Wenn aus einem Agenten acht werden: Genauigkeit und Risiko in der Multi-Agenten-Finanzwelt

Eine Finanzverantwortliche bei einem mittelständischen SaaS-Unternehmen beschrieb den Moment, in dem der Groschen fiel. Sie hatte ein „Team” aus Agenten aufgebaut, um das monatliche Board Pack zu erstellen: Einer zog den Umsatz aus dem Abrechnungssystem, einer die Kosten aus dem Hauptbuch, einer berechnete die Bruttomarge, einer verfasste den Kommentar, einer setzte das Foliendeck zusammen. Die Demo sah hervorragend aus. Dann prüfte der Controller die Zahlen und stellte fest, dass die Bruttomarge im Diagramm nicht mit der Bruttomarge im Fließtext übereinstimmte. Dieselbe Kennzahl, derselbe Monat, zwei Ergebnisse. Für sich genommen war keiner der Agenten „falsch”. Sie hatten die Kennzahl lediglich jeweils aus einem leicht abweichenden Datenausschnitt berechnet, und niemand hatte diese Ausschnitte miteinander abgestimmt.

Das ist der stille Versagensmodus der Multi-Agenten-Finanzwelt. Die Demo funktioniert. Die Rechnung geht nicht auf. Und weil der Fehler zwischen den Agenten liegt und nicht innerhalb eines einzelnen, erklärt ihn das Protokoll keines einzelnen Agenten.

Warum jeder zusätzliche Agent das Risiko schneller erhöht als die Leistungsfähigkeit

Der Reiz der Multi-Agenten-Orchestrierung liegt auf der Hand. Man zerlegt einen anspruchsvollen Workflow in Spezialisten, lässt einen Teil davon parallel laufen und setzt einen Supervisor obendrauf, der steuert und zusammenführt. Aktuelle Benchmarks zur Verarbeitung von Finanzdokumenten zeigen, dass dies bei guter Umsetzung echte Vorteile bringt – darunter Routing-Strategien, die die Kosten bei gleichbleibender Genauigkeit etwa halbieren, weil einfache Felder an günstige Modelle und schwierige Felder an leistungsstarke Modelle gehen.

Doch dieselbe Forschung benennt die Kehrseite unmissverständlich. Produktive Multi-Agenten-LLM-Systeme scheitern in unangenehm hohem Maße, und ein großer Teil dieser Fehler sind keine individuellen Denkfehler. Es handelt sich um Koordinationsfehler: Agenten verkennen ihre Rolle, duplizieren Arbeit, verlieren den Verlauf oder behandeln die Vermutung eines vorgelagerten Agenten als gesicherte Tatsache. Forschende der UC Berkeley haben dies 2025 als Taxonomie von Versagensmodi katalogisiert, und „sich aufsummierende Fehler” stehen mitten darin.

Hier ist der Mechanismus, der einen CFO ganz konkret beunruhigen sollte. Wenn man Agenten verkettet, heben sich Fehler nicht gegenseitig auf. Sie werden unverändert nach unten weitergereicht. Ein Recherche-Agent erzeugt eine Zahl, die geringfügig daneben liegt, der ausführende Agent behandelt sie als gesicherte Wahrheit, und jeder weitere Schritt baut auf einem falschen Fundament auf. Eine Analyse ergab, dass geschlossene Architekturen mit adversarialer Prüfung mehr als 40 % der Fehler neutralisierten, die sich andernfalls aufsummiert hätten. Andersherum gelesen: Ohne diese Prüfung pflanzen sich diese Fehler bis zu dem Ergebnis fort, das Sie unterschreiben.

Es gibt auch eine subtilere Variante. Eine Arbeit aus dem Jahr 2025 zum sogenannten Self-Conditioning beobachtete, dass ein Modell messbar fehleranfälliger wird, sobald sein Kontext seine eigenen früheren Fehler enthält. Ein Agent, der den Umsatz einmal falsch berechnet hat, schlussfolgert nun auf Basis seiner eigenen fehlerhaften Zahl. Der Fehler bleibt nicht nur bestehen. Er vermehrt sich.

Das eigentliche Problem sind nicht die Agenten. Es ist das, was sie lesen.

Die meisten Teams reagieren darauf mit noch mehr Orchestrierung. Mehr Supervisoren, mehr Kritiker-Agenten, mehr Wiederholungen. Das hilft bei einigen Fehlerklassen. Aber es stellt eine Fehldiagnose des finanzspezifischen Problems dar, das fast nie darin besteht, dass die Agenten schlecht koordiniert haben. Es liegt daran, dass jeder Agent seine eigene Verbindung zu den Quelldaten und seine eigene private Version der Wahrheit aufgebaut hat.

Stellen Sie sich das Board-Pack-Team noch einmal vor. Der Umsatz-Agent ruft die Abrechnungs-API ab und wendet seine eigene Logik zur Umsatzrealisierung an. Der Margen-Agent greift auf das Hauptbuch zu und saldiert die Posten leicht abweichend. Der Kommentar-Agent liest einen zwischengespeicherten Export vom vergangenen Dienstag. Drei Agenten, drei Datenpfade, drei Definitionen derselben Kennzahlen. Keine noch so ausgeklügelte Supervisor-Logik behebt das, denn der Supervisor koordiniert Ergebnisse, die nie aus derselben Basis berechnet wurden. Sie können perfekt orchestrieren und trotzdem ein Reporting erzeugen, das nicht aufgeht.

Genau hier wird die Metapher der „acht Agenten” bedeutsam. Acht Agenten mit acht Konnektoren bedeuten acht Gelegenheiten, den Umsatz unterschiedlich zu definieren, acht Punkte, an denen eine Aktualisierung auseinanderdriften kann, acht Berechnungspfade, denen ein Prüfer nachgehen muss. Die Komplexität wächst nicht linear. Jeder neue Agent, der seine eigene Version der Zahlen liest oder schreibt, fügt dem Geflecht der Dinge, die still und leise voneinander abweichen können, eine weitere Kante hinzu.

Ein abgestimmtes Modell, viele Agenten

Die Architektur, die tatsächlich Bestand hat, ist unspektakulär: Jeder Agent liest aus einem einzigen, abgestimmten Finanzmodell und schreibt in ebendieses zurück. Kein gemeinsamer Ordner. Kein gemeinsamer Cache. Ein Modell, das mit dem Hauptbuch übereinstimmt, in dem Umsatz genau eine Bedeutung hat, in dem jede Kennzahl ihre Herkunft bis zur Quelle nachweist und in dem die Berechnung über eine deterministische Engine läuft, statt von jenem LLM neu hergeleitet zu werden, das gerade zufällig diese Teilaufgabe übernimmt.

Wenn die Zahlenschicht gemeinsam genutzt und abgestimmt ist, wird die Frage der Orchestrierung dramatisch einfacher. Der Margen-Agent und der Kommentar-Agent können sich über die Bruttomarge gar nicht uneinig sein, weil keiner von beiden die Bruttomarge berechnet. Beide rufen sie aus demselben Modell ab, und die Berechnung, die sie erzeugt hat, lief genau einmal, deterministisch, gegen abgestimmte Eingaben. Die Agenten tun wieder das, worin sie wirklich gut sind – die Anfrage zerlegen, entscheiden, was abgerufen werden muss, die Arbeit sequenzieren, den Text entwerfen – und der Teil, in dem sie schlecht sind, die Arithmetik, verlässt das LLM vollständig. Diese Trennung machen wir zum eigentlichen Kern des Designs in warum Finanz-Agenten Tools aufrufen und nicht selbst rechnen sollten.

Das löst zugleich das Audit-Problem, das Multi-Agenten-Systeme andernfalls verschärfen. Bei privaten Datenpfaden gibt es auf die Frage „Wer hat das berechnet und woraus?” keine saubere Antwort; die Kennzahl wurde über Agenten und Konnektoren hinweg zusammengesetzt, ohne dass es einen einzigen Nachweis dafür gäbe. Mit einem gemeinsamen, abgestimmten Modell lässt sich jede Zahl bis zur Quelle zurückverfolgen, unabhängig davon, welcher Agent sie ausgegeben hat. Genau diese Nachvollziehbarkeit ist es, die ein Prüfer oder ein Aufsichtsgremium tatsächlich benötigt, und deshalb zieht sich dasselbe Prinzip durch Audit-Trails, die Entscheidungen aufzeichnen, nicht nur Aktionen.

Was das bedeutet, bevor Sie den Schwarm skalieren

Ein paar ehrliche Zugeständnisse. Multi-Agenten-Orchestrierung ist real und nützlich. Das Supervisor-Worker-Muster gehört zu den sichereren für regulierte Workflows, weil Routing, Wiederholungen und Freigaben in einer einzigen kontrollierten Schicht bleiben. Parallelität verkürzt die tatsächliche Durchlaufzeit spürbar. Nichts davon ist das Problem.

Das Problem ist die Reihenfolge. Acht Agenten auf acht private Datenverbindungen zu setzen, ergibt kein Finanzteam. Es ergibt acht voneinander unabhängige Wege, selbstbewusst falsch zu liegen, so verdrahtet, dass sich die Fehler aufsummieren. Die funktionierende Reihenfolge ist die umgekehrte: zuerst die Zahlen abstimmen, in einem Modell, das mit dem Hauptbuch übereinstimmt und deterministisch rechnet, und erst dann so viele Agenten darauf ansetzen, wie der Workflow benötigt. Die gemeinsame Schicht ist es, die die Orchestrierung vertrauenswürdig macht – nicht umgekehrt.

Wenn Ihre Agenten derzeit jeweils ihre eigene Definition von Umsatz mit sich tragen, ist nicht die Anzahl der Agenten Ihr Risiko. Es ist die Anzahl der Versionen der Wahrheit. Reduzieren Sie diese auf eine einzige, und die Orchestrierung wird zum Genauigkeitsmultiplikator statt zum Fehlermultiplikator.

Erleben Sie, wie Rexfin jedem Agenten ein einziges abgestimmtes Modell zum Lesen und Rechnen bereitstellt – buchen Sie eine Demo und bringen Sie das Reporting mit, das nicht aufging.