Der Plan, der verhandelbar wird

Anemoi, Agent­Fly und die Frage, wer in Agen­ten­sys­te­men die Prämis­sen set­zt

Mod­u­lare Agen­ten­sys­teme mit semi-zen­traler Steuerung gel­ten als näch­ster Architek­tur­sprung der KI. Ob Unternehmen davon prof­i­tieren, entschei­det sich weniger an der Tech­nik als an der Frage, wer die Regeln set­zt, nach denen Agen­ten sich abstim­men, und wer sie fortschreiben darf.

Ausgangspunkt

Statt auf ein immer größeres Mod­ell zu set­zen, verteilen neuere Sys­teme die Arbeit auf spezial­isierte Agen­ten, die sich zum Teil direkt untere­inan­der abstim­men. Anemoi und Agent­Fly sind zwei Beispiele aus dem Som­mer 2025. Bei­de wer­den meist als Architek­tur­fortschritt gele­sen. Hier inter­essiert die organ­isatorische Seite: Was geschieht mit ein­er Organ­i­sa­tion, in der Koor­di­na­tion nicht mehr allein über Hier­ar­chie, Stel­lenbeschrei­bung und doku­men­tierten Prozess läuft, son­dern zwis­chen Agen­ten entste­ht?

Was die Quellen tatsächlich zeigen

Anemoi: ein verhandelbarer Plan bei festen Rollen

Anemoi (Ren u. a., Coral Pro­to­col und beteiligte Hochschulen, arX­iv, August 2025) ist ein „semi-zen­tral­isiertes” Mul­ti-Agen­ten-Sys­tem. Ein Plan­ner erstellt zu Beginn einen Plan und stößt die Zusam­me­nar­beit an. Danach kön­nen alle Agen­ten über einen gemein­samen Kom­mu­nika­tion­sserv­er direkt miteinan­der sprechen, den Fortschritt bew­erten, Eng­pässe benen­nen und Planän­derun­gen vorschla­gen. Die Beset­zung ist fest­gelegt: der Plan­ner, drei Work­er (Web, Doku­mente, Rea­son­ing und Cod­ing), ein Cri­tique-Agent, der Zwis­ch­en­ergeb­nisse prüft, und ein Answer-Find­ing-Agent, der die Antwort ein­re­icht. Vor der Abgabe stim­men die Agen­ten über die Kan­di­daten­lö­sung ab. Die Rollen sind vor­ab definiert; die Autoren führen die Instanzi­ierung in ihrem Sys­temver­gle­ich aus­drück­lich als „vordefiniert”. Agen­ten entste­hen also nicht von selb­st, und auch die Kom­mu­nika­tion­swege leg­en die Kon­struk­teure fest.

Zur Einord­nung des Ergeb­niss­es: Auf dem GAIA-Bench­mark (Vali­dierungs­set) erre­ichen die Autoren 52,73 Prozent (pass@3), mit einem kleinen Mod­ell als Plan­ner. Der Ver­gle­ich­swert von gut 43 Prozent stammt aus ein­er selb­st nachge­baut­en Vari­ante des Sys­tems OWL. Die Studie wurde von Coral Pro­to­col gefördert, dessen Kom­mu­nika­tion­sserv­er sie ver­wen­det. Dem Vor­sprung von 25 zusät­zlich gelösten Auf­gaben ste­hen 10 gegenüber, die nur OWL löste. Von den 25 führen die Autoren selb­st vier von zehn auf Zufallsver­hal­ten der Work­er zurück und gut die Hälfte auf die gemein­same Ver­feinerung. „Klein” gilt zudem nur für den Plan­ner; die Work­er laufen auf GPT-4o. Auf­schlussre­ich für die organ­isatorische Lesart ist die Fehler­analyse: Rund jed­er zehnte Rest­fehler entste­ht, weil ein beschäftigter Agent nicht antwortet und die anderen ihn umge­hen.

AgentFly und Memp: Erfahrung außerhalb des Modells

Agent­Fly (Zhou u. a., arX­iv, August 2025; in Besprechun­gen auch Memen­to genan­nt) tren­nt Plan­ner und Execu­tor und lässt den Agen­ten aus einem exter­nen Fall­spe­ich­er ler­nen. Erfolge und Mis­ser­folge wer­den abgelegt, eine gel­ernte Auswahlregel bes­timmt, welche Fälle bei neuen Auf­gaben herange­zo­gen wer­den. Die Mod­ell­pa­ra­me­ter bleiben unverän­dert. Laut den Autoren erre­icht das Sys­tem auf dem Deep­Re­searcher-Daten­satz 66,6 F1 und 80,4 PM; bei Auf­gaben außer­halb der Train­ingsverteilung bringt der Fall­spe­ich­er 4,7 bis 9,6 Prozent­punk­te.

Memp (Fang u. a., arX­iv 2025, Find­ings of ACL 2026) geht einen Schritt weit­er: Erfahrun­gen wer­den zu Schritt-für-Schritt-Anweisun­gen und zu skrip­tar­ti­gen Abstrak­tio­nen verdichtet. Dieser Bestand wird laufend aktu­al­isiert, kor­rigiert und aus­sortiert. Ein Spe­ich­er, der mit einem stärk­eren Mod­ell aufge­baut wurde, hebt auch schwächere Mod­elle (getestet auf Trav­elPlan­ner und ALF­World).

Bei­de Ansätze ver­lagern Erfahrung aus den Mod­ell­pa­ra­me­tern in einen exter­nen Spe­ich­er. Dass dieser Spe­ich­er dezen­tral zwis­chen Agen­ten verteilt wäre, geben die Quellen nicht her.

Drei Typen von Agenten und wo diese Systeme stehen

Der insti­tu­tionell situ­ierte Agent ver­ste­ht Agen­ten nicht als isolierte Rechen­leis­tung, son­dern als Akteure inner­halb ein­er Ord­nung. Dabei lassen sich drei Typen unter­schei­den: der regel­ge­bun­dene Agent führt vorgegebene Regeln aus, der regelin­tel­li­gente legt sie sit­u­a­tion­s­gerecht aus und wen­det sie an, der rege­len­twer­fende erzeugt Regeln selb­st. Als Bezugspunkt dient Niklas Luh­manns Organ­i­sa­tion­ssozi­olo­gie (Organ­i­sa­tion und Entschei­dung, 2000): Organ­i­sa­tio­nen steuern Entschei­dun­gen über Entschei­dung­sprämis­sen, näm­lich Pro­gramme, Kom­mu­nika­tion­swege und Per­son­al, gebün­delt in Stellen.

Auf dieser Folie lassen sich die Sys­teme einord­nen, vor­läu­fig und als These:

• Anemoi liegt beim regelin­tel­li­gen­ten Typ. Stellen (die Rollen) und Kom­mu­nika­tion­swege (der Thread-Serv­er) set­zen die Kon­struk­teure. Ver­han­del­bar wird das Pro­gramm, der Plan. Der Plan­ner ver­liert dabei seine Stel­lung als alleinige Pla­nungsin­stanz, ohne dass die Struk­tur selb­st zur Dis­po­si­tion stünde.
• Agent­Fly und Memp bewe­gen sich in Rich­tung des rege­len­twer­fend­en Typs. Wo ein Sys­tem aus eigen­er Erfahrung Ver­fahren­san­weisun­gen verdichtet, kor­rigiert und ver­wirft, schreibt es seine Entschei­dung­spro­gramme selb­st fort. Die Gren­ze: Was als Erfolg gilt, bes­timmt weit­er­hin das Rück­meldes­ig­nal von außen.

Was das für Unternehmen bedeutet

1. Ver­ant­wor­tung. Wenn ein Plan aus der Abstim­mung mehrerer Agen­ten her­vorge­ht, lässt sich das Ergeb­nis kein­er einzel­nen Stelle mehr zurech­nen. „Eine Stelle, eine Ver­ant­wor­tung” greift nur noch für die Ebene, auf der die Prämis­sen geset­zt wer­den.
2. Kon­trolle. Cri­tique-Agent und Abstim­mung sind Kon­trolle, die in die Architek­tur einge­baut ist, nicht nachge­lagert. Offen bleibt, wie unab­hängig sie ist. Wenn alle Work­er auf dem­sel­ben Mod­ell laufen, sind kor­re­lierte Fehler denkbar (eine Über­legung, kein Befund der Studie).
3. Doku­men­ta­tion. Der Erfahrungsspe­ich­er übern­immt, was bish­er Arbeit­san­weisung und Prozess­beschrei­bung leis­teten, nur wird er vom Sys­tem selb­st geschrieben. Tech­nisch ist das Aus­sortieren vorge­se­hen; organ­isatorisch fehlt noch die Antwort, wer Ein­träge frei­gibt, prüft und löscht.
4. Zuständigkeit. Direk­te Kom­mu­nika­tion und Umge­hung beschäftigter Agen­ten ver­schieben informelle Wege ins Sys­tem. Aus Organ­i­sa­tio­nen ist das bekan­nt: Wo der Dienst­weg zu langsam ist, entste­ht ein ander­er, und die Zuständigkeit wan­dert mit.

Grenzen der Evidenz

Alle genan­nten Ergeb­nisse stam­men aus Bench­marks mit abge­gren­zten Einze­lauf­gaben, teils von Autoren mit Eigen­in­ter­esse am Sys­tem. Belege für den Ein­satz in Unternehmen mit Hier­ar­chie, Haf­tung und gewach­se­nen Prozessen fehlen. Die organ­isatorische Lesart ist deshalb eine Über­tra­gung und vor­läu­fig.

Offene Frage

Wenn ein Sys­tem seine eige­nen Entschei­dung­spro­gramme fortschreibt: Wer autorisiert diese Fortschrei­bung, und wem gegenüber ist sie begrün­dungspflichtig?

Ralf Keu­per

Quellen

• Ren, X. u. a.: Anemoi: A Semi-Cen­tral­ized Mul­ti-agent Sys­tem Based on Agent-to-Agent Com­mu­ni­ca­tion MCP serv­er from Coral Pro­to­col. arXiv:2508.17068. https://arxiv.org/abs/2508.17068 (Code: https://github.com/Coral-Protocol/Anemoi)
• Zhou, H. u. a.: Agent­Fly: Fine-tun­ing LLM Agents with­out Fine-tun­ing LLMs. arXiv:2508.16153. https://arxiv.org/abs/2508.16153 (Code: https://github.com/Agent-on-the-Fly/AgentFly)
• Fang, R. u. a.: Memp: Explor­ing Agent Pro­ce­dur­al Mem­o­ry. arXiv:2508.06433. https://arxiv.org/abs/2508.06433(Find­ings of ACL 2026: https://preview.aclanthology.org/ingest-acl/2026.findings-acl.866/; Code: https://github.com/zjunlp/MemP)
• Luh­mann, N.: Organ­i­sa­tion und Entschei­dung. Wies­baden 2000.