Neue Skalierungsprinzipien für Agentensysteme enthüllt

In einer wegweisenden Studie wurden quantitative Skalierungsprinzipien für KI-Agentensysteme entwickelt, die auf Sprachmodellen basieren und in der Lage sind zu denken, zu planen und zu handeln. Trotz ihrer wachsenden Verbreitung blieben die Faktoren, die ihre Leistung bestimmen, lange unklar – bis jetzt.

Die Forscher untersuchten 180 Konfigurationen, die fünf klassische Architekturen (Single, Independent, Centralized, Decentralized, Hybrid) über drei große Sprachmodellfamilien hinweg kombinieren. Dabei wurden vier unterschiedliche Benchmarks eingesetzt: Finance‑Agent, BrowseComp‑Plus, PlanCraft und Workbench. Mit standardisierten Werkzeugen und festgelegten Token‑Budgets konnten die Systeme systematisch verglichen werden.

Aus den Daten entstand ein Vorhersagemodell, das mithilfe von Koordinationsmetriken wie Effizienz, Overhead, Fehlerverstärkung und Redundanz arbeitet. Das Modell erreichte eine Kreuzvalidierungs‑R²‑Wert von 0,513, was auf eine solide, aber noch verbesserungswürdige Vorhersagekraft hinweist.

Die Analyse identifizierte drei zentrale Effekte:

• Tool‑Koordination‑Trade‑off: Bei festem Rechenbudget leiden tool‑intensive Aufgaben besonders stark unter Mehragenten‑Overhead.
• Kapazitätssättigung: Koordination bringt ab einer einzelnen Agenten‑Basisleistung von etwa 45 % abnehmende oder sogar negative Renditen (Beta = -0,408, p < 0,001).
• Topologie‑abhängige Fehlerverstärkung: Unabhängige Agenten vervielfachen Fehler um das 17,2‑Fache, während zentralisierte Koordination die Verstärkung auf 4,4‑Fache begrenzt. Zentralisierte Koordination steigert die Leistung bei parallelisierbaren Aufgaben wie Finanz‑Reasoning um 80,9 %.

Diese Erkenntnisse liefern nun ein fundiertes Rahmenwerk, das Entwickler*innen hilft, Agentensysteme gezielt zu optimieren und von den Vorteilen der Koordination zu profitieren, ohne dabei die Grenzen der Skalierbarkeit zu überschreiten.