Arbeiten KI-Agenten-Teams wirklich besser? Benchmarks sagen: meist nicht

Meist nicht. Laut Vals AI hat sich die Kombination von GPT-6 Sol und Claude Opus 5.5 im Team die zusätzlichen Tokens selten ausgezahlt, auch wenn sich ein Sol-Setup mit mittlerem Reasoning deutlich verbesserte.

3 min read

Arbeiten KI-Agenten-Teams wirklich besser? Benchmarks sagen: meist nicht

Illustration made on Lumeta with GPT Image 2.5Make one like it

In der Regel nicht. Am 11. Okt. 2026 berichtete Vals AI, dass Teams aus KI-Agenten oft 1.8x bis 5.1x mehr kosten als einzelne Agenten, dabei aber kaum oder gar keine messbare Qualitätsverbesserung bringen, vor allem bei maximalem Reasoning. Für Entwickler und Unternehmen, die Agenten-Workflows aufbauen, ist die Lehre einfach: Wer bessere Ergebnisse will, sollte zuerst einen starken Einzelagenten testen, bevor er für ein Team bezahlt.

Was Vals AI getestet hat

Vals AI hat GPT-6 Sol und Claude Opus 5.5 auf seiner Vibe Code Bench sowohl allein als auch im Team geprüft, jeweils mit mittlerem und maximalem Reasoning-Aufwand. Von den vier Vergleichen zwischen Team und Einzelagent zeigte nur einer einen statistisch signifikanten Qualitätsgewinn: GPT-6 Sol bei mittlerem Reasoning, wo das Team 7.3 Punkte besser abschnitt. Bei maximalem Reasoning brachte das Team-Setup keinem der beiden Modelle einen nennenswerten Vorteil.

Fünf Cartoon-Roboter mit OpenAI-Logos drängen sich um einen Schreibtisch, während einer von ihnen ruhig an einem OpenAI-Laptop arbeitet.
Ein gelassener Coder, vier hektische Assistenten und wenig Ertrag für den ganzen Aufwand.

Illustration made on Lumeta with GPT Image 2.5Make one like it

Warum das wichtig ist

  • Die Untersuchung legt nahe, dass Multi-Agenten-Systeme oft eine Kostenfrage sind, keine Qualitätsfrage.
  • Läuft ein Modell bereits mit vollem Reasoning-Aufwand, verbessern zusätzliche Agenten das Ergebnis womöglich kaum.
  • Teams können trotzdem sinnvoll sein, wenn schnellere Fertigstellung wichtiger ist als ein etwas besseres Ergebnis.
  • Bei Coding- und Recherche-Workflows mit hohem Tokenverbrauch kann der Koordinationsaufwand zu einem echten Budgetproblem werden.
y kleinere leuchtende Autos auf einer Rennstrecke.
Ein Schwarm Tokens verbrennender Rennwagen holt den einsamen Spitzenreiter nur knapp ein.

Illustration made on Lumeta with GPT Image 2.5Make one like it

Mehr Agenten brachten offenbar eher Tempo als Qualität

Das übergeordnete Muster in der Quelle weist in dieselbe Richtung. Anthropics eigene Tests mit Opus 5.5 zeigten abnehmende Erträge, je mehr Agenten hinzukamen: Bei der Wissensdatenbank-Aufgabe stiegen die Werte von 0.53 mit einem Agenten auf 0.70 mit 10, 0.71 mit 30 und 0.74 mit 100. Beim Beweisen von Theoremen in Lean lagen die Werte bei 0.39, 0.66, 0.66 und 0.68. Auch OpenAI-Forscher Noam Brown sagte, Multi-Agenten-Systeme brächten vor allem Geschwindigkeit, nicht bessere Qualität: Vier Agenten erledigten Aufgaben etwa doppelt so schnell, zu etwa den doppelten Kosten. Dieser Kompromiss scheint bei parallelisierbaren Aufgaben wie Webrecherche oder Mathematik besser zu funktionieren als bei eng verzahnter Arbeit wie dem Schreiben langer Texte, wo die Koordination zur Bremse wird.

Sollte man auf Teams aus KI-Agenten verzichten?

Nicht unbedingt. Die Ergebnisse deuten darauf hin, dass Teams oft ein schlechter Weg sind, Qualität einzukaufen. Sie können aber nützlich sein, wenn Tempo zählt und sich die Aufgabe in parallele Arbeitsschritte aufteilen lässt.

Hat irgendein Team-Setup in dieser Untersuchung bessere Ergebnisse erzielt?

Ja. Vals AI fand einen statistisch signifikanten Qualitätsgewinn: GPT-6 Sol erzielte im Team bei mittlerem Reasoning 7.3 Punkte mehr als die Einzelversion.

Was war der größte Nachteil von Multi-Agenten-Setups?

Die Kosten. In den Tests von Vals AI kosteten Teams zwischen 1.8x und 5.1x mehr als Einzelagenten, und die zusätzlichen Tokens führten meist nicht zu wesentlich besseren Ergebnissen.

Welche Aufgaben profitieren eher von mehreren Agenten?

Laut der Quelle eignen sich Aufgaben, die sich gut parallelisieren lassen, etwa Webrecherche und Mathematik, besser. Aufgaben, die einen durchgehend schlüssigen Gedankengang erfordern, wie das Schreiben, scheinen für große Agentenschwärme weniger geeignet.

Every top AI model, in one place

Nano Banana 2, GPT Image 2.5, Seedance, Veo and more, all on one credit balance. Start free with 35 credits a month. No card needed.

GPT Image 2.6Topbewerteter Bildgenerator und -editor von OpenAI, jetzt schneller, bis zu 4K

All tools for "From a description"

More from Lumeta

All Neuigkeiten