Anthropic rät zu weniger Subagenten – aber nicht bei jeder Aufgabe

Skills und bedarfsgeladene Werkzeuge statt eigener Agenten pro Team

Anstatt jeder Fachabteilung einen eigenen Agenten zu geben, empfiehlt Anthropic, wiederkehrende Arbeitsabläufe als Skills bereitzustellen und Werkzeuge über eine Suche bei Bedarf verfügbar zu machen. Eine zentrale Gruppe soll nach diesem Modell System-Prompt und Gesamtqualität verantworten; die Fachbereiche können ihre jeweiligen Skill-Bibliotheken pflegen. So soll die Arbeitsteilung erhalten bleiben, ohne für jeden Ablauf einen eigenen Agenten samt separater Orchestrierung zu benötigen. [1]

Für Referenzmaterial wie Richtlinien, Produktspezifikationen oder Kennzahlendefinitionen empfiehlt Anthropic Wissensbasen, die der Agent bei Bedarf über eine Suchfunktion abfragt. Informationen können nach Darstellung des Unternehmens alternativ als Referenzdateien in Skills eingebunden werden. Anthropic rät davon ab, Kontext einfach per Code abzurufen und direkt in den Prompt einzufügen. [1]

Auch die Werkzeugauswahl setzt der Anbieter nicht unbegrenzt voraus: Nach seiner Beobachtung nimmt die Auswahlleistung von Modellen bei mehr als etwa 30 bis 50 Werkzeugdefinitionen tendenziell ab. Für Unternehmen folgt daraus nicht automatisch eine starre Obergrenze, wohl aber ein Prüfbedarf: Ein Agent mit immer größerem Werkzeugkatalog kann zusätzliche Routingfehler erzeugen. Das sollte gegen den Verwaltungsaufwand einer Aufteilung in kleinere, tatsächlich unterscheidbare Fähigkeiten getestet werden. [1]

Wann Subagenten weiterhin sinnvoll sein können

Anthropic nennt drei Fälle, in denen Subagenten weiterhin eine passende Wahl sein können: wenn ein einzelner Agent im Kontextfenster messbar an Leistung verliert, wenn mehrere Aufgaben parallel in voneinander getrennten Kontexten laufen müssen oder wenn der Hauptagent Schwierigkeiten hat, das richtige Werkzeug auszuwählen. In diesen Situationen kann die Trennung mehr sein als organisatorischer Ballast: Sie schafft zusätzliche Kapazität oder begrenzt den jeweiligen Arbeitsbereich. [1]

Die eigenen Angaben des Unternehmens zu seinem Research-System unterstreichen diese Einschränkung. Dort plant ein Hauptagent die Recherche und verteilt unterschiedliche Suchrichtungen an parallel arbeitende Subagenten. In einer internen Evaluation übertraf diese Architektur mit Claude Opus 4 als Hauptagent und Claude Sonnet 4 als Subagenten einen einzelnen Opus-4-Agenten um 90,2 Prozent. Anthropic erklärt den Vorteil mit Aufgaben, die eine breite Suche über voneinander unabhängige Richtungen erfordern. [3]

Der Mehrwert hatte in dieser Anwendung einen Ressourcenpreis: Multi-Agenten-Systeme nutzten laut Anthropic im Durchschnitt etwa 15-mal so viele Tokens wie gewöhnliche Chat-Interaktionen. Das Unternehmen beschreibt sie deshalb als geeignet für Aufgaben, bei denen der zusätzliche Aufwand durch den Wert der besseren oder umfassenderen Bearbeitung aufgewogen wird. Die Zahl bezieht sich auf Anthropic-Angaben zu diesem System und ist keine Kostenprognose für jede Multi-Agenten-Implementierung. [3]

Ein weiteres Anthropic-Experiment zeigt, warum die Unterscheidung zwischen paralleler Suche und eng gekoppelter Zusammenarbeit wichtig ist. Bei der Suche nach Software-Schwachstellen fand ein koordinierter Schwarm aus Mythos-Preview-Agenten 266 Schwachstellen nach einem Lauf mit 27 Millionen Tokens; unabhängig parallel arbeitende Agenten fanden 21 nach 6,5 Millionen Tokens. Rund die Hälfte der Schwarmfunde lag allerdings außerhalb der Verzeichnisse, auf die die unabhängigen Agenten begrenzt waren. Beschränkt man den Vergleich auf die Kernverzeichnisse, bewertet Anthropic die Methoden hinsichtlich der Tokens pro Fund als vergleichbar. Die Ergebnisse waren zudem weitgehend komplementär. [2]

Koordination ist nicht nur eine Kostenfrage

Mehr Agenten bedeuten nicht automatisch bessere Zusammenarbeit. In einem weiteren Experiment von Anthropic sollten Agenten gemeinsam ein textbasiertes Open-World-Spiel entwickeln. Die resultierenden Spiele waren nach Einschätzung des Unternehmens durchweg schlecht spielbar; verschiedene Vorgaben für Rollen oder Hierarchie änderten daran wenig. Bei Softwareprojekten sank in den Tests der Anteil zusammengeführter Pull Requests mit steigender Agentenzahl für ältere getestete Modelle deutlich. Neuere Modelle zeigten andere Koordinationsmuster, doch laut Anthropic war erst Sonnet 5 zugleich in der Lage, auf gemeinsam genutzten Ressourcen zu arbeiten und eine hohe Zusammenführungsrate zu halten. [2]

Diese Befunde sind keine direkte Bewertung der von Anthropic nun empfohlenen Einzelagenten-Architektur. Sie zeigen aber, dass bei abhängigen Arbeitsschritten Übergaben und Zusammenarbeit selbst zu Fehlerquellen werden können. Umgekehrt belegt die Research-Evaluation, dass getrennte Agenten bei unabhängigen Recherchepfaden leistungsfähig sein können. Die passende Architektur hängt demnach auch davon ab, wie stark Teilaufgaben voneinander abhängen und ob Ergebnisse parallel statt nacheinander entstehen können. [2][3]

Die beiden Befundgruppen ergänzen einander, ohne sich zu widersprechen: Eine Recherche über viele unabhängige Quellen kann von parallelen Kontexten profitieren; ein kundenbezogener Ablauf mit zahlreichen Übergaben kann dadurch langsamer oder schwerer steuerbar werden. Eine einfache Rangfolge „Einzelagent gegen Multi-Agent“ lässt sich aus den vorliegenden Daten nicht ableiten. [1][2][3]

Migration braucht Tests statt pauschaler Zusammenlegung

Anthropic hat ein Migrations-Kit auf GitHub veröffentlicht, das Teams dabei unterstützen soll, vorhandene Muster zu identifizieren, Alternativen zu bewerten und die geeignete Lösung zu überprüfen. Das Unternehmen warnt ausdrücklich davor, Subagenten ohne vorherige Tests zusammenzuführen. In einem Support-Agenten-Test verringerte die Integration eines Subagenten zwar die Latenz, zugleich begann der Hauptagent jedoch, Antworten selbst zu geben, statt den vorgesehenen Spezialisten einzuschalten. [1]

Der Fall zeigt einen betrieblichen Zielkonflikt: Ein kürzerer Ablauf ist nicht zwingend ein besserer Ablauf, wenn dabei eine bestehende Kontroll- oder Fachlogik umgangen wird. Bei einer Migration reicht es deshalb nicht, Laufzeit und Tokenverbrauch zu vergleichen. Auch muss geprüft werden, ob der Agent weiterhin die vorgesehenen Werkzeuge nutzt, Anforderungen korrekt erfüllt und in Grenzfällen zuverlässig an Spezialprozesse übergibt. Diese Prüfpunkte sind eine Analyse der von Anthropic geschilderten Fehlermöglichkeit. [1]

Was Unternehmen aus der Empfehlung ableiten können

Für eine belastbare Architekturentscheidung sollten Unternehmen die Leistung ihrer Agenten anhand konkreter Aufgaben vergleichen, statt allein die Zahl der Agenten als Qualitätsmerkmal zu behandeln. Zu einer solchen Bewertung gehören etwa Ergebnisqualität und Regelbefolgung ebenso wie Latenz, Kosten und Fehler bei der Werkzeugauswahl. Diese Kriterien verbinden die von Anthropic berichteten Qualitäts-, Laufzeit- und Kostenwirkungen mit den Fällen, in denen das Unternehmen Subagenten weiterhin für sinnvoll hält. [1]

Als Analyse bietet sich ein gestuftes Vorgehen an: zunächst feststellen, ob die Aufgabe wirklich parallele, unabhängige Teilprobleme enthält; anschließend testen, ob ein Agent mit bedarfsgeladenen Skills dieselbe fachliche Qualität erreicht; und schließlich kontrollieren, ob Spezialisten, Eskalationen und Ausgabevorgaben weiterhin zuverlässig ausgelöst werden. Für Aufgaben, bei denen ein Modell messbar Kontextgrenzen erreicht oder unabhängige Recherchepfade parallel bearbeiten muss, bleibt die Multi-Agenten-Variante ein begründeter Kandidat. [1][3]

Anthropics Empfehlung ist damit vor allem ein Aufruf zur Neubewertung gewachsener Architekturen. Sie begründet keine allgemeine Regel, Subagenten abzuschaffen. Für Unternehmen liegt der praktische Wert darin, unnötige Übergaben zu identifizieren, ohne die Vorteile getrennter Kontexte und echter Parallelisierung aufzugeben. Welche Seite überwiegt, müssen aufgabenspezifische Tests zeigen. [1][2][3]

Quellen

1. [1] Anthropic says one AI agent beats many subagents now that models can handle complexity alone — https://the-decoder.com/anthropic-says-one-ai-agent-beats-many-subagents-now-that-models-can-handle-complexity-alone (abgerufen am 2026-10-25)
2. [2] Patterns and problems in multiagent systems \ Anthropic — https://www.anthropic.com/research/multiagent-systems (abgerufen am 2026-10-25)
3. [3] How we built our multi-agent research system \ Anthropic — https://www.anthropic.com/engineering/multi-agent-research-system (abgerufen am 2026-10-25)