Agent-Swarms verteilen komplexe Wissensarbeit auf mehrere spezialisierte KI-Agenten, die Aufgaben planen, parallel bearbeiten, prüfen und zusammenführen. Ihr Vorteil entsteht nicht durch die bloße Anzahl der Agenten, sondern durch Rollen, gemeinsame Daten, kontrollierte Werkzeuge und verbindliche Freigaben. Für den Mittelstand sind sie besonders interessant, wenn mehrstufige Prozesse heute an Übergaben, Suchaufwand und Medienbrüchen hängen.
Warum reichen einzelne KI-Agenten bei komplexer Wissensarbeit oft nicht aus?
Ein einzelner KI-Agent kann bereits recherchieren, Dokumente auswerten, Daten strukturieren oder Texte erzeugen. Sobald eine Aufgabe jedoch mehrere Fachperspektiven, voneinander unabhängige Recherchen, Prüfungen und Systemzugriffe verbindet, wächst der Arbeitskontext schnell. Der Agent muss dann gleichzeitig planen, Zwischenergebnisse speichern, Quellen bewerten, Werkzeuge bedienen, Ausnahmen berücksichtigen und am Ende ein konsistentes Ergebnis erstellen.
Genau an dieser Stelle entstehen typische Grenzen. Ein Modell verliert Prioritäten aus dem Blick, wiederholt bereits erledigte Schritte oder übernimmt eine frühe Annahme ungeprüft in den weiteren Ablauf. Wird dieselbe Aufgabe auf spezialisierte Agenten verteilt, kann ein Rechercheagent Informationen beschaffen, ein Fachexperte sie auf betriebliche Regeln prüfen, ein Prozessagent fehlende Daten erkennen und ein Kontrollagent das Ergebnis gegen definierte Kriterien testen. Die Arbeit wird nicht automatisch besser, aber sie lässt sich in überprüfbare Teilaufgaben zerlegen.
Der Markt bewegt sich sichtbar in diese Richtung. Deloitte erwartet, dass bis 2027 die Hälfte der Unternehmen, die generative KI nutzen, auch KI-Agenten einsetzen wird. Diese Prognose sagt noch nichts über den produktiven Reifegrad aus, zeigt aber, dass agentische Systeme von Einzelversuchen in reguläre Technologieportfolios wandern.
KI-Agenten gezielt als Mitarbeiter einsetzen
Die KrambergAI KI-Mitarbeiter übernehmen klar definierte Aufgaben in Service oder Verwaltung und arbeiten mit vorhandenem Unternehmenswissen entlang abgestimmter Prozesse.
Praxisnah eingeführt · Aufgabenbezogen konzipiert · Made in Germany
Was unterscheidet einen Agent-Swarm von einem gewöhnlichen Multi-Agent-System?
Die Begriffe werden häufig gleichgesetzt, technisch beschreiben sie nicht immer dasselbe. Ein Multi-Agent-System besteht zunächst nur aus mehreren Agenten, die Informationen austauschen oder gemeinsam einen Ablauf bearbeiten. Ein Agent-Swarm geht im engeren Sinn weiter: Aufgabenverteilung und Zusammenarbeit entstehen teilweise dezentral, Agenten reagieren auf lokale Informationen und das Gesamtergebnis ergibt sich aus vielen Einzelinteraktionen.
Für Unternehmen ist diese Unterscheidung relevant, weil die meisten produktiven Lösungen heute keine vollständig dezentralen Schwärme sind. Üblicher sind Orchestrator-Worker-Modelle, hierarchische Agententeams oder graphbasierte Abläufe. Ein führender Agent oder eine Workflow-Engine zerlegt das Ziel, ruft Spezialisten auf, sammelt Ergebnisse und entscheidet, welcher Schritt als Nächstes ausgeführt wird. Das wirkt weniger spektakulär als ein selbstorganisierender Schwarm, ist aber besser zu überwachen, zu testen und in bestehende Verantwortungssysteme einzubetten.
Der Begriff Agent-Swarms eignet sich deshalb als verständliches Bild für digitale Teams. In der technischen Umsetzung sollte jedoch präzise beschrieben werden, ob ein zentraler Orchestrator steuert, ob Agenten frei miteinander verhandeln oder ob ein fester Prozessgraph vorgibt, welche Übergaben erlaubt sind. Diese Architekturentscheidung beeinflusst Kosten, Fehlersuche, Datenschutz und Betrieb wesentlich stärker als die Anzahl eingesetzter Agenten.
Wie ist ein produktionsfähiges Agententeam technisch aufgebaut?
Ein belastbares Agententeam benötigt mehr als mehrere Prompts und ein gemeinsames Chatfenster. Im Zentrum steht eine Orchestrierungsschicht. Sie nimmt einen Auftrag entgegen, klassifiziert ihn, legt den Ablauf fest, verteilt Teilaufgaben und führt die Ergebnisse wieder zusammen. Darunter arbeiten spezialisierte Agenten mit begrenzten Werkzeugen: beispielsweise Recherche, Dokumentenanalyse, Kalkulation, CRM-Zugriff, ERP-Abfrage, Qualitätsprüfung oder Erstellung einer Antwort.
Zwischen diesen Rollen braucht es definierte Datenverträge. Ein Rechercheagent sollte nicht nur einen Fließtext zurückgeben, sondern Quellen, Fundstellen, Annahmen, offene Punkte und einen Bearbeitungsstatus. Ein Kalkulationsagent benötigt festgelegte Eingabefelder, zulässige Werte und eine dokumentierte Herkunft der verwendeten Daten. Je strukturierter die Übergaben, desto weniger müssen nachfolgende Agenten interpretieren.
Hinzu kommen Speicher und Zustandsverwaltung. Kurzfristiger Arbeitsspeicher hält den laufenden Vorgang zusammen. Ein Company Brain liefert freigegebenes Unternehmenswissen, Fachbegriffe, Prozessregeln und Erfahrungswerte. Eine Ereignisspur dokumentiert Tool-Aufrufe, Entscheidungen, Übergaben und Freigaben. Für kritische Aktionen braucht es außerdem eine Richtlinienebene, die Berechtigungen prüft und bei Bedarf einen Mitarbeiter einbindet.
Anthropic beschreibt für sein Rechercheprodukt ein Orchestrator-Worker-Muster, bei dem ein führender Agent mehrere Spezialagenten parallel einsetzt. Im internen Test übertraf dieses System einen einzelnen Agenten um 90,2 Prozent. Gleichzeitig benötigte die Multi-Agent-Variante ungefähr die fünfzehnfache Tokenmenge einer normalen Chatinteraktion. Das verdeutlicht den zentralen Zielkonflikt: Mehr parallele Rechenarbeit kann die Abdeckung erhöhen, muss aber durch den Wert des Geschäftsvorgangs gerechtfertigt sein.
Welche Architektur passt zu welchem Aufgabentyp?
| Architektur | Steuerungsprinzip | Geeignete Aufgaben | Vorteile | Typische Risiken |
|---|---|---|---|---|
| Einzelner KI-Agent | Ein Agent plant und führt aus | Begrenzte Recherche, Zusammenfassung, einfache Tool-Nutzung | Geringerer Betriebsaufwand, einfacher zu testen | Kontextüberlastung, fehlende Gegenprüfung |
| Orchestriertes Agententeam | Leitagent oder Workflow-Engine verteilt Arbeit | Angebotsvorbereitung, Serviceanalyse, Ausschreibungen, Projektakten | Spezialisierung, parallele Bearbeitung, nachvollziehbare Rollen | Koordinationskosten, fehlerhafte Übergaben |
| Graphbasierter Multi-Agent-Workflow | Vorab definierte Knoten, Bedingungen und Freigaben | Wiederkehrende Kernprozesse mit Varianten und Ausnahmen | Gute Beobachtbarkeit, Wiederanlauf, kontrollierte Autonomie | Modellierung und Pflege des Prozessgraphen |
| Dezentraler Agent-Swarm | Agenten koordinieren sich weitgehend selbst | Forschung, Simulation, explorative Optimierung | Anpassungsfähigkeit, breite Lösungssuche | Schwer vorhersehbares Verhalten, hoher Testaufwand |
Für den Mittelstand ist der graphbasierte oder orchestrierte Ansatz meist der sinnvollere Einstieg. Er verbindet die Flexibilität von Sprachmodellen mit der Disziplin klassischer Prozessautomatisierung. Ein dezentraler Schwarm kann in Forschung oder Simulation interessant sein, ist für verbindliche Kunden-, Finanz- oder Betriebsprozesse derzeit jedoch nur in eng begrenzten Umgebungen vertretbar.
Wo entstehen im deutschen Mittelstand realistische Anwendungsfälle?
Ein geeigneter Anwendungsfall beginnt selten mit dem Wunsch nach einem Schwarm. Er beginnt mit einem Vorgang, bei dem mehrere Mitarbeiter Informationen zusammensuchen, Rückfragen stellen, Zwischenergebnisse prüfen und Daten zwischen Systemen übertragen. Genau dort kann eine arbeitsteilige Agentenarchitektur Wirkung entfalten.
Bei der Angebotsvorbereitung kann ein Agent die Anfrage strukturieren, ein weiterer technische Unterlagen und frühere Projekte durchsuchen, ein Kalkulationsagent Mengengerüste vorbereiten und ein Kontrollagent fehlende Angaben markieren. Der Vertriebsmitarbeiter erhält keinen automatisch versendeten Vertrag, sondern einen dokumentierten Entwurf mit Quellen, Annahmen und offenen Entscheidungen.
Im technischen Service kann ein Agententeam Störungsmeldungen klassifizieren, Anlagenhistorien abrufen, Handbücher durchsuchen, Ersatzteile prüfen und einen Lösungsvorschlag für den Disponenten erstellen. In der Ausschreibungsbearbeitung lassen sich Leistungsbeschreibungen zerlegen, Muss-Kriterien extrahieren, Nachweise zuordnen und Abweichungen erkennen. Im Qualitätsmanagement können Agenten Prüfberichte, Reklamationen und Arbeitsanweisungen zusammenführen, ohne dass ein einzelner Agent zugleich Recherche, Bewertung und Freigabe übernehmen muss.
Der wirtschaftliche Nutzen entsteht besonders dort, wo der Prozess häufig genug vorkommt, ein definiertes Ergebnis besitzt und Fehler oder Verzögerungen spürbare Kosten verursachen. Seltene Sonderfälle mit ständig wechselnden Regeln bleiben dagegen meist bei erfahrenen Mitarbeitern besser aufgehoben.
Warum entscheidet das Company Brain über die Qualität des Agent-Swarms?
Mehrere Agenten vervielfachen nicht nur Fähigkeiten, sondern auch Wissenslücken. Wenn jeder Agent auf andere Dateiversionen, unvollständige Daten oder allgemeines Modellwissen zugreift, entsteht kein digitales Team, sondern eine Kette plausibler Missverständnisse. Ein Company Brain schafft deshalb die gemeinsame Wissens- und Kontextschicht.
Darin werden Dokumente nicht lediglich gespeichert. Informationen erhalten Herkunft, Gültigkeitsbereich, verantwortlichen Bereich, betroffene Prozesse und Zugriffsrechte. Ein Serviceagent kann dadurch erkennen, welche Arbeitsanweisung für eine bestimmte Produktgeneration gilt. Ein Angebotsagent findet nicht nur frühere Kalkulationen, sondern weiß, ob sie freigegeben, vergleichbar und noch verwendbar sind. Ein Prüfagent kann Quellen gegeneinander gewichten, statt bloß ähnliche Textstellen zusammenzustellen.
Für die Praxis ist entscheidend, dass das Company Brain nicht als einmaliges Datenprojekt behandelt wird. Wissen verändert sich mit Produkten, Kunden, Regelwerken und Erfahrungswerten. Ohne Eigentümer, Aktualisierung und Versionierung sinkt die Leistung des gesamten Agententeams, selbst wenn die verwendeten Modelle technisch besser werden.
Was läuft bei Agent-Swarms in der Praxis üblicherweise schief?
Der häufigste Fehler ist eine zu frühe Verteilung der Arbeit. Ein instabiler Prozess wird in mehrere Agentenrollen zerlegt, obwohl Eingaben, Entscheidungen und Ergebnisdefinition noch nicht belastbar beschrieben sind. Die Agenten erzeugen dann zusätzliche Kommunikation, ohne den Vorgang besser zu beherrschen.
Ein zweites Problem sind freie Textübergaben. Agenten schreiben lange Zusammenfassungen aneinander, wichtige Parameter gehen verloren und jeder Empfänger interpretiert den Status anders. Strukturierte Schemata, Pflichtfelder und maschinenlesbare Zustände wirken unscheinbar, sind aber häufig wichtiger als ein weiteres Modell.
Auch Rollen werden oft doppelt angelegt. Rechercheagent, Analyst und Prüfer verwenden dieselben Quellen und kommen zu ähnlichen Ergebnissen. Das erhöht Kosten, ohne echte Gegenprüfung zu schaffen. Eine sinnvolle Spezialisierung benötigt unterschiedliche Aufgaben, Werkzeuge oder Bewertungskriterien.
Hinzu kommen Agent-Loops. Ein Prüfer fordert Überarbeitung, der ausführende Agent ändert Details, der Prüfer lehnt erneut ab und der Prozess läuft weiter. Abbruchbedingungen, maximale Wiederholungen, Eskalationsregeln und ein definierter Fehlerzustand gehören deshalb zur Architektur. Ebenso problematisch ist Scheinautonomie: Hinter einem angeblichen Schwarm steckt lediglich eine lineare Prompt-Kette, die weder auf Ausnahmen reagieren noch Verantwortung sauber übergeben kann.
Wie bleiben Kosten, Sicherheit und Verantwortung beherrschbar?
Kostenkontrolle beginnt auf Vorgangsebene. Entscheidend ist nicht, wie preiswert ein einzelner Modellaufruf ist, sondern was ein vollständig bearbeiteter Auftrag kostet. Dazu gehören Modellnutzung, Werkzeugzugriffe, Speicher, Wiederholungen, Prüfungen, menschliche Freigaben und Fehlerkorrekturen. Ein günstiges Modell kann teuer werden, wenn es viele Schleifen auslöst. Ein leistungsfähigeres Modell kann wirtschaftlicher sein, wenn es einen Vorgang in weniger Schritten abschließt.
Sicherheit folgt dem Prinzip der geringsten Berechtigung. Jeder Agent erhält nur die Daten und Aktionen, die seine Rolle benötigt. Ein Rechercheagent darf lesen, aber keine Bestellung auslösen. Ein Angebotsagent kann einen Entwurf erstellen, aber keine verbindliche Zusage versenden. Zugangsdaten sollten nicht im Prompt stehen, sondern über kontrollierte Werkzeugschichten bereitgestellt werden.
Verantwortung bleibt bei benannten Rollen im Unternehmen. Für jeden Prozess braucht es einen Eigentümer, definierte Freigabepunkte und Regeln für Ausnahmefälle. Protokolle müssen nachvollziehbar machen, welche Quelle, welcher Agent und welcher Mitarbeiter an einer Entscheidung beteiligt waren. Gerade weil Agenten probabilistisch arbeiten, reicht eine erfolgreiche Demonstration nicht aus. Der Betrieb benötigt Testsätze, Qualitätsmetriken, Überwachung und einen geregelten Rückfall auf manuelle Bearbeitung.
Gartner erwartet, dass bis Ende 2027 mehr als 40 Prozent der agentischen KI-Projekte eingestellt werden, vor allem wegen steigender Kosten, fehlendem Geschäftsnutzen oder unzureichenden Risikokontrollen. Für den Mittelstand ist das keine Aufforderung zum Abwarten, sondern zur engeren Auswahl: Ein begrenzter, wertvoller Prozess ist ein besserer Startpunkt als eine allgemeine Plattform für alle Abteilungen.
Wie startet ein Mittelständler ohne überdimensioniertes Plattformprojekt?
Am Anfang steht eine Prozessaufnahme. Welche Information löst den Vorgang aus, welche Systeme werden benötigt, welche Entscheidungen fallen an und wann gilt die Arbeit als abgeschlossen? Danach wird geprüft, welche Schritte deterministisch automatisiert werden können und an welchen Stellen ein Sprachmodell tatsächlich Mehrwert liefert.
Der erste produktive Entwurf kann bewusst klein bleiben. Ein Orchestrator übernimmt einen Vorgang, ein Spezialagent recherchiert und ein Prüfagent kontrolliert das Ergebnis. Aktionen mit Außenwirkung bleiben zunächst freigabepflichtig. Erst wenn Protokolle zeigen, dass ein zusätzlicher Agent die Qualität oder Durchlaufzeit verbessert, wird die Architektur erweitert.
In der Praxis hat sich ein stufenweises Vorgehen bewährt: zunächst assistieren, dann vorbereiten, anschließend innerhalb enger Grenzen ausführen. So entstehen Erfahrungswerte zu Datenqualität, Ausnahmefällen und tatsächlichen Betriebskosten. Gleichzeitig lernt das Unternehmen, welche Entscheidungen standardisierbar sind und wo Fachwissen nicht in Regeln übersetzt werden kann.
Werden Agent-Swarms ganze Wissensprozesse übernehmen?
Langfristig können Agent-Swarms große Teile digitaler Wissensprozesse bearbeiten: Informationen beschaffen, Fälle klassifizieren, Varianten entwickeln, Unterlagen erstellen, Ergebnisse prüfen und Übergaben auslösen. Das betrifft besonders Prozesse, deren Arbeit heute über E-Mail, Tabellen, Dokumente und Fachsysteme verteilt ist.
Vollständige Übernahme bedeutet jedoch nicht, dass menschliche Verantwortung verschwindet. Wahrscheinlicher ist eine neue Arbeitsteilung. Agententeams übernehmen Suche, Vorbereitung, Routineentscheidungen und Dokumentation. Mitarbeiter setzen Ziele, behandeln Ausnahmen, bewerten Folgen und geben verbindliche Schritte frei. Der Engpass verschiebt sich damit von der manuellen Bearbeitung zur Gestaltung von Rollen, Wissen, Regeln und Kontrollpunkten.
Die nächste Entwicklungsstufe moderner KI besteht deshalb nicht einfach aus mehr Autonomie. Sie entsteht aus der Verbindung von Sprachmodellen, Prozesslogik, Unternehmenswissen und überprüfbaren Werkzeugen. Ein Agent-Swarm wird dann wertvoll, wenn er nicht wie eine Gruppe frei diskutierender Bots arbeitet, sondern wie ein digitales Betriebssystem für einen konkret definierten Wissensprozess.
Welche Quellen belegen die verwendeten Kennzahlen?
- Anthropic, „How we built our multi-agent research system“: https://www.anthropic.com/engineering/multi-agent-research-system
- Deloitte, „Deloitte Global’s 2025 Predictions Report“: https://www.deloitte.com/global/en/about/press-room/deloitte-globals-2025-predictions-report.html
- Gartner, „Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027“: https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
Welche „Interessanten Links“ vertiefen das Thema?
- Microsoft Research, „AutoGen: Multi-Agent-Anwendungen durch Agentengespräche entwickeln“: https://www.microsoft.com/en-us/research/publication/autogen-enabling-next-gen-llm-applications-via-multi-agent-conversation-framework/
- Google Developers, „Zuverlässige Multi-Agent-Anwendungen mit ADK Go 2.0 aufbauen“: https://developers.googleblog.com/announcing-adk-go-20/
- Apple Machine Learning Research, „Warum selbstorganisierte Multi-Agent-Teams Experten ausbremsen können“: https://machinelearning.apple.com/research/multi-agent-teams-experts
FAQ
Was ist ein Agent-Swarm?
Ein Agent-Swarm ist ein Verbund aus mehreren KI-Agenten, die ein gemeinsames Ziel verfolgen und Arbeit untereinander aufteilen. In Unternehmensanwendungen werden diese Agenten meist nicht völlig frei agieren. Rollen, Werkzeuge, Datenzugriffe, Übergaben und Freigaben sind vorgegeben, damit aus paralleler Bearbeitung ein nachvollziehbarer Geschäftsprozess entsteht.
Wie unterscheidet sich ein Agent-Swarm von einem einzelnen KI-Agenten?
Ein einzelner KI-Agent bearbeitet Planung, Recherche, Ausführung und Prüfung innerhalb eines gemeinsamen Kontexts. Ein Agent-Swarm verteilt diese Funktionen auf spezialisierte Instanzen. Dadurch können unabhängige Teilaufgaben parallel laufen und Ergebnisse gegenseitig geprüft werden. Gleichzeitig steigen Koordinationsaufwand, Betriebskosten und die Anforderungen an Protokollierung, Fehlerbehandlung und Zugriffssteuerung.
Braucht jedes Unternehmen ein Multi-Agent-System?
Nein. Viele Aufgaben lassen sich mit einem gut konfigurierten Assistenten, einem klassischen Workflow oder einem einzelnen Agenten wirtschaftlicher lösen. Ein Multi-Agent-System lohnt sich vor allem, wenn ein Prozess mehrere Fachrollen, unabhängige Recherchen, verschiedene Werkzeuge oder wiederkehrende Prüfungen benötigt. Die Architektur sollte aus dem Prozess entstehen, nicht aus dem Wunsch nach möglichst vielen Agenten.
Welche Aufgaben eignen sich für Agent-Swarms im Mittelstand?
Geeignet sind wissensintensive, mehrstufige Abläufe mit hohem Such-, Abstimmungs- oder Prüfaufwand. Beispiele sind Angebotsvorbereitung, technische Recherche, Servicefallanalyse, Ausschreibungsbearbeitung, Lieferantenbewertung und die Zusammenstellung von Projektdokumentationen. Weniger geeignet sind seltene Einzelfälle ohne stabile Regeln sowie Prozesse, bei denen fast jeder Schritt eine menschliche Ermessensentscheidung verlangt.
Welche Rolle spielt ein Company Brain?
Ein Company Brain stellt freigegebenes Unternehmenswissen, Prozessregeln, Rollen, Zuständigkeiten und Erfahrungswerte in einem nutzbaren Zusammenhang bereit. Ohne diese Wissensschicht greifen Agenten auf veraltete Dateien, unvollständige Suchergebnisse oder allgemeines Modellwissen zurück. Das System kann dann zwar sprachlich überzeugend wirken, aber betriebliche Bedingungen, Ausnahmen und Verantwortlichkeiten falsch einordnen.
Wie werden Ergebnisse zwischen KI-Agenten ausgetauscht?
Produktive Systeme sollten Übergaben nicht nur als freien Text behandeln. Besser sind strukturierte Ergebnisse mit definierten Feldern, Quellen, Statuswerten, Unsicherheiten und Prüfschritten. Der Orchestrator kann dadurch feststellen, ob eine Teilaufgabe abgeschlossen ist, welche Information fehlt und ob ein weiterer Agent oder ein Mitarbeiter übernehmen muss. Das reduziert Missverständnisse und wiederholte Schleifen.
Wie lassen sich Fehler in Agent-Swarms begrenzen?
Fehler werden durch begrenzte Berechtigungen, geprüfte Werkzeuge, feste Abbruchbedingungen, Quellennachweise und menschliche Freigaben an kritischen Stellen begrenzt. Zusätzlich braucht jeder Lauf eine nachvollziehbare Ereignisspur. Unternehmen sollten nicht nur das Endergebnis testen, sondern auch Übergaben, Wiederholungslogik, Ausnahmen und das Verhalten bei fehlenden oder widersprüchlichen Daten prüfen.
Sind Agent-Swarms teurer als einzelne KI-Agenten?
In der Regel ja, weil mehrere Agenten eigene Modellaufrufe, Kontextfenster, Werkzeugzugriffe und Prüfschleifen erzeugen. Wirtschaftlich wird die Architektur erst, wenn parallele Bearbeitung, bessere Abdeckung oder vermiedene Fehler einen höheren Nutzen schaffen. Deshalb sollten Kosten pro abgeschlossenem Geschäftsvorgang betrachtet werden, nicht nur Preise pro Token oder einzelne API-Aufrufe.
Können Agent-Swarms vollständig autonom arbeiten?
Technisch können Agenten lange Ablaufketten ohne laufende Eingriffe bearbeiten. Für betriebliche Prozesse ist vollständige Autonomie jedoch selten der beste Ausgangspunkt. Zahlungen, Verträge, Personalentscheidungen, sicherheitsrelevante Änderungen oder verbindliche Kundenkommunikation benötigen definierte Freigaben. Sinnvoll ist abgestufte Autonomie: vorbereiten, prüfen, vorschlagen und erst nach nachgewiesener Zuverlässigkeit begrenzt ausführen.
Wie sollte ein mittelständisches Unternehmen mit Agent-Swarms starten?
Der Einstieg sollte mit einem abgegrenzten Prozess erfolgen, dessen Eingangsdaten, Ergebnis, Verantwortlicher und wirtschaftlicher Nutzen bekannt sind. Zuerst wird der Ablauf stabilisiert, anschließend ein einzelner Agent oder Workflow getestet. Zusätzliche Agenten werden nur ergänzt, wenn Spezialisierung oder Parallelisierung einen messbaren Vorteil bringt. So bleibt die technische Architektur dem Geschäftsvorgang untergeordnet.
