Unsere Learnings aus der praktischen Arbeit mit Multi-Agenten-Systemen

Ein Prototyp, der in Minuten steht, sieht beeindruckend aus. Ob er auch produktionstauglich ist, steht auf einem ganz anderen Blatt.

Genau deshalb haben wir verschiedene Ansätze und Tools rund um agentisches Arbeiten in den vergangenen Monaten eingesetzt, darunter OpenClaw, Cursor, Claude Code, Codex und weitere Werkzeuge.

Wir haben bereits erklärt, wann Multi-Agenten-Systeme sinnvoll sind und wie sie sich von einzelnen KI-Agenten unterscheiden.

Jetzt schauen wir auf die praktische Seite: Womit kannst du Ideen schnell validieren? Wo entsteht echter Mehrwert in der Softwareentwicklung? Und welche Lösungen sind für produktive Unternehmensanwendungen tragfähig?

OpenClaw unterstützt dich, Ideen für Multi-Agenten-Systeme schnell greifbar zu machen. In sehr kurzer Zeit lassen sich erste funktionierende Prototypen aufbauen, mit denen Fachbereiche oder Entscheider*innen konkrete Anwendungsfälle bewerten können.

Gerade für Unternehmen, die sich dem Thema Agentensysteme Schritt für Schritt nähern wollen, kann das hilfreich sein.

Statt lange über Potenziale zu sprechen, entsteht schnell etwas Sichtbares: ein erster Ablauf, eine einfache Interaktion oder ein automatisierter Prozessentwurf. Das erleichtert die fachliche Validierung und macht Diskussionen deutlich konkreter.

Besonders interessant ist das für Organisationen, in denen viele Ideen im Raum stehen, aber noch unklar ist, welche davon wirklich Mehrwert liefern.

OpenClaw kann dir dabei helfen, Chancen früh zu testen, ohne sofort in ein großes Entwicklungsprojekt einzusteigen.

Gleichzeitig ist genau hier eine wichtige Einordnung nötig: Schnelligkeit im Prototyping bedeutet nicht, dass es sich auch für den produktiven Einsatz im Unternehmen eignet.

Denn aus Sicht von Unternehmen stellen sich sehr schnell weiterführende Fragen:

• Wie transparent arbeitet das System?
• Welche Daten verarbeitet es und wohin fließen sie?
• Wie gut lassen sich Entscheidungen, Agenteninteraktionen und Toolzugriffe nachvollziehen?
• Welche Sicherheitsmechanismen gibt es?
• Und wie kontrollierbar bleibt das System, wenn Prozesse komplexer oder geschäftskritischer werden?

Gerade rund um OpenClaw werden in der Diskussion Sicherheits- und Governance-Bedenken relevant.

Wenn Agenten eigenständig Informationen recherchieren, Tools ansteuern oder Systemkontexte nutzen, entsteht schnell eine größere Angriffs- und Risikofläche. Arbeitest du mit sensiblen Daten, regulierten Prozessen oder hohen Compliance-Anforderungen, ist das ein wichtiger Punkt.

Hinzu kommt: Wenn die interne Logik eines Systems schwer einsehbar ist und nur begrenzte Eingriffe möglich sind, wird die Nacharbeit im Problemfall aufwendig. Das betrifft nicht nur Bugs, sondern auch Themen wie Audits, Fehleranalyse, Datenschutzbewertung oder Freigabeprozesse durch IT und Informationssicherheit.

OpenClaw ist stark, um Potenziale schnell sichtbar zu machen. Für produktive Unternehmenslösungen brauchst du aber mehr Sicherheit, Transparenz und technische Steuerbarkeit.

Sobald du aus einer ersten Idee ein belastbares Produkt entwickeln willst, verändern sich die Anforderungen. Dann geht es nicht mehr nur darum, einen Use Case schnell sichtbar zu machen, sondern darum, Software sauber umzusetzen, weiterzuentwickeln und zuverlässig in den Betrieb zu bringen.

Genau in dieser Phase sind Coding-Agenten wie Cursor, Claude Code oder Codex relevant. Sie können beispielsweise Entwicklungsteams an vielen Stellen deutlich beschleunigen und entlasten.

Vor allem bei wiederkehrenden, strukturierten oder technisch klar umrissenen Aufgaben spielen diese Tools ihre Stärke aus.

Wenn du:

• APIs erstellst,
• Frontend-Schnittstellen anbindest,
• technische Grundstrukturen generierst,
• Standardmuster dokumentierst,
• sowie bei Tests oder Refactorings unterstützt.

Gerade für Unternehmen mit knappen Entwicklungsressourcen, hohem Lieferdruck oder gewachsenen Systemlandschaften ist das relevant. Denn hier geht es selten nur darum, mehr Code in kürzerer Zeit zu produzieren. Wichtiger ist, mit vorhandenen Teams zuverlässiger, fokussierter und wirtschaftlicher zu liefern.

Die Grafik zeigt, wie Coding-Agenten einzelne Entwicklungsschritte miteinander verbinden können. Damit daraus eine passende Lösung entsteht, müssen sie jedoch mit ausreichend Kontext versorgt werden. Anforderungen, Architektur, Geschäftslogik und technische Zusammenhänge sollten möglichst klar beschrieben sein.

Coding-Agenten können bestehende Muster analysieren und technische Strukturen schnell umsetzen. Schwieriger wird es, wenn wichtige Informationen fehlen oder die fachliche Domäne besonders komplex ist.

Eine KI kann beispielsweise ein Zeiterfassungs- und Planungstool wie Harvest technisch nachbauen.
Fragen, wie du den Code an bestehende Abläufe anpassen kannst, spätere Änderungen berücksichtigst oder besondere Unternehmensanforderungen umsetzt, beantwortet der Code allein jedoch nicht.

Die zentrale Aufgabe besteht dann darin, vorhandenes Wissen so aufzubereiten, dass die KI zuverlässig damit arbeiten kann.

Je individueller die Domäne, desto wichtiger sind deshalb gut gepflegtes Wissen, klare Anforderungen und menschliche Erfahrung. Die KI unterstützt bei der Umsetzung, kennt aber nicht automatisch alle fachlichen Zusammenhänge.

Sind die nötigen Informationen vorhanden und klar strukturiert, können Coding-Agenten ihre Stärken besonders gut ausspielen.

1. Time-to-Market sinkt, weil Standardaufgaben schneller umgesetzt werden.
2. Entwicklungskosten werden besser investiert, weil erfahrene Entwickler*innen weniger Zeit für Routineaufgaben aufwenden müssen.
3. Die Qualität kann steigen, weil mehr Aufmerksamkeit in kritische Bereiche fließt.
4. Teams bleiben handlungsfähiger, auch wenn Backlogs wachsen oder viele parallele Anforderungen bearbeitet werden müssen.

Wichtig ist dabei: Tools wie Cursor, Claude Code oder Codex sind keine Abkürzung für gute Softwareentwicklung. Sie ersetzen weder saubere Architekturarbeit noch fachliche Abstimmung, Qualitätssicherung oder Verantwortung im Engineering. Ihr Wert entsteht dort, wo sie bestehende Teams wirksam unterstützen. Nicht dort, wo sie menschliche Expertise vermeintlich vollständig überflüssig machen sollen.

Wenn du in KI investierst, lohnt es sich, nicht nach dem spektakulärsten Setup zu suchen, sondern nach dem größten Hebel für dein Unternehmen.

Die relevanten Fragen sind:

• Wo entstehen heute manuelle Engpässe?
• Welche Prozesse sind komplex, aber zerlegbar?
• Wo lassen sich Zeit, Qualität oder Transparenz verbessern?
• Welche Lösungen bringen in Wochen statt in Monaten erste Ergebnisse?

Gerade die Möglichkeit, nach Workshops sehr schnell Prototypen zu erzeugen und zu validieren, kann Entscheidungsprozesse deutlich beschleunigen. Ein guter Einstieg dafür ist der AI Design Sprint Workshop, in dem du in nur 90 Minuten ein erstes KI-Konzept entwickelst.

Für die IT-Leitung stehen vor allem Fragen zu Wissen, Daten, Überwachung und Kontrolle im Vordergrund. Die wichtigsten Punkte aus unserer Praxis sind:

Wie lässt sich Unternehmenswissen für KI nutzbar machen?
Coding-Agenten arbeiten nur so zuverlässig, wie die Informationen, auf die sie zugreifen können. Deshalb solltest du technisches und fachliches Wissen strukturiert aufbereiten und zentral zugänglich machen – zum Beispiel in einer gut gepflegten Wissensdatenbank.

Dazu gehören unter anderem Architekturentscheidungen, Prozessbeschreibungen, Geschäftsregeln, Schnittstellendokumentationen und Erfahrungen aus vergangenen Projekten. Eine solche Unternehmens-Wissensbasis kann wie ein „Second Brain“ funktionieren. Je aktueller und vollständiger sie ist, desto weniger muss die KI fehlende Informationen durch Annahmen ersetzen.

Welche Daten dürfen KI-Modelle nutzen?
Du solltest früh festlegen, welche Daten an externe Anbieter übertragen werden dürfen und welche Informationen in der eigenen Infrastruktur bleiben müssen. Gerade Unternehmenswissen kann Geschäftsgeheimnisse oder andere sensible Informationen enthalten.

Je nach Schutzbedarf kommen unterschiedliche Ansätze infrage: externe Cloud-Modelle, europäische Hosting-Angebote, selbst gehostete Open-Weight-Modelle oder eine Kombination daraus. Bei der Entscheidung solltest du Kosten, Geschwindigkeit, Modellqualität und Datenhoheit gemeinsam betrachten.

Für den kontrollierten Zugriff auf Unternehmensdaten und bestehende Systeme können MCP-Server eine standardisierte Schnittstelle bereitstellen. Welche Daten ein Agent tatsächlich nutzen darf, sollte trotzdem über klare Rechte und Zugriffsregeln gesteuert werden.

Wie lassen sich KI-Systeme überwachen?
Für den produktiven Betrieb reicht es nicht aus, nur die Antworten eines Agenten zu betrachten. Du solltest auch nachvollziehen können, welche Eingaben verarbeitet, welche Tools genutzt und welche Modelle eingesetzt wurden.

Dazu können beispielsweise folgende Informationen erfasst werden:

• Fragen und Antworten
• Tool-Aufrufe und Prozessschritte
• verwendete Modelle
• generierte und verbrauchte Tokens
• Fehler und Abbrüche
• Nutzung nach Nutzer*in, Prozess oder Modell

Dieses Monitoring hilft dir bei der Fehlersuche, Kostenkontrolle und Qualitätsbewertung. Außerdem kannst du dadurch erkennen, welches Modell für welche Aufgabe geeignet ist und wo Mitarbeitende zusätzliche Unterstützung brauchen.

Wie lässt sich Shadow AI vermeiden?
Wenn Mitarbeitende keinen einfachen und kontrollierten Zugang zu geeigneten KI-Werkzeugen haben, greifen sie möglicherweise auf private Abonnements oder frei zugängliche Dienste zurück. Dadurch verlierst du schnell den Überblick, welche Daten an welche Anbieter übertragen werden.

Sinnvoll ist ein zentraler Zugang zu freigegebenen Modellen und Werkzeugen. Wir setzen dafür beispielsweise auf LibreChat, um verschiedene Modelle gebündelt und mit klareren Zugriffs- und Nutzungsregeln bereitzustellen.

Unsere bisherigen Erfahrungen zeigen vor allem eines: Zwischen einem überzeugenden ersten Ergebnis und einer dauerhaft nutzbaren Lösung liegt in der Praxis ein deutlicher Unterschied.

Gerade bei Multi-Agenten-Systemen entscheidet sich der Nutzen nicht daran, wie schnell etwas sichtbar wird, sondern daran, wie gut sich ein Ansatz weiterentwickeln, steuern und in bestehende Strukturen einfügen lässt.

Für frühe Tests und erste Validierungsschritte sind Werkzeuge wie OpenClaw sehr wertvoll, weil sie Ideen in kurzer Zeit greifbar machen. Sobald aus einem Prototyp ein dauerhaft nutzbares System werden soll, rücken andere Anforderungen in den Mittelpunkt, z. B. wie gut du das System nachvollziehen kannst, inwiefern du eingreifen kannst oder wie technisch anschlussfähig die Lösung ist.

Genau daraus ergibt sich für uns eine klare Erkenntnis: Nicht jedes Tool muss alles leisten. Entscheidend ist, ob es zu deiner Projektphase, deinem Team und den Rahmenbedingungen in deinem Unternehmen passt.