Subagenten. Warum KI-Anbieter ihre Agenten in kleine Teile zerlegen
Von Henrik Horn · · aktualisiert · 4 Minuten
Ein Thema aus einer Nachrichtenwoche
Die erste Fassung dieses Beitrags war ein Rückblick auf eine Woche im März 2026, von der NVIDIA GTC bis zu neuen Modellen. Ein Thema daraus hat Bestand.
Mitte März 2026 veröffentlichte OpenAI GPT-5.4 mini und GPT-5.4 nano. Beide sind ausdrücklich für Aufgaben gedacht, die ein größeres System abgibt. Mini zielt laut Ankündigung auf Subagenten, die Hilfsaufgaben schnell erledigen. Nano auf Einordnen, Auslesen und Sortieren, wo Preis und Tempo zählen. Anthropic nutzt dasselbe Muster schon länger, in Claude Code und in einem eigenen Recherchesystem.
Die übrigen Meldungen der ersten Fassung lassen wir weg. Sie waren Momentaufnahmen, und manche Zahl ließ sich nicht belegen. Die „73 Prozent Marktanteil“ von Anthropic etwa finden wir in keiner Primärquelle. Der Zahlungsdienst Ramp schrieb in seinem AI Index vom März 2026, dass Anthropic bei Firmen, die zum ersten Mal KI kaufen, rund 70 Prozent der direkten Vergleiche mit OpenAI gewinnt. Das ist etwas anderes als ein Marktanteil.
Was ein Subagent ist
Ein Hauptagent zerlegt eine Aufgabe und gibt Teile an Helfer ab. Jeder Helfer arbeitet mit eigenem, leerem Gedächtnis und liefert nur eine Zusammenfassung zurück.
Der Grund ist ein bekanntes Problem. Je mehr Text im Kontext eines Modells steht, desto schlechter findet es darin die richtige Stelle. Anthropic beschreibt das als begrenztes Aufmerksamkeitsbudget, jedes zusätzliche Token zehrt daran. Ein Agent, der zwanzig Dateien durchsucht und alle Ergebnisse behält, arbeitet danach schlechter als vorher.
Ein Subagent löst das, indem er die Sucharbeit in seinem eigenen Kontext erledigt. Er liest viel und gibt wenig zurück. Laut Anthropic verbraucht ein Subagent dabei oft zehntausende Tokens, liefert aber nur eine Zusammenfassung von 1.000 bis 2.000 Tokens an den Hauptagenten. In Claude Code bekommt jeder Subagent zudem eigene Werkzeuge und Rechte. Ein Suchagent darf etwa nur lesen.
Was es kostet und wann es sich lohnt
Subagenten machen ein System besser, aber nicht billiger. Anthropic hat das an einem eigenen System gemessen.
- so viele Tokens wie ein Chat verbraucht ein einzelner Agent
- 4x
- so viele Tokens wie ein Chat verbraucht ein einzelner Agent
- so viele Tokens wie ein Chat verbraucht ein System aus mehreren Agenten
- 15x
- so viele Tokens wie ein Chat verbraucht ein System aus mehreren Agenten
- besser schnitt das Mehr-Agenten-System in Anthropics interner Recherche-Auswertung ab
- +90,2 %
- besser schnitt das Mehr-Agenten-System in Anthropics interner Recherche-Auswertung ab
Anthropic, How we built our multi-agent research system, Juni 2025. Gemessen an Anthropics eigenem Recherchesystem, nicht allgemein übertragbar.
Anthropic schreibt dazu selbst, wofür das Muster nicht taugt. Aufgaben, bei denen alle Beteiligten denselben Kontext brauchen oder viele Abhängigkeiten zwischen den Teilen bestehen, passen schlecht. Gut passt, was sich wirklich parallel erledigen lässt, zum Beispiel eine Recherche über viele Quellen.
Ein System aus mehreren Agenten lohnt sich nur, wenn die Aufgabe wertvoll genug ist, um die zusätzlichen Kosten zu tragen. Für eine Routineaufgabe, die hundertmal am Tag läuft, ist das selten der Fall.
Was das für Ihre Automatisierung heißt
Die Idee hinter Subagenten ist älter als die Agenten selbst. Ein guter Workflow arbeitet schon lange so.
Ein Workflow zerlegt einen Prozess in Schritte. Jeder Schritt bekommt nur die Daten, die er braucht, und gibt ein klares Ergebnis weiter. Genau das machen Subagenten, nur dass der Hauptagent die Zerlegung jedes Mal selbst erfindet. In einem Workflow ist sie einmal festgelegt und damit prüfbar.
- 1
Kleine Modelle für kleine Schritte
Eine E-Mail einer Kategorie zuordnen, eine Rechnungsnummer auslesen, eine Anfrage nach Dringlichkeit sortieren. Dafür reicht ein kleines, günstiges Modell. Modelle wie GPT-5.4 nano sind genau dafür gemacht.
- 2
Jeder Schritt bekommt nur, was er braucht
Nicht den ganzen Kundenverlauf an das Modell geben, sondern die eine Nachricht, um die es geht. Das ist billiger, schneller und liefert bessere Antworten.
- 3
Die Zerlegung festhalten
Wenn ein Prozess jedes Mal gleich abläuft, gehört die Reihenfolge in den Workflow und nicht in die Entscheidung eines Agenten. Einen Agenten mit Subagenten braucht es erst, wenn der Weg wirklich offen ist.
- 4
Kosten pro Lauf messen
Vor dem Bau rechnen, was ein Lauf kosten darf, und danach nachmessen. Wie man das angeht, steht in diesem Beitrag.
Wir bauen Workflows in n8n nach genau diesem Prinzip. Feste Schritte, und ein Modell nur an den Stellen, an denen etwas gelesen oder eingeordnet werden muss. Das ist weniger spektakulär als ein Schwarm von Agenten, läuft aber jeden Tag gleich.
