Multi-Agenten-Systeme kombinieren mehrere künstliche Intelligenzen (AI-Agenten), die eigenständig Aufgaben übernehmen, interagieren und komplexe Entscheidungsprozesse optimieren. Diese Architektur spiegelt menschliche Teams wider, in denen Fachleute zusammenarbeiten und gleichzeitig ihre operative Unabhängigkeit bewahren.
AI Multi-Agenten Systeme bestehen aus mehreren autonomen AI-Einheiten (Agenten), um übergeordnete Ziele zu erreichen. Jeder Agent verfügt über spezifische Fähigkeiten, Zugriff auf Tools wie Datenbanken oder Code-Generierungssoftware und agiert gemäß definierter Rollen – etwa als Analyst, Prüfer oder Entscheidungsunterstützer. Im Gegensatz zu traditionellen Chatbots können Agenten auch Aktionen auslösen (agieren). Deshalb sind MAS nicht auf einfache Dialoge oder vordefinierte Workflow beschränkt, sondern lösen komplexe Workflows durch dezentrale Koordination und verteilte Intelligenz. Multi-Agenten Systeme sind vom Konzept her nicht neu, aber die AI-Durchbrüche der letzten Jahre ermöglichen einen enormen Kompetenz- und Komplexitätssprung. Experten gehen davon aus, dass bis 2030 jedes moderne mit Usern interagierende AI-System ein MAS sein wird.
Schlüsselmerkmale von AI basierten Multi-Agenten Systemen
- Dezentralisierung: Jeder Agent trifft eigenständige Entscheidungen auf Basis lokaler Daten und AI-Modellen, agiert aber in abstimmbaren Strukturen – hierarchisch oder dezentral. Ein „Manager-Agent“ kann Prioritäten setzen, ohne zentrale Kontrolle.
- Lokale Expertise: Agenten haben begrenzte Zugriffsrechte (z. B. auf ERP-Module) und verarbeiten Daten kontextspezifisch. Kein Agent besitzt das globale Systemwissen, was Sicherheit und Komplexitätsreduktion gewährleistet.
- Spezialisierung: Agenten übernehmen klar definierte Aufgaben (z. B. LkSG-Compliance, Cashflow-Prognosen) und nutzen fortschrittliche Reasoning-Techniken („Denke erst, dann handle“). Dies ermöglicht strukturierte Abwägungen zwischen Handlungsoptionen durch schrittweise Analyse von Informationen und Simulation von Konsequenzen, etwa bei Risikobewertungen.
- Dynamische Adaptivität: Durch AI-Gedächtnis lernen Agenten aus vergangenen Interaktionen und passen sich Marktschwankungen oder Gesetzesänderungen an. Beispielsweise optimieren Prognose-Agenten iterativ ihre Modelle basierend auf Feedback. Die AI-Komponente ermöglicht außerdem, mit „unscharfen“ Situationen umzugehen und sicherzustellen, dass das System auch unter unerwarteten Umständen einsatzfähig bleibt.
- Intelligente Kollaboration: Agenten verhandeln ressourcenorientiert (z. B. Maschinenauslastung), und nutzen AI, um Kompromisse wie menschliche Teams zu erzielen
