Anthropic rät: ein Agent statt vieler Subagenten
Anthropic empfiehlt Unternehmen, Agenten-Systeme mit vielen spezialisierten Subagenten zu einem einzigen Agenten zusammenzulegen, der Skills und Werkzeuge erst bei Bedarf lädt. Das sei oft besser, günstiger und schneller. Was dahintersteckt und wie Sie Ihre eigenen Agenten prüfen.
Viele Unternehmen bauen ihre KI-Agenten wie ihr Organigramm: Jede Abteilung bekommt ihren eigenen Spezialagenten, darüber sitzt ein Orchestrator, der die Arbeit verteilt. Anthropic hält das inzwischen oft für den falschen Weg. In einem Beitrag vom 22. Oktober 2026 empfiehlt der Hersteller, solche Subagenten in einen einzigen Agenten zurückzuholen, der sich sein Wissen erst bei Bedarf nachlädt. The Decoder hat am 25. Oktober darüber berichtet.
Was Anthropic beobachtet hat
Die Empfehlung stammt aus Anthropics Team für angewandte KI, das mehrere Unternehmensprojekte begleitet hat. Dort schnitt ein einzelner Agent mit Skills bei der Qualität oft besser ab als zwei andere Bauweisen: ein einziger Riesen-Prompt oder ein Verbund aus vielen Subagenten. Dazu kamen geringere Kosten und kürzere Wartezeiten pro Aufgabe. Einige Beispiele aus dem Beitrag:
- Doppelt so schnell: Bei einem Kunden lief die Lösung mit nur einer Agentenschleife ungefähr doppelt so schnell wie der bisherige Verbund mehrerer Agenten.
- Zu viele Spezialisten: Ein Unternehmen hatte ein Dutzend Spezialagenten in seinem Kundenagenten. Ein einheitlicher Auftritt war damit kaum möglich, und die langen Wartezeiten störten die Nutzer.
- Kleinerer Prompt: Anthropic hat den System-Prompt von Claude Code für neuere Modelle um mehr als 80 Prozent gekürzt, unter anderem weil Skills und Werkzeuge nun erst bei Bedarf geladen werden.
Der Grund für den Kurswechsel liegt laut Anthropic bei den Modellen selbst: Aktuelle Modelle wie Opus 5.5 und Fable 5.1 können komplexe Pläne direkt in einer Schleife abarbeiten. Viele Zwischenschichten, die früher nötig waren, übernimmt das Modell heute selbst. Bei jeder Übergabe zwischen Agenten geht dagegen Kontext verloren.
Weniger Werkzeuge, klarere Regeln
Ein zentraler Punkt sind die Werkzeuge, also die Funktionen, die ein Agent aufrufen kann, etwa eine Kundensuche oder ein Ticket anlegen. Anthropic schreibt dazu:
„once you exceed 30-50 tool definitions in the system prompt, tool choice tends to degrade.“
Ab etwa 30 bis 50 Werkzeugbeschreibungen im System-Prompt wählt der Agent also zunehmend das falsche Werkzeug. Anthropic rät, Werkzeuge nach der Absicht des Nutzers zu bündeln und selten gebrauchte erst über eine Werkzeugsuche zu laden. Für die meisten Einsatzzwecke reichen laut dem Beitrag ein klarer System-Prompt, vier bis fünf schlanke Datenwerkzeuge und feste Regeln für die Ausgabe. Abläufe, die bisher in eigenen Subagenten steckten, werden zu Skills, also zu Anleitungen, die der Agent nur dann liest, wenn er sie braucht. Dieses Format ist inzwischen herstellerübergreifend: Agent Skills liegen seit Kurzem bei der Linux Foundation.
Anthropic warnt außerdem vor zwei typischen Fehlern aus großen Organisationen: Wenn jedes Team seinen eigenen Agenten ausliefert, entstehen Hunderte sich überschneidende Agenten ohne gemeinsame Standards. Und wenn mehrere Teams Regeln in denselben System-Prompt schreiben, widersprechen sie sich irgendwann, der Beitrag nennt das „Frankenprompt“. Die Empfehlung: Ein kleines zentrales Team verantwortet den System-Prompt und die Gesamtqualität, die Fachabteilungen liefern Skills, Werkzeuge und Testfälle zu.
Subagenten sind nicht tot
Ganz abschaffen will Anthropic Subagenten nicht. Sie lohnen sich weiterhin, wenn ein einzelner Agent nachweislich an zu viel Kontext leidet, wenn Aufgaben parallel mit frischem Kontext laufen sollen oder wenn der Agent mit der Werkzeugauswahl oder widersprüchlichen Anweisungen nicht zurechtkommt. Blindes Zusammenlegen ist ebenfalls riskant: In einem Test mit einem Support-Agenten sank nach dem Einbau eines Subagenten zwar die Wartezeit, ein vorher funktionierender Ablauf brach aber, weil der Hauptagent selbst antwortete, statt das Spezialwissen zu nutzen.
Deshalb rät Anthropic, Subagenten einzeln zurückzuholen und jedes Mal mit und ohne zu vergleichen. Als Grundlage genügt für den Anfang ein gemeinsamer Satz von Testfällen: „Even a set of 10 golden examples is enough to start“, also schon zehn gute Musterbeispiele. Jede Aufgabe sollte dabei mehrfach laufen, weil manche Fehler nur in einem Teil der Durchläufe auftreten.
Die Empfehlung passt zu unabhängigen Messungen: Eine Untersuchung von Vals AI kam kürzlich zu dem Ergebnis, dass Agenten-Teams bis zu fünfmal mehr kosten, aber kaum mehr bringen. Man sollte allerdings bedenken, dass Anthropic hier auch für die Fähigkeiten der eigenen Modelle wirbt. Die genannten Zahlen sind Herstellerangaben aus Kundenprojekten, nicht unabhängig geprüft.
Was das für Ihr Unternehmen heißt
- Bestand aufnehmen: Zählen Sie, wie viele Agenten, Subagenten und Werkzeuge in Ihren KI-Anwendungen stecken. Liegen Sie bei Dutzenden Werkzeugen in einem Prompt, ist das ein Warnsignal.
- Einfach anfangen: Neue Projekte starten besser mit einem Agenten, wenigen Werkzeugen und klaren Ausgaberegeln. Zusätzliche Agenten kommen erst dazu, wenn Messungen zeigen, dass es ohne nicht geht.
- Testfälle zuerst: Legen Sie vor jedem Umbau zehn bis zwanzig echte Beispielfälle mit erwartetem Ergebnis fest. Nur so sehen Sie, ob ein Umbau besser oder schlechter macht.
- Kosten und Wartezeit messen: Jeder zusätzliche Agent bedeutet weitere Modellaufrufe und längere Antwortzeiten. Beides lässt sich pro Aufgabe messen und sollte in die Entscheidung einfließen.
- Zuständigkeit klären: Eine Stelle sollte den zentralen Prompt verantworten, damit nicht jede Abteilung eigene Regeln hineinschreibt. Das verhindert auch herrenlose Agenten mit offenen API-Schlüsseln.
- Wissen auslagern: Richtlinien, Produktdaten oder Kennzahlen gehören in eine Wissensbasis, die der Agent bei Bedarf durchsucht, statt dauerhaft im Prompt zu stehen.
Fazit
Die Botschaft von Anthropic ist bemerkenswert, weil sie von einem Hersteller kommt, der an jedem Modellaufruf verdient: Weniger Agenten sind oft besser. Für Unternehmen heißt das, dass eine schlanke Architektur mit einem gut gepflegten Agenten, wenigen Werkzeugen und sauberen Testfällen meist die solidere Grundlage ist als ein aufwendiges Geflecht aus Spezialisten. Wenn Sie Ihre bestehenden KI-Agenten auf den Prüfstand stellen oder einen neuen Agenten von Anfang an schlank aufsetzen möchten, sprechen Sie mich gern an.
