.jpg)
Bei einem kritischen Bauteil kommt es unerwartet zu einer Lieferverzögerung. Der Einkauf informiert die Produktion per E-Mail. Die Produktion fragt die Logistik nach Lagerbeständen. Die Logistik wartet auf Rückmeldung aus dem ERP. Der Vertrieb bekommt erst am Nachmittag mit, dass Liefertermine nicht zu halten sind und hat die Kunden längst vertröstet.
Bis eine abgestimmte Entscheidung vorliegt (und das auf Basis von Daten, die zu diesem Zeitpunkt häufig bereits überholt sind) vergehen Stunden. Was würde sich ändern, wenn ein System diesen Prozess aktiv mitdenkt, statt ihn nur zu dokumentieren? KI-Agenten leisten genau das: Sie denken mit, indem sie auf ERP-Daten zugreifen, die Auswirkungen der Verzögerung auf offene Aufträge erkennen und selbständig Maßnahmen vorschlagen.
Doch ein einzelner Agent hat seine Limitationen. Einkauf, Produktion und Vertrieb folgen unterschiedlichen Logiken und Datenquellen. Der eigentliche Hebel liegt daher im Zusammenspiel: Wenn mehrere spezialisierte Agenten koordiniert agieren, entsteht ein sogenanntes Multi-Agenten-System.
Was ist ein Multi-Agent-System?
In einem Multi-Agent-System (MAS) arbeiten mehrere autonome Agenten koordiniert zusammen, um Aufgaben zu erledigen. Die Kerneigenschaften jedes Agenten sind Autonomie (eigenständiges Handeln), Reaktivität (Anpassung auf Umgebungsveränderungen), Proaktivität (zielgerichtete Eigeninitiative) und soziale Kompetenz (Kommunikation mit anderen Agenten).
Der Unterschied zwischen klassischer Software und MAS liegt in der Fähigkeit zur Selbstorganisation: Ein Programm arbeitet eine feste Befehlsabfolge ab, im Vergleich dazu planen Agenten ihren Weg zum Ziel dynamisch, wählen passende Werkzeuge und passen sich veränderten Bedingungen an.
Wie unterscheiden sich Multi-Agent-Systeme von Single-Agent-Systemen?
Ein Agent arbeitet sequenziell und innerhalb eines Zuständigkeitsbereichs, Multiagentensysteme verteilen Aufgaben parallel an spezialisierte Agenten. MAS übertreffen Single-Agent-Systeme bei komplexen, domainübergreifenden und parallelen Aufgaben unter anderem deshalb, weil jeder Agent spezialisiertes Fachwissen einbringt.
Einzelagenten eignen sich besonders bei klaren Aufgaben mit nachvollziehbarem Lösungsweg. Sie sind oft einfacher zu steuern und kosteneffizienter als Multiagentensysteme. Je nach Anwendungsfall bietet sich ein Single- oder Multi-Agenten-System an, wobei sich für viele Anwendungen auch eine Kombination empfiehlt.
KI im ERP: Wie gelingt der Einstieg ohne Betriebsunterbrechung?
Multi-Agent-Systeme automatisieren ERP-Prozesse, doch zwischen Idee und produktivem Betrieb scheitern viele Mittelständler an fehlender Struktur. Unser Whitepaper liefert einen praxiserprobten Schritt-für-Schritt-Fahrplan für eine einfache KI-Integration.
Einzelagent und Multi-Agent-Systeme im direkten Vergleich
Wie sind Multi-Agent-Systeme aufgebaut?
MAS operieren entweder unter einer zentralen Einheit mit globaler Wissensdatenbank oder in einem dezentralen Netz, in dem jeder Agent mit seinen Nachbaragenten kommuniziert. Durch die zentralisierte Architektur entsteht einheitliches Wissen und einfache Koordination. Ihr Schwachpunkt ist jedoch der Single Point of Failure: Dezentralisierte Netzwerke sind robuster und modularer, erfordern aber aufwendigere Koordinationslogik.
Hybride Architekturen kombinieren beide Ansätze: Ein zentraler Orchestrator überwacht den Gesamtprozess. Sub-Agenten erledigen ihre Teilaufgaben dezentral. Dieses Muster dominiert aktuelle LLM-basierte Produktionsimplementierungen.
So können Agenten innerhalb eines MAS organisiert werden:
Darüber hinaus gibt es noch dauerhaft verbundene Agenten mit starker gegenseitiger Abhängigkeit. Dieser Ansatz eignet sich insbesondere für stabile, wiederholende Workflows.
Wie funktionieren LLM-basierte Multi-Agenten-Systeme technisch?
In LLM-basierten Multi-Agenten-Systemen arbeitet jeder Agent in einer kontinuierlichen Schleife aus Wahrnehmen, Schlussfolgern, Handeln und Beobachten, dem sogenannten ReAct-Zyklus (Reasoning + Acting).
Der Agent nimmt Eingaben auf, plant den nächsten Schritt durch LLM-Reasoning, führt eine Aktion aus (Tool-Aufruf, Nachricht an anderen Agenten) und wertet das Ergebnis aus, bevor der Zyklus neu beginnt.
Nach dem ReWOO-Muster (Reasoning Without Observation) plant der Agent alle Tool-Aufrufe vorab als Gesamtstrategie, bevor er sie ausführt. Das reduziert LLM-Aufrufe und damit verbundene Kosten.
Podcast
Connected AI, was ist das überhaupt? Im exklusiven Interview sprechen Daniel Jost von Proalpha und Andreas Maring von Nemo AI über die Integration von AI in moderne ERP-Systeme.
Anwendungsfälle: Multi-Agent-Systeme im ERP-Kontext
Im ERP-Umfeld sind Multiagentensysteme dort am wirkungsvollsten, wo hohe Transaktionsvolumen auf wiederkehrende Entscheidungsmuster treffen:
- Beschaffung: KI in der Beschaffung erkennt Lieferengpässe früher, löst Bestellungen automatisch aus und reduziert Durchlaufzeiten im Procure-to-Pay-Prozess
- Buchhaltung: Belegerkennung, automatische Kontierung und Anomalieerkennung
- Vertrieb: Angebotskonfiguration und Lieferterminzusagen auf Basis von Planungs- und Bestandsdaten ohne manuelle Datenbankabfragen
- HR: Kandidaten-Vorselektion, Interviewkoordination und Dokumentengenerierung als durchgängiger Workflow
Die Skalierbarkeit dieser Anwendungsfälle hängt an der Architektur. Laut Bitkom1 folgt ein MAS im ERP-Kontext einem Schichtenmodell aus Orchestrierungsschicht (Ablaufsteuerung, Audit-Trail), spezialisierten Agenten (Forecasting, Compliance, Anomalieerkennung), einer gemeinsamen Wissens- und Kontextschicht sowie einer standardisierten Kommunikationsinfrastruktur.
Kritisch ist die strikte Trennung zwischen Orchestrierung, Agentenlogik und transaktionaler ERP-Ausführung, weil so Tests, Audits und Erweiterungen beherrschbar bleiben.
Checkliste: MAS aufsetzen in 4 Schritten
Schritt 1 – Agenten definieren
- Rolle und Verantwortungsbereich jedes Agenten schriftlich festlegen
- Tools pro Agent bewusst begrenzen (ein Agent mit Zugriff auf alle Tools ist kein Spezialist)
- Agentenscope eng halten: Ein schlecht definierter Scope ist die häufigste Ursache für chaotisches Systemverhalten
Schritt 2 – Orchestrierungsstrategie festlegen
- Ein Koordinator-Agent steuert die anderen und sorgt dafür, dass Aufgaben in der richtigen Reihenfolge erledigt werden.
- Gleichrangiges Modell: Agenten arbeiten auf Augenhöhe zusammen und prüfen gegenseitig ihre Ergebnisse .
- Eskalationslogik definieren: Was passiert, wenn ein Agent blockiert oder unter dem Qualitätsschwellenwert liegt?
Schritt 3 – Kommunikationsprotokoll wählen
- MCP für Tool-, API- und Datenbankanbindung (verbindet Agenten mit externen Tools, Schnittstellen und Datenbanken)
- A2A: Kommunikation zwischen Agenten verschiedener Anbieter und Systeme
- Kommunikationsmodus festlegen: Direkte Nachrichtenübermittlung für zeitkritische Aufgaben, gemeinsame Datenbasis für Aufgaben, die nicht sofort bearbeitet werden müssen
Schritt 4 – Monitoring: Governance einrichten
- AgentOps-Tracing aktivieren: Jede Entscheidung mit Zeitstempel, Input und Output loggen
- Human-in-the-Loop-Checkpoints definieren: Welche Aktionen benötigen zwingend menschliche Freigabe?
- Validierungsschicht zwischen produzierendem und ausführendem Agent einbauen
Vorteile und Risiken von Multi-Agent-Systemen im Mittelstand
Vorteile: Was Geschäftsführer und IT-Leiter konkret gewinnen
- Entlastung ohne Personalaufbau: Wiederkehrende Prozesse in Buchhaltung, Beschaffung oder HR laufen autonom, sodass Fachkräfte sich auf das Wesentliche konzentrieren können.
- Spezialisierung statt Kompromiss: Jeder Agent ist auf eine Domäne optimiert.
- Wachstum ohne Systemwechsel: Neue Prozesse werden durch zusätzliche Agenten abgedeckt, wodurch sich teure ERP-Anpassungen vermeiden lassen.
- Vermeiden von Prozesstopps: Fällt ein Agent aus, können andere übernehmen.
Risiken: Worauf IT-Leiter vor dem Rollout achten müssen
- Fehler können sich fortpflanzen: Falsche Ausgaben eines Agenten werden von nachgelagerten Agenten als Fakten übernommen. Ohne Validierungsschicht bleibt ein systemisches Risiko.
- Geteilte Schwachstellen: Basieren mehrere Agenten auf demselben KI-Modell, teilen sie dessen blinde Flecken. Dadurch wirkt sich ein Modellfehler auf den gesamten Workflow aus.
- Schwer zu kontrollierende Betriebskosten: Jede Agenteniteration erzeugt API-Aufrufe. Ohne aktives Kostenmonitoring skalieren die Ausgaben schneller als der Nutzen.
- Governance von Anfang an: Manuelle Kontrollpunkte sind die Voraussetzung für Nachvollziehbarkeit und regulatorische Compliance. Wer sie nachträglich einbaut, zahlt am Ende häufig doppelt. Des Weiteren sollten Identitäten und Rechte im Multiagentensystem sauber getrennt werden. Andernfalls lässt sich im Nachhinein nicht mehr feststellen, welcher Agent welche datenbasierte Entscheidung getroffen hat. Fehlt die Transparenz, wird die Fehlersuche zum Ratespiel und eine Prüfung (durch interne oder externe Stellen) kaum bestehbar.
Quellen: Bitkom e.V.: Multi-Agenten Systeme im Kontext von ERP – Zwischen Automatisierung und Autonomie, S. 7–8.
Sie haben Fragen rund um das Thema KI im Unternehmen?
Wir beraten Sie gerne!
