Claude Dynamic Workflows: Bis zu 1.000 Agenten gleichzeitig

Anthropic hat Claude Managed Agents, seine gehostete Plattform für den Betrieb von KI-Agenten, um sogenannte Dynamic Workflows erweitert. Die Infrastruktur für verwaltete Agenten selbst ist nicht neu. Neu ist, dass Claude jetzt ein ganzes Team von Agenten innerhalb eines einzigen Durchlaufs koordinieren kann, mit bis zu 1.000 Agenten, die pro Ausführung parallel arbeiten.

So funktionieren Dynamic Workflows

Der Aufbau folgt dem Prinzip von Chef und Mitarbeitern. Ein leitender Agent sieht sich die Aufgabe an und erstellt einen Plan. Dann teilt er die Arbeit in Einzelteile auf und gibt jedes davon an einen Sub-Agenten weiter. Sind die Sub-Agenten fertig, sammelt der leitende Agent ihre Ergebnisse ein und führt sie zu einem Gesamtergebnis zusammen.

Das ist der Kern der Idee. Nicht ein einzelner Agent arbeitet eine lange Aufgabe Schritt für Schritt ab. Stattdessen wird die Aufgabe zerlegt, und viele Agenten erledigen sie gleichzeitig. Die Grenze von 1.000 parallelen Agenten pro Ausführung legt fest, wie weit sich diese Aufteilung treiben lässt.

Der Test mit der Fehlersuche

Anthropic untermauert die Funktion mit Zahlen aus eigenen Tests. Das Team versteckte 70 Fehler in einer Codebasis mit 116.000 Zeilen und ließ die Agenten darauf los.

• Ein einzelner Agent fand pro Durchlauf zwischen 14 und 27 Fehler.
• Der Dynamic Workflow fand 66, und zwar zuverlässig.

Bei dieser Aufgabe ist der Abstand groß. Im besten Fall entdeckte der einzelne Agent knapp 40 Prozent der versteckten Fehler. Das Multi-Agenten-System fand fast alle. Auch die Streuung ist wichtig: Die Ergebnisse des einzelnen Agenten schwankten zwischen 14 und 27, während das Ergebnis des Workflows stabil blieb.

Ein einzelner Test hat nur begrenzte Aussagekraft. Es handelt sich um einen einzigen Benchmark, entwickelt und durchgeführt von dem Unternehmen, das das Produkt verkauft. Noch ist unklar, ob sich die gleichen Verbesserungen auch bei anderen Aufgaben zeigen, die über die Fehlersuche im Code hinausgehen. Der praktische Rat ist der übliche: erst mit den eigenen Aufgaben ausprobieren, dann Schlüsse ziehen.

Die Kostenfrage

Nicht alle halten Agenten-Schwärme für lohnend. Ein leitender OpenAI-Ingenieur bezeichnete Agenten-Schwärme kürzlich als massive Verschwendung von Tokens. Tokens sind die Texteinheiten, die Sprachmodelle lesen und erzeugen, und zugleich das, wofür Kunden bezahlen.

Anthropic verschweigt diese Seite nicht. Das Unternehmen sagt, Dynamic Workflows könnten "sehr viele Tokens" verbrauchen, und empfiehlt Teams, klein anzufangen. Die Rechnung zeigt, warum. Ein Durchlauf mit Hunderten Sub-Agenten, von denen jeder einen Teil einer Codebasis liest und Bericht erstattet, summiert sich schnell. Teams, die ihre Ausgaben im Blick haben, seit Anthropic die Preise für Claude Haiku 5.5 gesenkt hat, werden prüfen wollen, wie sich ein großer Multi-Agenten-Durchlauf auf ihre Rechnung auswirkt.

Der Einstieg

Um Dynamic Workflows zu aktivieren, wählen Entwickler den Agententyp "multiagent_20261001". Anthropic bietet zwei Wege an. Entwickler können der Dokumentation folgen oder in Claude Code, dem Programmier-Agenten des Unternehmens, den Befehl "/claude-api managed-agents-onboard" ausführen.

Unsere Einschätzung

Das deutet darauf hin, dass Anthropic die Orchestrierung, und nicht nur die Qualität der Modelle, als Feld für den Wettbewerb sieht. Anthropic bietet jetzt einen leitenden Agenten mit Sub-Agenten als verwaltete Funktion an. Teams, die einen solchen Aufbau wollen, müssen diese Koordinationsschicht nicht mehr selbst bauen und pflegen. Für Entwickler, die Claude Code bereits umbauen, um es an ihre eigene Arbeit anzupassen, kommt damit ein weiterer Baustein hinzu.

Offen bleibt das Verhältnis von Kosten und Nutzen. Der Fehlertest ist beeindruckend, deckt aber nur eine vom Anbieter ausgewählte Aufgabe ab. Die Kritik des OpenAI-Ingenieurs zeigt, dass die Branche noch nicht entschieden hat, ob Schwärme effizient oder einfach nur teuer sind. Es lohnt sich zu beobachten, ob unabhängige Nutzer bei anderen Aufgaben ähnliche Verbesserungen melden. Eine weitere Frage ist, ob Agenten-Plattformen strengere Ausgabenkontrollen einführen, etwa nach dem Vorbild der Token-Obergrenzen, die Cohere eingeführt hat, auf der eigenen Agenten-Plattform. Tausend Agenten sind eine große Zahl. Ob sie auch eine nützliche ist, hängt von der Aufgabe ab.