# Parallele KI-Agenten: Kosten, Fehler und wann es sich lohnt > GPT-6 Pro startet parallele Agenten. Was Mehr-Agenten-Arbeit an Tokens kostet, welche Fehler wir gemessen haben und wann sich das Aufteilen lohnt. Quelle: https://www.krynexlabs.de/blog/gpt-6-pro-parallele-agenten-kosten-kontrolle/ Stand: 2026-10-20 Anbieter: Krynex Labs UG (haftungsbeschränkt), Chemnitz · https://www.krynexlabs.de --- [Alle Artikel](https://www.krynexlabs.de/blog/) #KI-Agenten#OpenAI#GPT-6#Claude Code#Kosten#Mittelstand # GPT-6 Pro arbeitet jetzt mit parallelen Agenten: Was mehrere KI-Agenten gleichzeitig kosten und wo sie sich in die Quere kommen Seit dem 16. Oktober verteilt GPT-6 Pro in ChatGPT eine Aufgabe auf mehrere Agenten, die gleichzeitig arbeiten. OpenAI nennt dazu keine Zahlen zu Kosten oder Qualität. Wir arbeiten seit Monaten mit parallelen Agenten in Claude Code und haben nachgezählt: wie viel ein Agent mehr verbraucht, an welchen Stellen sich Agenten gegenseitig stören und bei welchen Aufgaben sich das Aufteilen trotzdem lohnt. [Annett Krusch](https://www.krynexlabs.de/ueber-uns/) 20\. Oktober 2026 Am 16. Oktober hat OpenAI ein Update für GPT-6 Pro in ChatGPT veröffentlicht. Die wichtigste Zeile in den Release Notes lautet: „Multiple agents that can work on different parts of a task in parallel.“ Der Fortschritt läuft im Gespräch mit, und nach Abschluss lässt sich für jede Teilaufgabe öffnen, was der jeweilige Agent getan hat. Was in der Ankündigung fehlt, sind Zahlen. Wie viel mehr eine Anfrage mit mehreren Agenten verbraucht, wie oft das Ergebnis besser wird und wer bestimmt, welcher Agent welches Werkzeug benutzen darf, schreibt OpenAI nicht. Wir können GPT-6 Pro mit parallelen Agenten nicht nachmessen, die Funktion kommt schrittweise und nur im Pro-Tarif. Wir arbeiten aber seit Monaten täglich mit parallelen Agenten in Claude Code, an unserer Website, an einem Browserspiel und an internen Werkzeugen. Darüber, wie Agenten bauen, haben wir gestern in [Agentic Coding im Mittelstand](https://www.krynexlabs.de/blog/agentic-coding-praxis-leitplanken-mittelstand/) geschrieben. Hier geht es um eine engere Frage: Was passiert, wenn mehrere gleichzeitig arbeiten? *Offenlegung: Wir arbeiten mit Claude Code von Anthropic und bieten Workshops zu KI-Agenten an. Mit OpenAI und Anthropic haben wir keine geschäftliche Verbindung. Unsere Zahlen stammen aus eigenen Protokollen vom August bis Oktober 2026.* ## Was OpenAI angekündigt hat Laut Release Notes bringt das Update drei Dinge für GPT-6 Pro im Chat: schnellere Antworten, besseren Umgang mit Plugins und Werkzeugen und eben die parallelen Agenten. Ausgerollt wird an berechtigte Pro-Nutzer. Für Firmenarbeitsbereiche heißt es nur, die Verfügbarkeit hänge von den Einstellungen und der Freischaltung ab. Pro kostet laut Preisseite in Deutschland ab 103 Euro im Monat, die Pro-Stufe läuft dort auf GPT-6 Astra. Pro ist nach OpenAIs eigener Einteilung ein Tarif für Einzelpersonen. Neu ist die Idee nicht. Die Codex-App von OpenAI lässt Programmieragenten seit Anfang 2026 parallel in getrennten Arbeitskopien laufen, Claude Code kennt Unteragenten schon länger. Neu ist, dass die Aufteilung jetzt im normalen Chat passiert, ohne dass jemand sie einrichten muss. ## Was mehrere Agenten verbrauchen Die beste öffentliche Messung dazu stammt nicht von OpenAI, sondern von Anthropic. In einem Beitrag vom Juni 2025 über ihr eigenes Recherchesystem schreibt Anthropic, ein Agent verbrauche typischerweise etwa viermal so viele Tokens wie ein Chat, ein System aus mehreren Agenten etwa fünfzehnmal so viele. Dafür schnitt das Mehr-Agenten-System in Anthropics interner Recherche-Bewertung um 90,2 Prozent besser ab als ein einzelner Agent. Beides gehört zusammen. Mehrere Agenten können besser sein, aber sie sind fast immer teurer. Bei einem Pauschaltarif wie Pro merkt man das nicht an der Rechnung, sondern daran, wie schnell die Nutzungsgrenze erreicht ist. Über eine Programmierschnittstelle zahlt man es direkt. Unsere eigene Zahl dazu: Am 17. Oktober liefen bei uns fünf Agenten gleichzeitig an einem Browserspiel. Jeder verbrauchte rund 350.000 bis 440.000 Tokens. Der größte Teil davon war keine neue Arbeit. Jeder Agent ließ zur Sicherheit fast die gesamte Testreihe laufen, obwohl wir genau das einen Tag vorher ausgeschlossen hatten. In der Auftragsdatei stand „Kerntests der berührten Module“, und jeder Agent hat das großzügig ausgelegt. ## Drei Arten, wie sich Agenten in die Quere kommen **Sie machen dieselbe Arbeit.** Das ist der teuerste Fehler, weil er nicht auffällt. Jeder Agent beginnt ohne den Kontext der anderen und liest das Projekt erst einmal ein. Bei fünf Agenten wird derselbe Code fünfmal durchsucht, und die fünf Ergebnisse können sich unterscheiden, ohne dass es jemand merkt. Anthropic beschreibt dasselbe: Frühe Versionen ihres Systems starteten für einfache Fragen bis zu 50 Unteragenten, und mehrere davon führten exakt dieselben Suchen aus. **Sie warten auf dieselbe Ressource.** Am 16. Oktober arbeiteten bei uns vier Agenten parallel, und jeder ließ seine eigene volle Testreihe laufen, 30 bis 60 Minuten pro Lauf. Für die Browsertests gab es aber nur einen Testbrowser, der jeweils von einem Agenten belegt war. Auf dem Papier liefen vier Agenten gleichzeitig. Tatsächlich standen drei davon in der Schlange, und der Tag wurde langsamer, nicht schneller. **Sie greifen in gemeinsame Zustände.** Am 12. Oktober arbeiteten zwei Agenten im selben Git-Repository. Einer hatte seine Dateien schon für den nächsten Commit vorgemerkt, der andere schrieb seinen eigenen Commit und nahm dabei mehr als 19 fremde Dateien mit, weil der Vormerkbereich für alle im selben Arbeitsverzeichnis gemeinsam ist. Kaputt ging nichts, aber die Versionsgeschichte stimmte danach nicht mehr mit dem überein, was wer getan hatte. Seitdem gilt bei uns: Wer neben anderen arbeitet, committet nur mit ausdrücklich genannten Pfaden. Keiner dieser Fehler liegt am Modell. Alle drei entstehen dadurch, dass mehrere Arbeiter dieselbe Umgebung teilen. Das kennt jeder Betrieb, der zwei Leute an dieselbe Tabelle setzt. ## Wo das Aufteilen sich gelohnt hat Am meisten gebracht hat uns eine Rolle, die man zunächst nicht unter „parallel“ einordnet: ein zweiter Agent, der die Befunde des ersten widerlegen soll. Am 28. August hatten wir sieben Befunde zu einem Fehler in einem internen Werkzeug, bevor wir den Code umbauen wollten. Ein zweiter Agent bekam jede Behauptung einzeln, mit dem Auftrag, sie zu prüfen und nichts zu ändern. Er bestätigte alle sieben, lieferte aber vier Korrekturen. Eine davon hätte uns eine neue Fehlerart eingebaut, die nirgends als Fehler aufgefallen wäre. Ebenfalls gut funktioniert haben Recherchen mit klar getrennten Fragen und Änderungen an Teilen eines Projekts, die sich nicht berühren. Das deckt sich mit Anthropic: Recherche lasse sich gut aufteilen, die meisten Programmieraufgaben dagegen weniger, und wo alle Agenten denselben Kontext brauchen, seien Mehr-Agenten-Systeme derzeit keine gute Wahl. ## Unsere Regeln seit Oktober Aus diesen Erfahrungen sind feste Regeln geworden. Die wichtigste: Was ein Agent schon herausgefunden hat, wird einmal aufgeschrieben und allen anderen als Datei mitgegeben, mit Fundstellen und bereits geprüften Befunden. So liest nicht jeder das ganze Projekt neu ein. Dazu kommen drei weitere. Lieber zwei oder drei zusammenhängende Pakete als fünf kleine Agenten, weil jeder Agent erst einmal einlesen muss. Jeder Helfer prüft nur das, was er selbst geändert hat, die volle Testreihe läuft genau einmal am Ende. Und für einfache Teile wie Grafik oder Messungen nehmen wir ein kleineres, günstigeres Modell, das große nur für das Zusammenführen. Diese Regeln stehen wörtlich in jeder Auftragsdatei für einen Helfer. Dass das nötig ist, hat der 17. Oktober gezeigt: Eine Regel, die nur im Kopf des Hauptagenten steht, kommt bei den Helfern nicht an. ## Was das für Ihren Betrieb heißt Für den einzelnen Nutzer in ChatGPT nimmt OpenAI die Aufteilung ab. Ob die Agenten dabei doppelt arbeiten oder sich gegenseitig blockieren, sieht man nur, wenn man die Teilaufgaben auch öffnet. Das sollte man anfangs tun, gerade bei Aufgaben, die mit Plugins und Werkzeugen auf Firmendaten zugreifen. Wer selbst Agenten aufsetzt, sollte vor dem zweiten Agenten drei Fragen klären. Welche Teile der Aufgabe sind wirklich unabhängig? Welche Ressourcen teilen sich die Agenten, vom Testsystem bis zur Datenbank? Und wer prüft am Ende das zusammengesetzte Ergebnis, statt nur jedes Teil für sich? Wenn auf die erste Frage keine klare Antwort kommt, ist ein einzelner Agent mit guter Vorgabe meist billiger und nicht schlechter. Und wenn ein Agent auf Firmensysteme zugreift, gehört vorher geregelt, was er lesen und was er schreiben darf. Wie das aussehen kann, haben wir in [KI-Agent ans ERP anbinden](https://www.krynexlabs.de/blog/ki-agent-erp-anbinden-lesen-schreiben/) beschrieben. Wenn Sie Agenten im eigenen Betrieb einführen wollen und dabei nicht mit fünf parallelen Agenten anfangen möchten, sondern mit einem, der nachweislich funktioniert, [melden Sie sich bei uns](https://www.krynexlabs.de/kontakt/). ## Quellen Alle abgerufen am 20.10.2026. - OpenAI Help Center: [ChatGPT Release Notes](https://help.openai.com/en/articles/6825453-chatgpt-release-notes), Eintrag „Updates to GPT-6 Pro model in ChatGPT“ vom 16.10.2026 - OpenAI: [ChatGPT Preise](https://openai.com/chatgpt/pricing/) (Pro ab 103 Euro, GPT-6 Astra) - Anthropic Engineering: [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), 13.06.2025 (Tokenverbrauch 4- und 15-fach, 90,2 Prozent, Grenzen bei Programmieraufgaben) - runtimewire: [OpenAI adds parallel agents to GPT-6 Pro in ChatGPT](https://runtimewire.com/article/openai-gpt-6-pro-chat-multi-agent-upgrade) - Eigene Protokolle vom 28.08., 12.10., 16.10. und 17.10.2026 *Stand: 20. Oktober 2026. Sobald OpenAI Zahlen zu Verbrauch oder Qualität der parallelen Agenten veröffentlicht, ergänzen wir den Beitrag.* ## Häufige Fragen Was ist neu an GPT-6 Pro in ChatGPT? Laut den Release Notes von OpenAI vom 16. Oktober 2026 antwortet GPT-6 Pro im Chat schneller, nutzt Plugins und Werkzeuge besser und kann mehrere Agenten gleichzeitig an verschiedenen Teilen einer Aufgabe arbeiten lassen. Den Fortschritt sieht man im Gespräch, und für jede erledigte Teilaufgabe lässt sich öffnen, was der Agent getan hat. Die Funktion kommt schrittweise für berechtigte Pro-Nutzer, in Firmenarbeitsbereichen hängt sie von den Einstellungen ab. Sind parallele Agenten teurer als ein einzelner Agent? In der Regel ja, und zwar deutlich. Anthropic hat 2025 gemessen, dass ein Agent etwa viermal so viele Tokens verbraucht wie ein normaler Chat und ein System aus mehreren Agenten etwa fünfzehnmal so viele. In unserer eigenen Arbeit kamen fünf parallele Agenten an einem Tag auf je rund 350.000 bis 440.000 Tokens, vor allem weil jeder dieselben Prüfungen noch einmal laufen ließ. Wann lohnt es sich, eine Aufgabe auf mehrere KI-Agenten zu verteilen? Wenn die Teile wirklich unabhängig sind: mehrere getrennte Recherchefragen, Prüfungen aus verschiedenen Blickwinkeln oder Änderungen an Modulen, die sich nicht berühren. Anthropic schreibt, Programmieraufgaben ließen sich meist schlechter aufteilen als Recherche. Bei uns hat sich vor allem ein zweiter Agent bewährt, der die Befunde des ersten gezielt zu widerlegen versucht. Was geht bei parallelen Agenten typischerweise schief? Drei Dinge haben wir selbst erlebt: Agenten machen dieselbe Arbeit doppelt, sie warten auf eine gemeinsame Ressource wie einen Testbrowser, und sie greifen sich gegenseitig in gemeinsame Zustände, bei uns den Index eines Git-Repositorys. Anthropic beschreibt dieselben Muster, unter anderem Unteragenten, die exakt dieselben Suchen ausführen. Können Unternehmen GPT-6 Pro mit parallelen Agenten nutzen? Pro ist ein Tarif für Einzelpersonen und kostet in Deutschland ab 103 Euro im Monat. Für Business- und Enterprise-Arbeitsbereiche schreibt OpenAI nur, die Verfügbarkeit hänge von den Einstellungen und der Freischaltung ab. Wer mit Firmendaten arbeitet, sollte das in einem Firmentarif tun und vorher klären, auf welche Werkzeuge und Daten die Agenten zugreifen dürfen. ## Passend dazu Insights Claude Code Mods: Was die neuen Erweiterungen können und warum sie mit Ihren Rechten laufen → https://www.krynexlabs.de/blog/claude-code-mods-sicherheit-unternehmen/ Insights OpenAI-Modelle in Google Cloud: Was der Start für Betriebe in der EU bedeutet und was noch fehlt → https://www.krynexlabs.de/blog/openai-gpt-6-google-cloud-vertex-eu-datenschutz/ Insights Ein KI-Prüfer fälscht Dateien und beschädigt seine eigene Umgebung. Was OpenAIs Vorfallbericht für Agenten im Betrieb heißt → https://www.krynexlabs.de/blog/openai-pruefmodell-faelscht-dateien-beschaedigt-umgebung/ Insights Personal Agent Protocol: Wenn der KI-Agent Ihres Kunden an Ihre Website klopft → https://www.krynexlabs.de/blog/personal-agent-protocol-ki-agenten-kunden-website/