Fügen Sie einer Aufgabe Agenten hinzu, und die kollektive Genauigkeit steigt — bis etwa sechzehn. Danach fällt sie, und die Gruppe konvergiert nicht mehr auf eine Antwort, sondern spaltet sich in Lager, die einander bestätigen (NTT Research, 2026). Keine Kapazitätsgrenze. Keine Kostengrenze. Eine Koordinationsgrenze — dieselbe, die menschliche Teams regiert, und sie trifft auf eine Roadmap, die annahm, mehr Agenten bedeuteten mehr Output.
Die Zahl selbst ist aufgabenspezifisch und lässt sich nicht auf Ihre Workflows übertragen. Übertragbar ist die Form der Kurve, und diese Form macht aus der Größe der Agentenflotte statt einer Beschaffungsvariablen eine Designvariable: In jedem agentischen Deployment gibt es einen Punkt, ab dem der marginale Agent abzieht statt beizutragen.
Was das Flag Game tatsächlich gemessen hat
Das Experiment stammt von Elizabeth Pavlova, Senior Data Scientist am Center for Brain Science in Harvard, und Hidenori Tanaka, der das Physics of Artificial Intelligence Lab von NTT Research sowie das Physics of Intelligence Program am Harvard CBS leitet. Das Paper — Flag Game: Interpreting Decision Mechanisms of Bounded Social Agents — wurde beim AI4Good-Workshop der ICML 2026 vorgestellt (Pavlova & Tanaka, 2026).
Der Aufbau ist bewusst karg. Jeder Agent sieht nur ein kleines, zufällig zugewiesenes Fragment einer verborgenen Nationalflagge. Kein Agent kann sie allein identifizieren. Um zu antworten, muss die Population kommunizieren — Agenten geben ihre Vermutung an einen Zuhörer weiter, senden sie an die Gruppe oder fragen ein Manager-System ab, das eine Einschätzung zurückgibt. Das Spiel endet, wenn 85 % oder mehr der Agenten sich über drei aufeinanderfolgende Runden auf dieselbe Flagge einigen, oder wenn das Schrittbudget aufgebraucht ist (The Register, 2026).
Genau diese Struktur macht das Ergebnis für Operations-Verantwortliche relevant. Sie isoliert exakt die Spannung, die jeder agentische Workflow enthält: die private Evidenz eines Agenten gegen den sozialen Input aus dem Rest der Pipeline. Beides in Einklang zu bringen ist kein Problem der Modellfähigkeit. Es ist ein Problem der Kommunikationsstruktur.
Unterhalb von rund sechzehn Agenten kann die Population nicht genug Fragmente zusammentragen, um eine belastbare kollektive Antwort zu rechtfertigen. Oberhalb kehrt sich der Fehlermodus um: Untergruppen bilden sich, und jede validiert ihre Position intern statt gegen die Evidenz. Die kollektive Genauigkeit sinkt, obwohl die Gesamtinformation im System weiter steigt.
Warum die Kurve kippt
Die Intuition der meisten Roadmaps lautet, ein Multi-Agenten-System degradiere sanft — mehr Agenten, mehr Rauschen, abnehmende Erträge, schließlich ein Plateau. Das Flag-Game-Ergebnis ist schlechter als ein Plateau. Es ist ein Rückgang, und der Mechanismus dahinter ist sozial, nicht technisch.
„Einfach mehr KI-Agenten hinzuzufügen verbessert die Leistung nicht zwangsläufig — genauso wenig wie mehr Menschen einzustellen ein Unternehmen automatisch effektiver macht“, sagte Tanaka bei der Veröffentlichung. „Kommunikation wird schwieriger, und Gruppen können in konkurrierende Lager zerfallen“ (NTT Research, 2026).
Als operative Aussage gelesen ist das unbequem, denn polarisierte Agentenpopulationen wirken von außen nicht defekt. Sie produzieren selbstsichere, in sich konsistente Ergebnisse. Konsens entsteht weiterhin — innerhalb jedes Lagers. Was verschwindet, ist die Eigenschaft, die Sie eingekauft haben: unabhängige, aggregierte Evidenz. Eine Zwanzig-Agenten-Flotte, die eine klare falsche Antwort liefert, ist weit teurer als eine Sechs-Agenten-Flotte, die eine unsichere liefert — und nur einer dieser beiden Zustände taucht in Ihrem Monitoring auf.
Der Anbieteranreiz zeigt in die andere Richtung
Beide großen Labore haben Multi-Agenten-Architekturen als Weg zur Skalierung des KI-Werts beworben — OpenAI über das „Swarm“-Framing und nun das Agents SDK, Anthropic über Multi-Agenten-Orchestrierung (The Register, 2026). Die mitgeführte Implikation lautet: Produktivität steigt mit der Agentenzahl. Beachten Sie, wer zahlt, wenn sie es tut.
Das ist kein Vorwurf der Unredlichkeit; Orchestrierung ist wirklich nützlich. Es ist eine Anmerkung dazu, wohin der Standardrat zeigt, wenn die Forschung sagt, der nützliche Bereich sei begrenzt — und niemand in der Lieferkette einen Anreiz hat, diese Grenze für Sie zu finden.
Die zwei Befunde, die mehr zählen als die 16
Die Schlagzeilenzahl wird ein Jahr lang zitiert werden. Die beiden Nebenbefunde sind jene, die ändern, was ein Mittelstands-Ops-Team am Montag tut.
Struktur schlägt Skalierung. Die Rahmung der Forschenden: Die Leistung von Unternehmens-KI hängt nicht nur davon ab, wie viele Agenten Sie ausrollen, sondern davon, wie diese Agenten kommunizieren, wie sie organisiert sind und wie Menschen ihre Zusammenarbeit anleiten (NTT Research, 2026). Die Herausforderung, in ihren Worten, sei nicht, größere KI-Organisationen zu bauen — sondern wirksamere zu entwerfen.
Modellvielfalt wird als Designvariable benannt. Die Forschung beschreibt organisatorischen Erfolg als Balance aus Skalierung, Kommunikation, Struktur und Modellvielfalt, mit Agenten, die einander ergänzen statt duplizieren. Die öffentliche Darstellung veröffentlicht keinen quantifizierten Vergleich zwischen gemischten und einheitlichen Modellteams — behandeln Sie die Richtung also als Designempfehlung der Autoren, nicht als gemessenen Effekt. Sie richtet sich aber klar gegen den Reflex, auf einen einzigen Anbieter zu standardisieren, der in den meisten Einkaufsfunktionen der Default ist.
Warum der Vielfaltspunkt unabhängige Stützung hat
Es gibt eine separate Evidenzbasis, die in dieselbe Richtung weist. Ein systematisches Review mit Meta-Analyse über 19 Studien und 61 Effektstärken fand, dass Ko-Kreation mit generativer KI eine kleine, aber robuste Homogenisierung des Outputs erzeugt, d = 0,334, nicht durch Publikationsbias erklärt (de Rooij & Biskjaer, 2026). Der Mechanismus ist Ankerung: Das Modell liefert den Ausgangspunkt, der Mensch arbeitet aus, und das Ausarbeiten erhält die Qualität, während es die Unabhängigkeit zerstört.
Diese Studien verglichen KI-gestützte mit ungestützter Arbeit, nicht Ein-Anbieter- mit Mehr-Anbieter-Organisationen. Die Ausweitung auf Anbieterkonzentration ist eine Schlussfolgerung, kein Befund — ich kennzeichne sie als solche. Doch zwei unabhängige Forschungslinien konvergieren nun auf dieselbe operative Vorsicht: Eine Agentenpopulation, die aus identischen Priors schöpft, wird sich schneller einigen und weniger bedeuten. Im Flag Game ist Übereinstimmung die Siegbedingung. In Ihrem Geschäft ist Übereinstimmung genau das, was Sie prüfen wollten.
Was 16 nicht ist
Drei Grenzen, festgehalten, bevor jemand daraus eine Richtlinie macht.
Es ist keine übertragbare Konstante. Sechzehn ist das Maximum für eine synthetische Konsensaufgabe mit einer bestimmten Kommunikationstopologie und einer bestimmten Abbruchregel. Eine Dokumentenextraktions-Pipeline, eine Code-Review-Flotte und ein Kunden-Triage-System haben andere Evidenzstrukturen und werden anderswo ihr Maximum haben — vielleicht bei vier, vielleicht bei vierzig.
Es ist keine Aussage über Agentenqualität. Der Rückgang ist eine Eigenschaft der Kommunikation der Population, nicht des Denkens eines einzelnen Agenten. Bessere Modelle beheben ihn nicht offensichtlich; mehr unabhängige Evidenzquellen möglicherweise schon.
Es ist ein Workshop-Paper, keine longitudinale Unternehmensstudie. AI4Good ist ein peer-reviewter ICML-Workshop-Track, also glaubwürdige Frühphasenwissenschaft — kein replizierter Feldbefund über Produktions-Deployments hinweg. Behandeln Sie es als gut gebaute Warnung vor einem Mechanismus, nicht als Kalibriertabelle.
Was alle drei überlebt, ist die Asymmetrie. Wenn kollektive Leistung über Agentenzahl ein umgekehrtes U ist statt einer steigenden Gerade, dann braucht jede agentische Roadmap eine Zahl, bei der sie stoppt — und fast keine hat eine.
Der menschliche Vergleich, den Sie längst führen
Tanakas Analogie zur Personaleinstellung ist keine Dekoration. Operations-Verantwortliche managen bereits eine Koordinationsobergrenze und kennen die Zahl bereits, denn sie steht im Organigramm.
Gallups Span-of-Control-Daten 2026 setzen den durchschnittlichen US-Manager bei 12,1 direkten Berichten an, nach 10,9 im Vorjahr — doch der Median liegt seit 2013 unverändert bei fünf bis sechs, während der Mittelwert von einem dünnen Ausläufer an Teams über 25 nach oben gezogen wird (Gallup, 2026). Niemand behauptet, ein Manager mit 40 Berichten sei dreimal so wirksam wie einer mit 13. Wir nehmen zu Recht an, dass Koordinationskosten den Gewinn auffressen.
Agentenflotten wurden von dieser Logik aus einem einzigen Grund ausgenommen: Am Rand wirken Agenten kostenlos. In Genauigkeitsbegriffen sind sie es am Rand nicht, und das Flag Game ist die erste saubere Demonstration, dass die Genauigkeitskosten vor der Kostenzeile eintreffen.
Unterdessen wartet die Rollout-Kurve nicht. Microsofts Work Trend Index 2026 meldet aktive Agenten im Microsoft-365-Ökosystem mit 15-fachem Wachstum im Jahresvergleich und 18-fachem in Großunternehmen (Microsoft, 2026). Flottengrößen werden gerade jetzt festgelegt, von wem auch immer den Workflow konfiguriert — gegen keinerlei erklärte Obergrenze.
Entwerfen Sie die Flotte, dimensionieren Sie sie nicht nur
Vier Schritte, geordnet danach, wie billig sie sind.
Deckeln Sie die Flottengröße pro Aufgabe und schreiben Sie den Deckel auf. Keine globale Richtlinie — eine Zahl pro Workflow, bewusst gewählt, neben dem Workflow dokumentiert. Weniger der Wert zählt als die Existenz eines Werts, für den jemand geradesteht.
Geben Sie den nächsten Grenzdollar für Anweisung aus, nicht für Kopfzahl. Die zentrale Aussage der Forschung ist, dass die Art, wie Menschen das System strukturieren und anleiten, die kollektive Leistung bewegt. Die Aufgabenspezifikation für eine bestehende Flotte zu schärfen kostet einen Nachmittag; der siebzehnte Agent kostet eine Lizenz und möglicherweise Genauigkeit.
Mischen Sie Modelle bewusst dort, wo die Aufgabe Urteil verlangt, nicht Durchsatz. Für mechanische Parallelarbeit ist Homogenität in Ordnung und einfacher zu betreiben. Wo die Flotte existiert, um widersprüchliche Evidenz abzuwägen, sind identische Priors der Fehlermodus — und die Standardisierung auf einen Anbieter ist der schnellste Weg dorthin.
Instrumentieren Sie auf Polarisierung, nicht nur auf Genauigkeit. Protokollieren Sie Einigungsdynamik: wie schnell Konsens entsteht, wie viele unterschiedliche Antwortcluster vorher auftreten, ob Dissens früher verschwindet, während Sie skalieren. Eine Flotte, die beim Wachsen schneller konvergiert, zeigt Ihnen das Warnsignal, nicht die Verbesserung.
Eine Entscheidung für dieses Quartal
Nehmen Sie Ihren agentischen Workflow mit dem höchsten Einsatz — den, dessen Output an einen Kunden, eine Aufsichtsbehörde oder die GuV geht. Fahren Sie ihn mit der aktuellen Flottengröße, dann mit der Hälfte. Hält die Genauigkeit, haben Sie freie Marge und eine funktionierende Obergrenze gefunden. Fällt sie, haben Sie Evidenz für die bereits gewählte Größe — mehr, als die meisten Roadmaps liefern können.
Die Frage, die Agentenexpansion finanziert, lautet wie viele können wir betreiben. Die Frage, die über den Erfolg entscheidet, lautet wie viele sollten miteinander sprechen. Nur eine davon hat eine Antwort in der Forschung, und sie ist kleiner, als die Folie Ihres Anbieters nahelegt.
