten, Schleifen, falsche Nutzung von Werkzeugen, Kontextverlust bei Übergaben, Prompt-Injection über E-Mails/Dokumente, die sich zwischen Agenten ausbreitet, unklare Verantwortlichkeit, ausufernde Kosten.
• Benchmarks: Agenten-Benchmarks (tau-bench, WebArena/OSWorld, SWE-bench) zeigen stetige Fortschritte, doch die Zuverlässigkeit bei mehrstufigen Unternehmensaufgaben über wiederholte Läufe liegt weiterhin deutlich unter der Konsistenz von Menschen; führen Sie eigene durchgängige Evaluierungen durch.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: AGENT-002 (Workflow-Engine), AGENT-003 (Computer-Nutzung für ältere Oberflächen), AGENT-025 (Beobachtbarkeit, Evaluierungen, Governance), Guardrails und Identitätsschicht.
• Darauf aufbauende Prozessagenten: AGENT-006 Finanzabschluss, AGENT-014 Schadenbearbeitung, AGENT-015 KYC, AGENT-023 Order-to-Cash, AGENT-026 öffentliche Verwaltung.
• Hardware: Ein HW3-Inferenzserver kann mehrere Agentensysteme bedienen; der Vektorspeicher wird mit RAG-Anwendungsfällen geteilt.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis zum Pilot; Lizenz plus verbrauchsabhängige Preise pro Agentenaktion oder Konversation.
• Weg B: 3-9 Monate für einen ersten Produktivprozess inkl. Evaluierung, Freigaben und Integration.
• Weg C: 6-12 Monate inkl. Plattformaufbau; GPU-Server plus MLOps-Personal.
• Kostentreiber: Tokens pro Lauf (bei Multiagenten oft ein Mehrfaches eines einzelnen Agenten), Integrationsarbeit, Evaluierung und Governance.
• Kennzahlen: Durchlaufquote ohne Eingriff (Straight-Through-Rate), Kosten pro abgeschlossenem Fall, Durchlaufzeit, Eskalationsquote, Quote menschlicher Übersteuerungen, Aufgabenerfolg über wiederholte Läufe, Richtlinienverstöße, Zahl der Vorfälle.

Menschen & Veränderung

Beziehen Sie von Anfang an die Geschäftsleitung (Umfang, Budget, Freigabegrenzen) und die Abteilungsleitung als Prozessverantwortliche ein; IT und IT-Sicherheit gestalten Werkzeugzugriff und Protokollierung; die Dateneigner geben die Quellen frei; die oder der Datenschutzbeauftragte wird früh beteiligt, wenn personenbezogene Daten (Kunden, Beschäftigte) berührt sind, und eine Datenschutz-Folgenabschätzung (DSFA) ist wahrscheinlich, wenn Agenten über Personen entscheiden oder im großen Maßstab laufen. Mit jedem Modell- oder Plattformanbieter ist ein Auftragsverarbeitungsvertrag (AVV, Art. 28 DSGVO) nötig.

Betriebsrat: abhängig vom Einzelfall. Agenten, die protokollieren, welche Mitarbeitenden etwas freigegeben, korrigiert oder übersteuert haben, erzeugen objektiv geeignete Überwachungsdaten. Daher greift § 87 Abs. 1 Nr. 6 BetrVG in der Regel, sobald Freigabe- und Ablaufprotokolle namentlich zugeordnet sind; in jedem Fall verlangt § 90 Abs. 1 Nr. 3 rechtzeitige Unterrichtung, wenn Arbeitsverfahren mit KI geplant werden, und § 80 Abs. 3 erlaubt die Hinzuziehung eines KI-Sachverständigen. Im öffentlichen Dienst gilt der Personalrat. Betroffen sind nur Unternehmen mit gewähltem Betriebsrat.

Ergreifen Sie Maßnahmen zur Förderung der KI-Kompetenz (KI-Verordnung Art. 4): Schulen Sie die Freigebenden zu Fehlerbildern und Eskalation. Wählen Sie einen engen Prozess und ein kleines Pilotteam Freiwilliger, kommunizieren Sie, dass der Agent Routineschritte übernimmt, während Menschen die Freigabe für Geld, Verträge und Ausnahmen behalten, und berichten Sie offen über Fehlerquoten. Typische Sorgen (Arbeitsplatzverlust, Schuldzuweisung bei Agentenfehlern) lassen sich mit klaren Verantwortungsregeln und einem Notausschalter begegnen. Leitfäden: GUIDE-004, GUIDE-008, GUIDE-009.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): hängt vom Prozess ab. Backoffice-Automatisierung ohne Entscheidungen über Personen gilt als minimales Risiko (KI-Kompetenz, Art. 4). Agenten, die Bewerber auswählen, Kreditwürdigkeit bewerten, Versicherungen bepreisen oder über Leistungen entscheiden, fallen unter Anhang III Hochrisiko (Art. 6, Pflichten u. a. Risikomanagement, Protokollierung, menschliche Aufsicht, Art. 9-15). Agenten, die mit Menschen interagieren, müssen die KI offenlegen (Art. 50). Die Verbote nach Art. 5 (z. B. Social Scoring, Emotionserkennung am Arbeitsplatz) dürfen in keinen Agentenschritt eingebaut werden. [6]
• DSGVO: Art. 22 begrenzt ausschließlich automatisierte Entscheidungen mit rechtlicher oder ähnlicher Wirkung; legen Sie Rechtsgrundlage, Zweckbindung je Agent, Datenminimierung im gemeinsamen Gedächtnis, DSFA bei personenbezogenen Daten und Auftragsverarbeitungsverträge mit Modell- und Werkzeuganbietern fest.
• Sicherheit: Die OWASP Top 10 für LLM-Anwendungen (Prompt-Injection, übermäßige Handlungsfreiheit) gelten; für Unternehmen im Anwendungsbereich außerdem NIS2 und DORA.
• Gegenmaßnahmen: Identitäten mit minimalen Rechten, Positivlisten für Werkzeuge, Freigabeschranken, Notausschalter, unveränderlicher Prüfpfad, Red-Team-Tests, gestufte Autonomie.

Erste Schritte

1. Wählen Sie einen Prozess mit messbarem Volumen und klarem Ausnahmeweg; bilden Sie ihn als Workflow ab, bevor Sie Agenten hinzufügen.
2. Belegen Sie zuerst, dass ein einzelner Agent plus deterministischer Workflow funktioniert; fügen Sie Agenten nur dort hinzu, wo ein Schritt eigene Werkzeuge, Berechtigungen oder Evaluierung braucht.
3. Binden Sie Systeme über MCP/API mit eng gefassten Zugangsdaten an; legen Sie Freigabeschwellen und einen Notausschalter fest.
4. Bauen Sie einen Evaluierungsdatensatz aus über 100 realen historischen Fällen auf und protokollieren Sie jeden Lauf (siehe AGENT-025).
5. Starten Sie im Schattenmodus, dann im assistierten Modus, und erhöhen Sie die Autonomie erst, wenn die Übersteuerungsquoten stabil sind.

Quellen

1. Anthropic — Building effective agents — https://www.anthropic.com/engineering/building-effective-agents
2. Axios — A2A protocol gets a new home at the Agentic AI Foundation (Aug 2026) — https://axios.com/2026/08/17/a2a-agentic-ai-foundation-open-ai-standards
3. Model Context Protocol specification — https://modelcontextprotocol.io
4. Anthropic — How we built our multi-agent research system — https://www.anthropic.com/engineering/multi-agent-research-system
5. Gartner — Over 40% of agentic AI projects will be canceled by end of 2027 (press release, June 2025) — https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
6. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. LangGraph documentation — https://langchain-ai.github.io/langgraph/
8. OWASP Top 10 for LLM Applications — https://genai.owasp.org/llm-top-10/