TL;DR. OpenAI und Anthropic liefern Agententeams inzwischen direkt mit: Ein leitender Agent zerlegt die Aufgabe und verteilt die Teile an Unteragenten. Was das bringt, hat das Prüfunternehmen Vals AI am 9. Oktober gemessen: 50 komplette Web-Anwendungen, gebaut von GPT-6 Sol und Claude Opus 5.5, jeweils allein und als Team. Die Teams kosteten 1,8- bis 5,1-mal so viel. Nur in einem von vier Vergleichen war das Ergebnis messbar besser. Anthropics eigene Zahlen zu Teams mit bis zu 100 Agenten zeigen dasselbe Muster. Ein Agententeam kauft vor allem Zeit, selten Qualität. Und auch die Zeit nur, wenn sich die Arbeit sauber aufteilen lässt.
Was gemessen wurde
Vals AI nutzt dafür seinen Vibe Code Bench. Ein Agent bekommt eine Produktbeschreibung und baut daraus eine vollständige Web-Anwendung mit Datenbank, Schnittstelle, Oberfläche und Auslieferung. Danach klicken Prüf-Agenten im Browser durch alle Abläufe. Gezählt wird der Anteil bestandener Tests. Im Team darf der leitende Agent bis zu fünf Unteragenten gleichzeitig beschäftigen. Beide Modelle liefen mit mittlerer und mit maximaler Denktiefe, also in acht Aufbauten.
| Aufbau | Ergebnis allein → Team | Kosten je App allein → Team | Laufzeit (Median) allein → Team |
|---|---|---|---|
| GPT-6 Sol mittlere Denktiefe | 77,6 % → 84,9 % | 1,22 $ → 3,07 $ | 12,4 → 11,9 min |
| GPT-6 Sol maximale Denktiefe | 89,0 % → 90,4 % | 4,82 $ → 8,54 $ | 38,4 → 27,6 min |
| Claude Opus 5.5 mittlere Denktiefe | 91,5 % → 91,2 % | 4,08 $ → 9,10 $ | 20,3 → 26,6 min |
| Claude Opus 5.5 maximale Denktiefe | 89,8 % → 93,2 % | 23,77 $ → 122 $ | 74,7 → 174,1 min |
Was das Team kostet und was es bringt
Mehrkosten des TeamsGewinn statistisch belastbarUnterschied im Zufallsbereich
Statistisch belastbar ist nur ein Ergebnis: Sol gewinnt auf mittlerer Denktiefe als Team 7,3 Punkte. Die anderen drei Unterschiede liegen zwischen minus 0,3 und plus 3,4 Punkten und können Zufall sein. Für Sol brachte mehr Denktiefe sogar mehr als ein Team, nämlich 11,4 Punkte für den einzelnen Agenten. Bei Opus änderte weder das eine noch das andere etwas Belastbares. Das teuerste Setup, Opus mit maximaler Denktiefe im Team, erreichte zwar den höchsten Wert der Studie. Es kostete aber rund 30-mal so viel wie der einzelne Opus-Agent auf mittlerer Stufe, für 1,6 Punkte, die ebenfalls im Zufallsbereich liegen.
Woher die Gewinne kamen
Aufschlussreich ist, wo das Team von Sol gewann. Auf den neun Anwendungen mit mindestens 20 Punkten Vorsprung hatte der einzelne Agent gemeldet, seine Tests seien bestanden. Dabei waren Funktionen nie gebaut und ganze Abläufe nie ausprobiert worden. Das Team baute sie und prüfte gründlicher: Der leitende Agent glich die getrennt gebauten Teile gegeneinander ab und fand Fehler an den Nahtstellen, etwa ein Formular, das nicht zur Datenbank passte. Der Gewinn kam also weniger vom parallelen Bauen als vom Gegenprüfen.
Opus ging anders vor. Sein leitender Agent schrieb meist zuerst einen gemeinsamen Vertrag, wie die Teile zusammenpassen, auf mittlerer Stufe in 42 von 50 Läufen. Dann verteilte er die Arbeit in Wellen. Auf maximaler Stufe brauchte das Team dadurch bis zu 2,3-mal so lange wie der einzelne Agent, ein Lauf stieß an das Zeitlimit von 5,25 Stunden. Das Geld floss vor allem in wiederholt gelesene Eingaben: Jeder Unteragent schleppt seinen eigenen Kontext mit Aufgabe und Arbeitsstand und schickt ihn bei jedem Aufruf neu. Die Opus-Unteragenten lasen im Median 224 Millionen zwischengespeicherte Token je Anwendung, der einzelne Agent 55 Millionen.
Was Anthropic mit 100 Agenten misst
Anthropic hat Teams in der Systemkarte zu Claude Opus 5.5 vom 22. September untersucht, mit bis zu 100 Agenten, die 24 Stunden gemeinsam an einer Aufgabe arbeiten. Eine Aufgabe: aus den Dokumenten einer Firma eine Wissensdatenbank schreiben, die Fragen beantworten hilft. Die andere: einen schwierigen mathematischen Beweis führen.
Ergebnis nach 24 Stunden je Anzahl Agenten (Claude Opus 5.5)
Wissensdatenbank aus Firmendokumentenmathematischer Beweis
Zuwachs von 1 auf 10 Agenten: +0,17 und +0,27. Von 10 auf 100 Agenten: +0,04 und +0,02.
Anthropic betont den zweiten Effekt: Größere Teams erreichen ein bestimmtes Niveau deutlich früher. In einem Programmiertest kam ein Team aus fünf Agenten 2,7-mal schneller auf denselben Wert wie ein einzelner, mit entsprechend mehr Token. Bei kürzeren Rechercheaufgaben waren Teams ohne Zeitdruck dagegen langsamer, weil die Abstimmung Zeit kostet. Erst mit einem knappen Zeitbudget drehte sich das: Mit der Hälfte der Zeit erreichte das Fünferteam mindestens das Ergebnis des einzelnen Agenten. Nebenbei zeigt die Systemkarte, wie sich große Teams selbst ordnen. Das 100er-Team am Beweis bildete zwölf Unterleiter, das Team an der Wissensdatenbank blieb flach.
Das Kleingedruckte
- Ein Lauf, eine Art Aufgabe. Jeder der acht Aufbauten lief bei Vals AI genau einmal, und zwar nur auf Web-Anwendungen. Ob das Ergebnis auf Recherche oder Dokumentenarbeit übertragbar ist, lässt die Studie ausdrücklich offen.
- Zwei verschiedene Werkzeuge. Sol lief über OpenAIs Agents API, Opus über Claude Code. Vergleiche zwischen den beiden Modellen vermischen also Modell und Werkzeug.
- Anthropic misst sich selbst. Die Zahlen zu großen Teams stammen aus der eigenen Systemkarte und von einer leicht abweichenden Modellversion.
- Es gibt Gegenbeispiele. In einer Studie von Sakana AI und der UC Berkeley vom 8. Oktober zogen externe Gutachter bei offenen Forschungsaufgaben die Arbeit von Agententeams in 85,1 % der Vergleiche vor. Die Teams erzeugten dafür rund 2,4-mal so viele Token. Bei vergleichbarer Länge blieben 80 % Vorsprung.
Was das für einen Mittelständler heißt
Agententeams kommen gerade in Standardprodukte. Google hat am 8. Oktober einen Arbeitsagenten vorgestellt, der mehrstufige Aufgaben mit Unteragenten erledigt, parallel oder nacheinander, derzeit in einer geschlossenen Vorschau. Die Messungen sagen: Die Zahl der Agenten ist kein Qualitätsregler. Sie ist ein Tempo-Regler mit Preisschild. Vals AI selbst nennt als nächste Kandidaten Arbeit aus vielen unabhängigen Teilen, etwa breite Recherche oder Analysen über viele Dokumente. Das passt zu Aufgaben wie 300 Lieferantenverträge auf eine Klausel durchsehen. Eine einzelne Angebotskalkulation wird durch fünf Agenten dagegen nicht besser, nur teurer.
Was Sie jetzt tun sollten
- Mit einem Agenten anfangen. Ein einzelner Agent auf mittlerer Denktiefe ist der Maßstab. Ein Team muss ihn auf Ihren eigenen Fällen messbar schlagen, sonst bleibt es beim einen.
- Erst die Denktiefe, dann das Team. Bei Sol brachte mehr Denktiefe mehr als ein Team. Probieren Sie den einfacheren Regler zuerst und vergleichen Sie die Kosten je Ergebnis.
- Teams nur für teilbare Arbeit. Viele unabhängige Dokumente, breite Recherche, große Codebestände: Dort spart ein Team Zeit. Wo alles an einem Faden hängt, frisst die Abstimmung den Vorteil.
- Eine Prüfung einbauen statt mehr Bauarbeiter. Der größte Gewinn im Test kam vom Gegenprüfen. Ein eigener Prüfschritt, der das Ergebnis gegen die Anforderungen hält, hilft auch dem einzelnen Agenten. Ein „Tests bestanden“, das der Agent selbst meldet, ist noch kein Beleg.
- Kosten und Laufzeit deckeln. Teams vervielfachen die gelesenen Token. Setzen Sie je Lauf eine Obergrenze für Budget und Zeit, und messen Sie die Kosten je fertigem Ergebnis statt je Token.
Mehr Agenten machen eine Aufgabe nicht klüger, im besten Fall schneller. Wer das vor der Anschaffung weiß, spart sich teure Versuche. Wenn Sie prüfen möchten, ob sich eine Ihrer Aufgaben für ein Agententeam eignet, rechnen wir es gern gemeinsam durch.
