So bauen Sie Ihr Multi-Agent-KI-System auf: eine Schritt-für-Schritt-Anleitung

Highlights 

• Multi-Agent-Systeme ermöglichen es spezialisierten KI-Agenten, gemeinsam auf ein übergeordnetes Ziel hinzuarbeiten.
• Bei der Entwicklung agentischer Systeme sollten geschäftliche Herausforderungen und nicht Technologieentscheidungen im Mittelpunkt stehen.
• Orchestrator-Agenten koordinieren Workflows über mehrere Agenten, Skills, Tools und Datenquellen hinweg.
• Governance und Anpassungsfähigkeit sind entscheidend für Multi-Agent-Systeme auf Unternehmensebene.
• Skills helfen dabei, KI-gestützte Prozesse durch wiederverwendbares Organisationswissen zu skalieren.

KI-Agenten sind mittlerweile fester Bestandteil der Geschäftsabläufe vieler Unternehmen. Sie helfen dabei, Routineaufgaben zu automatisieren und Geschäftschancen zu identifizieren, wodurch die Arbeit Ihres Teams effizienter wird. Doch was passiert, wenn Sie mit komplexeren Aufgaben konfrontiert werden, die sich über mehrere Unternehmensbereiche erstrecken? Genau hier kommen Multi-Agent-KI-Systeme ins Spiel.

Der Wandel von der Zusammenarbeit mit einzelnen intelligenten Systemen hin zu einem Team spezialisierter KI-Agenten findet bereits heute statt. Fast 45 % der Unternehmen, die KI-Agenten bereits skalieren, pilotieren oder skalieren zugleich Multi-Agent-Systeme (Capgemini Generative AI Report 2025). Vielen fehlt jedoch die notwendige Orientierung, um dieses Agentennetzwerk in echten geschäftlichen Mehrwert zu verwandeln.

In diesem Artikel erhalten Sie eine Schritt-für-Schritt-Anleitung dazu, wie Sie erfolgreich mit einem Multi-Agent-System arbeiten und welche Möglichkeiten das Microsoft-Ökosystem dafür bietet.

Was ist ein Multi-Agent-KI-System?

Ein Multi-Agent-KI-System (MAS) ist eine KI-Architektur, in der mehrere spezialisierte KI-Agenten zusammenarbeiten und jeweils eine bestimmte Aufgabe übernehmen, um im Auftrag eines Benutzers ein gemeinsames Ziel zu erreichen. Das lässt sich mit dem Bau eines Hauses vergleichen: Man kann nicht erwarten, dass eine einzige Person die Ziegel legt, die Wände streicht und die Beleuchtung installiert. Für jede Aufgabe innerhalb desselben Projekts braucht es einen spezialisierten Experten. Genauso verhält es sich mit Multi-Agent-Systemen.

LLM-basierte Multi-Agent-Systeme werden besonders dann nützlich, wenn eine Aufgabe zu komplex ist, als dass ein einzelner Agent sie zuverlässig bewältigen könnte. Muss ein Agent beispielsweise zwischen 30 bis 40 möglichen Aktionen wählen – darunter Themen, Tools und verbundene Agenten –, kann seine Routing-Genauigkeit nachlassen. Im Gegensatz zu einzelnen KI-Agenten sind Multi-Agent-Systeme dezentral aufgebaut und basieren auf mehreren Agenten, die in derselben Umgebung arbeiten und dabei die Ziele, den Kontextspeicher und die nächsten Schritte der jeweils anderen berücksichtigen können. Sie können Informationen direkt austauschen oder sich indirekt koordinieren, indem sie die gemeinsame Umgebung, in der sie arbeiten, verändern.

Schritt 1: Mit einem Geschäftsproblem beginnen, nicht mit einer Technologie

Wenn Sie sich entscheiden, Multi-Agent-Systeme zu implementieren, sollten Sie zunächst Ihre geschäftsspezifischen Anwendungsfälle betrachten, anstatt sich auf die verfügbaren Technologieoptionen zu konzentrieren. Fragen Sie sich: Welche komplexen Herausforderungen in wiederkehrenden Prozessen erfordern umfassende Automatisierungen, um bewältigt zu werden?

Mit diesem Ansatz stellen Sie sicher, dass das Multi-Agent-System gezielt auf konkrete Anforderungen ausgerichtet ist und einen praktischen Mehrwert liefert. Dieser Schritt hilft Ihnen außerdem dabei, zu definieren, welche Aufgaben an Agenten delegiert werden sollten, wodurch das System effektiver wird und besser zu den Unternehmenszielen passt.

Ein praktisches Beispiel aus Sebastian Siebers Session auf dem proMX Project Operations + AI Summit 2026 zeigt, warum der Ausgangspunkt stets ein reales Geschäftsproblem und nicht die Technologie selbst sein sollte.

In seiner Session stellt Sebastian Sieber den Fall eines Benutzers vor, der per E-Mail (Outlook) meldet, dass eine Asset-Management-Anwendung Änderungen nicht mehr speichern kann. Um dieses Problem zu lösen, demonstriert Sebastian einen agentengesteuerten Workflow, der folgende Aufgaben übernimmt:

• Eingehende Anfragen lesen
• Probleme analysieren und priorisieren
• Tickets erstellen
• Umgebungen bereitstellen
• Anwendungen bereitstellen
• Tests ausführen
• Berichte erstellen

Dieses Beispiel verdeutlicht, dass komplexe Geschäftsprozesse oft mehr erfordern als eine einfache Frage-und-Antwort-Interaktion. Stattdessen arbeiten verschiedene Verantwortlichkeiten, Tools und Datenquellen gemeinsam auf ein gemeinsames Ziel hin.

Eine Multi-Agenten-Architektur ermöglicht es, jede dieser Aufgaben von einem spezialisierten Agenten bearbeiten zu lassen, während ein übergeordneter Agent die Zusammenarbeit koordiniert und alle Aktivitäten auf dasselbe Ergebnis ausrichtet.

Schritt 2: Den Prozess in spezialisierte Agenten aufteilen

Sobald Sie festgelegt haben, welche Szenarien und Aufgaben durch ein Multi-Agent-KI-System automatisiert werden sollen, müssen Sie entscheiden, welche spezialisierten KI-Agenten erforderlich sind. Large Language Models (LLMs) ermöglichen es KI-Agenten, zu schlussfolgern und Entscheidungen zu treffen. Dadurch können sie Anfragen interpretieren, den verfügbaren Kontext verstehen und bestimmen, was als Nächstes geschehen soll. Bei diesen Agenten unterscheiden wir zwischen child agents und connected agents:

• Child agents eignen sich am besten für kleinere, eng miteinander verbundene Teilaufgaben innerhalb einer größeren Lösung.
• Connected agents sind besser geeignet, wenn ein Agent wiederverwendbar, unabhängig verwaltet oder separat gesteuert werden soll.

Im oben genannten Demo-Beispiel übernimmt der erste Agent die erste Prüfung der eingehenden E-Mail. Er identifiziert das Kernproblem, extrahiert die relevanten Details zum Fehler in der Asset-Management-Anwendung, erstellt ein Ticket mit einer ID und klassifiziert das Problem nach seinem Schweregrad. In Sebastians Demo wird diese Rolle vom „Power Platform Review Agent“ übernommen. Sobald diese erste Analyse abgeschlossen ist, bleibt das Ergebnis nicht isoliert. Es wird vielmehr zum Ausgangspunkt für den nächsten Schritt im Workflow, beispielsweise für einen weiteren Agenten, der eine separate Sandbox-Umgebung vorbereitet.

Hier kommt der Orchestrator beziehungsweise übergeordnete Agent ins Spiel: Er führt nicht jede Aufgabe selbst aus, sondern koordiniert die Abfolge der Agenten, leitet die richtigen Informationen an den richtigen Agenten weiter und stellt sicher, dass jedes Ergebnis den gesamten Workflow voranbringt. Diese Orchestrierung ermöglicht es Menschen, sich bei der Ausführung auf das Multi-Agent-System zu verlassen und nur bei Genehmigungen, Ausnahmen oder zur Überwachung einzugreifen.

Wenn Sie mit dem Microsoft-Ökosystem vertraut sind, können Sie beispielsweise Agenten in GitHub Copilot für die Softwareentwicklung erstellen (z. B. zur Behebung eines Softwarefehlers), in Microsoft 365 Copilot für geschäftliche Produktivität (z. B. zur Automatisierung manueller Aufgaben aus dem Arbeitsalltag) oder in Copilot Studio für komplexere, autonome und unternehmensweite Agenten.

Schritt 3: Governance auf jeden Agenten anwenden

Wenn Sie die Agenten für Ihren Workflow auswählen, sollten Sie auch die Governance-Auswirkungen jeder einzelnen Verbindung berücksichtigen. Dies ist wichtig, da jeder Agent möglicherweise in einer anderen Umgebung als Ihr übergeordneter Agent ausgeführt wird und auf andere Systeme, Datensätze oder APIs zugreifen kann, auf die der übergeordnete Agent keinen Zugriff hat.

Mit jeder neuen Verbindung erweitern Sie zudem die Vertrauensgrenze der Lösung. Daher ist es unerlässlich, geeignete Datenflüsse zwischen den Agenten festzulegen und sicherzustellen, dass die erforderlichen Berechtigungen, Genehmigungen und Sicherheitsprüfungen vorhanden sind.

Indem Sie Governance- und Audit-Kontrollen auf jeden Agenten anwenden, den Sie mit Ihrem Multi-Agent-System verbinden, stellen Sie sicher, dass das gesamte System sicher bleibt und weniger anfällig für Sicherheitsverletzungen ist.

Schritt 4: Agenten mit den richtigen Tools verbinden

Neben dem Sicherheitsaspekt ist die Wahl der richtigen Tools für jeden Agenten entscheidend für ein gut funktionierendes KI-Agentennetzwerk.

Da jeder KI-Agent nur so leistungsfähig ist wie die Daten, auf die er zugreifen kann, sollten Sie sicherstellen, dass er mit den Tools verbunden ist, die ihm die Informationen für die Ausführung seiner Aufgaben bereitstellen. Das klingt zunächst logisch. Mit zunehmender Größe Ihres Multi-Agent-Systems kann es jedoch schnell herausfordernd werden, den Überblick über sämtliche Verbindungen innerhalb der einzelnen Agenten zu behalten.

Im oben genannten Demo-Beispiel kann der Agent nur deshalb effektiv arbeiten, weil er Zugriff auf umfangreichen Kontext aus verschiedenen Unternehmensdatenquellen hat. Dazu gehören Outlook (E-Mails und Meetings), Geschäftsdaten aus Dataverse sowie weitere Microsoft-365-Daten, die über Microsoft Graph (Work IQ) verfügbar sind.

Anschließend kann der Agent Ausführungstools nutzen, um auf Basis dieses Kontexts zu handeln, beispielsweise:

• Power Platform CLI zur Verwaltung von Power-Platform-Umgebungen, Lösungen und Deployments.
• Playwright zur Automatisierung browserbasierter Tests und zur Validierung des Anwendungsverhaltens.
• Azure zum Bereitstellen, Ausführen oder Verbinden unterstützender Cloud-Dienste.

Schritt 5: Agenten entwickeln, die sich anpassen können

Wenn Sie alle bisherigen Schritte gelesen haben, sind Sie bereits auf einem sehr guten Weg, effektive Multi-Agent-Systeme aufzubauen. Die Realität ist jedoch, dass kein einzelnes MAS (Multi-Agent-System) perfekt ist: Authentifizierungsprobleme, fehlende Konfigurationen und unerwartete Validierungsfehler treten häufig auf. Deshalb müssen KI-Agenten resilient gegenüber Fehlern sein und die folgenden Eigenschaften mitbringen:

• Fehlgeschlagene Aktionen erneut ausführen
• Dokumentationen konsultieren
• Ausführungspfade anpassen
• Konfigurationsprobleme beheben

Diese Resilienz ist oft das entscheidende Merkmal, das ein leistungsfähiges Agentensystem auf Unternehmensebene von einem einfachen Automatisierungsskript unterscheidet.

Bevor Sie ein MAS produktiv einsetzen, sollten Sie die Architektur gründlich testen: Sind alle Agenten sinnvoll eingebunden oder fehlen noch wichtige Komponenten? Läuft die Orchestrierung des Workflows reibungslos, oder müssen Sie zu viel Zeit in die Überwachung investieren?

Nach der erfolgreichen Implementierung können Sie die Leistung Ihrer Agenten regelmäßig überwachen und bei Bedarf optimieren. Dadurch stellen Sie sicher, dass Ihr Multi-Agent-System langfristig effizient, zuverlässig und an neue Anforderungen anpassbar bleibt.

Schritt 6: Mit Skills skalieren

Nicht zuletzt können Sie Multi-Agent-KI-Systeme mithilfe von Skills skalieren.

Diese Funktion ermöglicht es Benutzern ohne Programmierkenntnisse, Prozesse und Anweisungen in natürlicher Sprache zu definieren, denen Agenten folgen können. In unserer Demo erklärt Sebastian, dass Skills Schritt-für-Schritt-Prozesse (z. B. im Vertrieb oder im operativen Geschäft) dokumentieren können. Dabei werden Verantwortlichkeiten, Tabellen und Aktionen festgelegt, auf die Agenten und KI-Funktionen zugreifen und die sie ausführen können.

Sobald Skills definiert sind, werden sie zu wiederverwendbarer Prozessdokumentation, die von KI-basierten Funktionen abgerufen und genutzt werden kann. Dadurch werden die Prozessautomatisierung und das Verständnis von Kontexten vereinfacht.

Dies erleichtert es, ähnliche Abläufe in Zukunft zu reproduzieren, ohne den gesamten Multi-Agent-Workflow von Grund auf neu gestalten zu müssen. Das spart Zeit und Aufwand und verbessert gleichzeitig die Konsistenz von Prozessen.

Fazit: So bauen Sie Multi-Agent-Systeme auf

Nachdem Sie nun wissen, welche Schritte zu befolgen sind, verfügen Sie über alle Werkzeuge, die Sie benötigen, um Ihre KI-Ambitionen in eine echte Geschäftschance zu verwandeln.

Durch den Aufbau von Multi-Agent-KI-Systemen können Sie Aufgaben automatisieren und an intelligente Agenten delegieren. Jeder dieser Agenten übernimmt einen Teil einer größeren Aufgabe, die von einem einzelnen Agenten nicht effizient bewältigt werden könnte.

Wenn Sie bereits mit Microsoft-Technologien wie GitHub Copilot, Power Platform, Copilot Studio und Azure vertraut sind, verfügen Sie schon heute über die Grundlage, um mit dem Aufbau von Multi-Agent-Systemen zu beginnen.

Kontaktieren Sie die Expert:innen von proMX, um Ihre eigene KI-Transformationsreise zu starten.

Häufig gestellte Fragen (FAQ)

Wann sollten Teams Multi-Agent-Systeme einsetzen?

Teams sollten Multi-Agent-Systeme dann einsetzen, wenn ein einzelner Agent eine Aufgabe nicht mehr zuverlässig bewältigen oder korrekt weiterleiten kann. Als praktische Faustregel kann dies der Fall sein, wenn ein Agent zwischen etwa 30 bis 40 möglichen Aktionen wählen muss, beispielsweise zwischen verschiedenen Themen, Tools oder verbundenen Agenten. Dieser Wert ist jedoch keine feste Regel und sollte anhand der eigenen Anwendungsfälle und Evaluierungen überprüft werden.

Was ist der Unterschied zwischen einem child agent und einem connected agent?

Ein child agent ist ein spezialisierter Agent, der innerhalb einer größeren KI-Lösung arbeitet und eine bestimmte Aufgabe als Teil eines umfassenderen Workflows übernimmt.

Ein connected agent arbeitet dagegen unabhängiger. Er kann in verschiedenen Lösungen wiederverwendet oder von separaten Teams verwaltet werden und eignet sich daher besonders für wiederverwendbare und eigenständig steuerbare Anwendungsfälle.

Wie skaliert man Multi-Agent-Systeme?

Multi-Agent-Systeme lassen sich am effektivsten skalieren, wenn wiederverwendbare Skills standardisiert, Agenten mit den passenden Tools verbunden und Governance-Strukturen frühzeitig etabliert werden. Dadurch können spezialisierte Agenten konsistent über verschiedene Geschäftsprozesse hinweg eingesetzt werden und bleiben gleichzeitig zuverlässig, sicher und an den Unternehmenszielen ausgerichtet.