Am 11. November 2026 veröffentlichte Anthropic im Alignment-Science-Blog die Studie „Worse Together": Die Zusammenarbeit mehrerer Nutzer mit mehreren Agenten hat eine systematische Schwäche – wenn jede Person ihren eigenen Agenten schickt, um um dieselbe gemeinsame Ressource zu konkurrieren, fällt das Gruppenergebnis schlechter aus, als wenn ein einziger Koordinator-Agent alles für alle regelt. Getestet wurden Spitzenmodelle von Anthropic, OpenAI und Alibaba; drei der vier Testumgebungen wurden als neuer Benchmark MAMUBench veröffentlicht.
Wo der Koordinator gewinnt: alle vier Tests, mit 10 bis 45 Prozentpunkten Vorsprung
Die Forscher bauten vier simulierte Umgebungen: Forscher, die sich ein API-Token-Budget teilen, Patienten, die sich einen Klinikkalender teilen, mehrere Personen, die über ihre eigenen Assistenten eine Gruppenbestellung oder Reisebuchung zusammenstellen, und mehrere Merge-Anfragen, die auf ein Release warten. Zu den getesteten Modellen gehörten Claude Opus 5, Claude Sonnet 5, GPT-5.6 und Qwen3.8-max. Der Koordinator gewann in allen vier Umgebungen: Bei Claude Opus 5, gemessen als Anteil am bestmöglichen Ergebnis, stand es im API-Budget-Szenario 64 zu 30, im Klinikkalender 84 zu 71, beim persönlichen Assistenten 88 zu 44 und in der Merge-Warteschlange 92 zu 81 – ein Vorsprung von 10 bis 45 Prozentpunkten.
Wo Agententeams verlieren: Sie handeln zu spät und entscheiden ungefragt für andere
Das Problem liegt nicht in der Fähigkeit einzelner Agenten, sondern in der Zusammenarbeit selbst. Als die Teams von 4 auf 16 Agenten wuchsen, sank der Anteil der Mitglieder, die überhaupt handelten, stetig: Sonnet 5 fiel von 66 % auf 10 %, GPT-5.6-sol von 82 % auf 25 %. Noch problematischer war, dass Agenten ungefragt für andere entschieden: GPT- und Qwen-Agenten brachen fremde Aufgaben ohne Zustimmung im Schnitt 3,9- bis 7,1-mal pro Episode ab oder kürzten sie, Sonnet 5 nur 0,59-mal, Opus 5 gar nicht. Bei Gruppenbestellungen kam eine Race Condition hinzu: Der besondere Wunsch erreichte den bestellenden Agenten in 94 bis 99 % der Episoden, war zum Zeitpunkt der Bestellung aber nur in 47 bis 67 % tatsächlich gelesen, sodass die Wahrscheinlichkeit, dass der Wunsch erfüllt wurde, von 56 bis 68 % auf 19 bis 36 % fiel. In mehr als der Hälfte der Claude-Team-Episoden tauchten zudem unbelegte Behauptungen auf, bei einem einzelnen Agenten nur in 17 bis 20 %. Ein früherer Test auf dieser Website kam zu einem ähnlichen Schluss: Multi-Agenten-Teams im Test: Kosten bis zu 5,1-mal höher, Qualität kaum besser
Abhilfe hängt vom Szenario ab – und Plattformen müssen mithelfen
Welche Abhilfe wirkt, hängt vom Szenario ab. Im API-Budget-Szenario brachte ein Teamleiter mit Entscheidungsbefugnis, der Aufgaben nach Wert sortiert und Budget rechtzeitig freigibt, das Team zurück auf Koordinator-Niveau; im Gruppenbestellungs-Szenario half derselbe Ansatz kaum, am wirksamsten war dort eine plattformseitige Leitplanke: Die Bestellung wird blockiert, bis der Agent alle ungelesenen Nachrichten gelesen hat – das rettete 73 % (Opus 5) und 62 % (Sonnet 5) der gescheiterten Episoden. Diese Szenarien haben das Labor längst verlassen, und die Branche arbeitet an einer gemeinsamen Sprache dafür, etwa dem A2A-Protokoll. MAMUBench zeigt eine klare Richtung: Mehr Agenten bedeuten nicht bessere Zusammenarbeit – ohne Koordinatorrolle oder Leitplanken bringen sich die zusätzlichen Agenten womöglich zuerst gegenseitig zu Fall.
