Mehr KI-Agenten senken oft die Systemleistung

Eine aktuelle Studie von Forschenden der Google Research, Google DeepMind und des MIT verdeutlicht, dass die Erweiterung von KI-Systemen durch zusätzliche Agenten nicht zwangsläufig zu einer Leistungssteigerung führt. Die Ergebnisse, veröffentlicht in Nature Machine Intelligence, widerlegen die verbreitete Praxis, Multi-Agenten-Architekturen pauschal als überlegen anzusehen. Unter der Leitung von Erstautor Yubin Kim analysierten die Wissenschaftler systematisch, wann Kooperation zwischen KI-Agenten vorteilhaft ist und wann sie die Effizienz beeinträchtigt. Im kontrollierten Experiment wurden ein einzelner KI-Agent und vier kanonische Multi-Agenten-Varianten verglichen. Taskvorgaben, verfügbare Tools und der Rechenbudget wurden identisch gehalten, um ausschließlich den Organisationseffekt zu isolieren. Insgesamt wurden 260 Konfigurationen über sechs Benchmarks und drei große Sprachmodell-Familien getestet. Die Auswertung zeigt, dass der Erfolg maßgeblich von der Zerlegbarkeit der Aufgabe und dem Koordinationsaufwand abhängt. In parallelen Analysefeldern wie der Finanzprüfung steigerten Multi-Agenten-Systeme die Performance um bis zu 81 Prozent. Bei sequenziellen Planungsaufgaben hingegen führten sie zu einem Rückgang um bis zu 70 Prozent. Ein Kernergebnis ist ein prädiktives Modell, das mit 87-prozentiger Genauigkeit antizipiert, welche Architektur für eine gegebene Aufgabe optimal ist. Zudem identifizierten die Forschenden eine empirische Schwelle: Liegt die Performance eines einzelnen Agents oberhalb von etwa 45 Prozent, verschlechtert der Zusatz weiterer Agenten die Ergebnisse tendenziell. Grund hierfür sind Koordinationskosten, redundante Kommunikation und eine erhöhte Anfälligkeit für Fehlerfortpflanzung. Trace-Analysen belegen, dass zentrale Verifikationsstrukturen Fehler effektivere eindämmen als dezentrale, unabhängige Ansätze. Die Studie stellt klar, dass die Wahl der Agentenarchitektur eine rein designgetriebene und nicht eine ideologische Entscheidung sein sollte. Sie muss sich an den Fähigkeiten des Basismodells und der Struktur der konkreten Aufgabe orientieren. Zukünftige Forschungsarbeiten sollen untersuchen, ob KI-Systeme in der Lage sein werden, ihre eigene Architektur dynamisch an die Aufgabenstellung anzupassen. Darüber hinaus planen die Forschenden Analysen zur Kombination von allgemeinen Sprachmodellen, domänenspezifischen Expertensystemen und menschlichen Arbeitskräften, insbesondere in hochsensiblen Bereichen wie Wissenschaft oder Medizin. Die vorliegenden Erkenntnisse liefern eine evidenzbasierte Grundlage für die effiziente Ressourcenallokation in der nächsten Generation autonomer KI-Infrastrukturen.