Mehr KI-Agenten, mehr Kosten: Wann sich Agenten-Teams wirklich lohnen

Ein Team aus mehreren KI-Agenten klingt nach der naheliegenden Abkürzung: Ein Lead-Agent zerlegt die Aufgabe, Helfer arbeiten parallel, am Ende steht ein besseres Ergebnis. Eine neue Messreihe des Benchmark-Anbieters Vals AI zeigt, dass diese Rechnung beim Programmieren oft nicht aufgeht. Die Teams kosteten bis zu fünfmal so viel wie ein einzelner Agent, verbesserten das Ergebnis aber nur in einem von vier Vergleichen messbar. Wer Werkzeuge wie Claude Code oder Codex nutzt, kann daraus ziemlich konkret ableiten, wann sich Subagenten lohnen.

Das Wichtigste in Kürze

• Vals AI ließ GPT-6 Sol und Claude Opus 5.5 je 50 Web-Apps bauen, einmal allein und einmal als Team mit bis zu fünf gleichzeitigen Subagenten.
• Teams kosteten das 1,8- bis 5,1-Fache. Statistisch belastbar besser waren sie nur in einer Konfiguration: GPT-6 Sol mit mittlerem Denkaufwand, plus 7,3 Punkte.
• Opus 5.5 auf höchster Stufe kostete im Team 122 Dollar pro App statt 23,77 Dollar und brauchte im Median 174 statt 75 Minuten.
• Anthropics eigene Messungen zeigen den eigentlichen Vorteil von Teams: Sie werden schneller fertig, nicht unbedingt besser. Ab etwa zehn Agenten flacht der Qualitätsgewinn ab.
• Faustregel: erst den Denkaufwand eines einzelnen Agenten erhöhen, Teams nur einsetzen, wenn Zeit knapp ist und sich die Arbeit sauber aufteilen lässt.

Was Vals AI gemessen hat

Grundlage ist der Vibe Code Bench von Vals AI. Die Modelle erhalten eine Produktbeschreibung und müssen daraus eine komplette Webanwendung bauen. Die fertige App wird automatisch gestartet, anschließend klicken Browser-Agenten die vorgesehenen Abläufe durch. Gewertet wird der Anteil bestandener Oberflächentests, gemittelt über 50 Apps. Die Studie mit dem Titel „Do Agent Teams Pay Off?“ erschien am 9. Oktober, verfasst von Katrina Drozdov.

Im Team-Modus durfte ein Lead-Agent bis zu fünf Subagenten gleichzeitig starten, die selbst keine weiteren Helfer erzeugen konnten. Beide Leads bekamen dieselbe knappe Anweisung: Arbeit in unabhängige Teile zerlegen, delegieren, zusammenführen, prüfen. GPT-6 Sol lief über OpenAIs Agents API, Opus 5.5 über Claude Code im Headless-Modus, also ohne Bedienoberfläche. Getestet wurde jeweils mit mittlerem und maximalem Denkaufwand, dem Regler, mit dem man festlegt, wie lange ein Modell vor dem Antworten nachdenkt.

Die Ergebnisse sind ernüchternd eindeutig. GPT-6 Sol verbesserte sich bei mittlerem Aufwand von 77,6 auf 84,9 Prozent. Das ist der einzige Unterschied, der statistisch trägt. Bei maximalem Aufwand lag Sol allein bei 89,0 und im Team bei 90,4 Prozent. Opus 5.5 kam allein auf 91,5 Prozent (mittel) und 89,8 Prozent (maximal), im Team auf 91,2 und 93,2 Prozent. Keiner dieser Opus-Unterschiede ist nach Vals AI statistisch signifikant.

Wo das Geld bleibt

Auf der Kostenseite sind die Unterschiede dagegen deutlich. Eine App kostete mit Sol bei mittlerem Aufwand allein 1,22 Dollar, im Team 3,07 Dollar. Bei Opus 5.5 auf höchster Stufe stieg der Preis von 23,77 auf 122 Dollar pro App, das ist der Faktor 5,1. Den Großteil machen laut Vals AI zwischengespeicherte Eingaben aus: Jeder Subagent schickt seinen eigenen Kontext bei jedem Modellaufruf erneut mit. Je mehr Helfer, desto öfter wird derselbe Text abgerechnet, auch wenn der Cache ihn verbilligt.

Besonders deutlich wird das an einem Vergleich, den die Studie selbst zieht: Ein Opus-Team auf maximaler Stufe lag nur 1,6 Punkte über einem einzelnen Opus-Agenten mit mittlerem Aufwand, kostete aber rund das Dreißigfache. Schneller war es auch nicht. Die Opus-Teams arbeiteten in Wellen nacheinander: Zuerst schrieb der Lead eine gemeinsame Vertragsdatei mit Datenbankschema, Routen und Zuständigkeiten, dann folgten Bau-, Feature- und Testagenten. Das kostete Zeit, im Median 174 statt 75 Minuten. Die Sol-Teams teilten früh auf, liefen parallel und wurden dadurch etwas schneller.

Interessant ist, wo Teams tatsächlich gewannen. Bei Sol lag der Vorsprung vor allem bei schwierigen Apps, dort um etwa 15 Punkte, bei einfachen nur um einen. Einzelne Agenten hatten dort häufig Funktionen weggelassen, obwohl sie ihre Tests als bestanden meldeten. Der Lead im Team prüfte das Gesamtergebnis selbst im Browser und fand Fehler an den Nahtstellen zwischen getrennt gebauten Teilen. Die zusätzliche Kontrollinstanz war also mehr wert als die zusätzliche Arbeitskraft.

Anthropics Daten: schneller, nicht unbedingt besser

Dass Teams vor allem Zeit sparen, bestätigt Anthropic in der Systemkarte zu Opus 5.5 vom 22. September. Auf 166 Aufgaben des ProgramBench, bei dem Agenten ein Programm nur anhand der kompilierten Datei und der Dokumentation nachbauen müssen, erreichte ein festes Fünferteam einen Wert von 0,6 rund 2,7-mal so schnell wie ein einzelner Agent, verbrauchte dafür aber mehr Tokens. Bei kürzeren Rechercheaufgaben waren Teams ohne Zeitdruck sogar langsamer, weil die Abstimmung Zeit frisst. Erst mit knappem Zeitbudget drehte sich das Bild: Bei der Hälfte der Zeit, die ein Einzelagent normalerweise braucht, schlug das Fünferteam dessen Ergebnis bei etwa 2,8-facher Geschwindigkeit.

Anthropic hat außerdem große Teams mit bis zu 100 Agenten getestet, die 24 Stunden lang an einer Wissensdatenbank für ein Unternehmen oder an einem Mathematikbeweis in der Beweissprache Lean arbeiteten. Die Werte steigen mit der Teamgröße, aber mit abnehmendem Ertrag. Laut The Decoder, das die Diagramme ausgewertet hat, kletterte die Wissensdatenbank von 0,53 mit einem Agenten auf 0,70 mit zehn, mit 100 Agenten aber nur noch auf 0,74. Der Gewinn der großen Teams liegt im Tempo: Sie erreichen ein bestimmtes Niveau nach wenigen Stunden statt erst am Ende des Tages. Bemerkenswert ist eine Beobachtung am Rand: Das 100er-Team für den Beweis organisierte sich selbst in zwei Ebenen mit zwölf Unterleitern, das Team für die Wissensdatenbank blieb flach.

Die Linie passt zu dem, was Anthropic schon im Juni 2025 über sein eigenes Recherchesystem schrieb. Dort verbrauchten Multi-Agenten-Systeme rund das Fünfzehnfache an Tokens eines normalen Chats, und der Tokenverbrauch allein erklärte 80 Prozent der Leistungsunterschiede. Programmieren nannte Anthropic damals ausdrücklich als Feld, in dem sich weniger Arbeit wirklich parallelisieren lässt als bei der Recherche. Ein ähnliches Bild ergab sich gerade erst bei der UV-Himmelskarte von Claude Science, wo viele gleichartige, unabhängige Teilaufgaben anfielen.

Was das für die eigene Arbeit mit Agenten heißt

Für alle, die Claude Code, Codex oder ähnliche Werkzeuge nutzen, lassen sich drei praktische Regeln ableiten. Erstens: Bevor man Subagenten zuschaltet, lohnt der Blick auf den Denkaufwand. Bei GPT-6 Sol brachte die höchste Stufe für einen einzelnen Agenten 11,4 Punkte, mehr als jedes Team, und kostete mit 4,82 Dollar pro App weniger als die meisten Teamvarianten. Zweitens: Teams lohnen sich, wenn die Aufgabe in wirklich unabhängige Stücke zerfällt, etwa parallele Recherche zu mehreren Fragen, die Durchsicht vieler Dateien oder getrennte Module mit klaren Schnittstellen. Drittens: Wenn Zeit der Engpass ist, kann ein Team die richtige Wahl sein, auch wenn es mehr kostet.

Vals AI weist selbst auf die Grenzen der Studie hin. Jede Konfiguration lief nur einmal, die Modelle liefen über unterschiedliche Programmumgebungen, und die Ergebnisse gelten zunächst nur für das Bauen kompletter Webanwendungen. Ein Teil des Teamvorteils könnte zudem schlicht aus der Delegationsanweisung stammen, die nur die Teams bekamen.

Fazit: Der Wert liegt in der Kontrolle, nicht in der Masse

Die Messungen widersprechen der Vorstellung, man müsse nur genug Agenten auf ein Problem werfen. Wo Teams beim Programmieren wirklich halfen, lag es an einer zweiten Prüfinstanz, die lückenhafte Ergebnisse bemerkte. Das legt einen günstigeren Weg nahe als fünf parallele Helfer: einen einzelnen starken Agenten mit hohem Denkaufwand, gefolgt von einem gezielten Prüfdurchgang. Agenten-Teams bleiben ein Werkzeug für Tempo und gut teilbare Arbeit. Wer sie als Qualitätsregler einsetzt, zahlt derzeit vor allem die Abstimmung zwischen den Agenten.