Multi-Agent-Systeme für KMU: Wann ein einzelner KI-Agent nicht mehr reicht

Was ist ein Multi-Agent-System?

Stell dir ein Team vor: Jeder Mitarbeiter hat eine klar definierte Rolle. Der eine recherchiert, die andere analysiert, der dritte fasst zusammen. Ein Teamleiter koordiniert.

Ein Multi-Agent-System funktioniert genauso — nur mit KI-Agenten statt Menschen.

Jeder Agent ist auf EINE Aufgabe spezialisiert. Ein Orchestrator (der "Manager-Agent") koordiniert den Ablauf, verteilt Aufgaben und prüft Ergebnisse.

Wann brauchst du ein Multi-Agent-System?

Nicht jeder Prozess braucht mehrere Agenten. Hier sind klare Indikatoren:

Architektur: So baue ich Multi-Agent-Systeme auf

Mein Standard-Setup für KMU-Projekte folgt einem klaren Muster:

Layer 1 — Orchestrator

Der Manager-Agent. Er empfängt die Aufgabe, zerlegt sie in Teilschritte, verteilt an spezialisierte Agenten und prüft die Ergebnisse.

Technisch: Ein LLM mit klarem System-Prompt, das den Ablaufplan definiert und Entscheidungen über nächste Schritte trifft.

Layer 2 — Spezialisierte Agenten

Jeder Agent hat einen eng definierten Scope:

• Recherche-Agent: Greift auf APIs, Websuche oder Datenbanken zu
• Analyse-Agent: Verarbeitet strukturierte Daten, erkennt Muster
• Bewertungs-Agent: Wendet definierte Kriterien an, gibt Scores
• Kommunikations-Agent: Formuliert Ergebnisse für Menschen

Layer 3 — Tools & Integrationen

Die Agenten brauchen Werkzeuge: API-Anbindungen (CRM, LinkedIn, Handelsregister), Datenbanken (Vektorstore für RAG, relationale DB für Kundendaten), Ausgabekanäle (E-Mail, Slack, CRM-Felder).

Verbindung der Layer: Die Kommunikation zwischen den Agenten läuft über strukturierte Formate — JSON-Objekte mit definierten Feldern. Kein Freitext. Das verhindert Informationsverlust und macht den Prozess debuggbar.

Konkretes Beispiel: Mein Lead-Bewertungs-System

So sieht mein produktives Multi-Agent-System für Lead-Qualifizierung aus:

Ergebnis: Die manuelle Recherche pro Anfrage — Website checken, LinkedIn durchscrollen, Passung einschätzen — fällt komplett weg. Das System liefert ein fertiges Briefing mit Bewertung, bevor ich meinen ersten Kaffee getrunken habe. Wie viel Zeit das spart, hängt von deinem Anfragevolumen ab. Aber selbst bei einer Handvoll Leads pro Woche summiert sich das schnell.

Frameworks & Tools: Was ich einsetze

Für KMU-Projekte nutze ich primär:

n8n als Workflow-Backbone

Visualisiert den Ablauf, managt Trigger und Integrationen. Vorteil: Kunden können den Prozess sehen und verstehen — kein Black-Box-Gefühl.

LLM-APIs als "Gehirn" der Agenten

Claude, GPT-4o oder neuere Modelle. Jeder Agent bekommt einen spezifischen System-Prompt. Tipp: Nicht jeder Agent braucht das teuerste Modell. Der Recherche-Agent kann mit einem günstigeren Modell (z.B. Claude Haiku, GPT-4o mini) arbeiten, während der Bewertungs-Agent ein leistungsfähigeres Modell nutzt.

Vektordatenbanken für RAG

Pinecone, Qdrant — wenn Agenten auf firmenspezifisches Wissen zugreifen müssen (Produktkataloge, Preislisten, FAQ).

Structured Output

JSON-Schemas definieren, was jeder Agent liefern muss. Das macht das System robust und testbar.

Für komplexere Orchestrierung gibt es Frameworks wie LangGraph oder CrewAI — aber für die meisten KMU-Anwendungen ist n8n mit LLM-Nodes ausreichend und deutlich wartbarer.

Was es kostet: Transparente Kalkulation

API-Kosten (laufend)

• Pro Lead-Bewertung (4 Agenten-Aufrufe + Orchestrator): ca. 0,04–0,10 € reine LLM-Kosten
• Externe APIs (Websuche, Firmendaten): ca. 0,02–0,05 € pro Lead
• Gesamt pro Lead: ca. 0,06–0,15 €
• Bei 200 Leads/Monat: 12–30 €/Monat
• Embedding-Kosten für RAG: ca. 5–10 €/Monat

Entwicklung

Die Kosten hängen stark davon ab, wie komplex dein Prozess ist und welche Systeme angebunden werden müssen. Ein einfaches Setup mit zwei Agenten ist deutlich günstiger als ein vollständiges Multi-Agent-System mit eigener Wissensdatenbank (RAG). Entscheidend ist: Du musst nicht alles auf einmal bauen. Starte mit einem einzelnen Agenten für den wichtigsten Teilschritt — und erweitere das System schrittweise, wenn der erste Agent sich bewährt hat. Genau dafür gibt es mein KI-Coaching als Einstieg: Gemeinsam identifizieren wir den besten Startpunkt und schätzen den Aufwand realistisch ein.

Infrastruktur

• n8n Cloud: ab 20 €/Monat (Starter). Pro-Plan ab 50 €/Monat. Alternativ: Self-Hosted ab ~5 €/Monat
• Vektordatenbank: Pinecone Starter kostenlos (2 GB), Qdrant Cloud ab ca. 25 €/Monat
• Hosting (falls self-hosted): ab 10 €/Monat

Häufige Fehler und wie du sie vermeidest

Nächste Schritte: Ist ein Multi-Agent-System das Richtige für dich?

Vier Fragen zur Selbsteinschätzung:

1. Hat dein Prozess Teilschritte, die parallel laufen können?
2. Scheitert ein einzelner Agent an der Aufgabe, weil er zu viele verschiedene Dinge gleichzeitig tun muss?
3. Verbringst du mehr als 10h/Woche mit diesem Prozess?
4. Ist die Qualität geschäftskritisch — und würde ein Orchestrator helfen?

Wenn du bei Frage 1 oder 2 mit "Ja" antwortest UND mindestens eine weitere zutrifft: Multi-Agent lohnt sich wahrscheinlich. Wenn nur Frage 3 und 4: starte mit einem besseren einzelnen Agenten.