Claude Subagents vs. Agent-Teams: So nutzt du KI-Agenten richtig (Anleitung Deutsch)
KI-Agenten verändern gerade die Art, wie wir arbeiten. Doch die meisten kennen den Unterschied zwischen Subagents und Agent-Teams nicht. Dabei entscheidet genau dieses Wissen darüber, ob du Stunden sparst oder Token verschwendest. In diesem Artikel erfährst du, was Claude Subagents und Agent-Teams sind, wann du welchen Modus wählst und wie du sie Schritt für Schritt einrichtest. Egal ob Entwickler, Marketing-Profi oder Geschäftsführer: Nach diesem Guide weißt du, wie du KI-Agenten produktiv einsetzt.
Was ist Claude Code und warum solltest du es kennen?
Claude Code ist Anthropics agentisches Coding-Tool. Es läuft direkt im Terminal. Anders als klassische Chat-Assistenten liest und schreibt es Dateien auf deinem System. Es führt Shell-Befehle aus. Es arbeitet mit deinem echten Projekt.
Laut einem Bericht von SemiAnalysis stammen bereits 4 % aller öffentlichen GitHub-Commits von Claude Code. Das sind über 135.000 Commits pro Tag. Bis Ende 2026 könnte dieser Anteil auf über 20 % steigen.
Boris Cherny, Head of Claude Code bei Anthropic, sagt offen: Sein Team schreibt 100 % des Codes mit Claude Code. Seit November 2025 hat er keine einzige Zeile mehr von Hand bearbeitet. Die Produktivität seines Teams stieg um 200 %.
Das zeigt: Coding erreicht gerade seine Automatisierung. Und die Werkzeuge dafür sind Subagents und Agent-Teams.
Was sind Claude Subagents?
Subagents sind leichte Helfer-Agenten innerhalb einer einzigen Session. Stell dir einen Teamleiter vor, der Aufgaben an Mitarbeiter verteilt. Die Mitarbeiter arbeiten ihre Aufgabe ab und liefern das Ergebnis zurück. Danach sind sie fertig.
So funktioniert es technisch:
- Dein Lead-Agent erkennt, dass er mehrere Aufgaben parallel lösen muss.
- Er startet Subagents, die jeweils ein eigenes Kontext-Fenster erhalten.
- Die Subagents arbeiten parallel und liefern Ergebnisse zurück.
- Der Lead-Agent fasst die Ergebnisse zusammen.
- Danach werden die Subagents beendet und ihr Kontext gelöscht.
Der entscheidende Punkt: Subagents kommunizieren nicht untereinander. Sie berichten nur an den Lead-Agent zurück. Ihr Kontext-Fenster ist getrennt vom Haupt-Chat. Das spart enorm viel Kontext.
Vorteile von Subagents
- Eigenes Kontext-Fenster für jede Teilaufgabe
- Geringere Token-Kosten als Agent-Teams
- Ideal für fokussierte Einzel-Aufgaben wie Recherche oder Code-Review
- Kein Koordinations-Overhead zwischen den Agenten
Wann du Subagents nutzen solltest
Subagents eignen sich perfekt für schnelle, klar abgegrenzte Aufgaben. Zum Beispiel: fünf Web-Recherchen parallel laufen lassen. Oder drei Code-Dateien gleichzeitig prüfen. Die Ergebnisse fließen zurück an den Lead-Agent. Mehr braucht es nicht.
Was sind Claude Agent-Teams?
Agent-Teams gehen einen großen Schritt weiter. Hier startest du mehrere eigenständige Claude-Code-Instanzen, die miteinander arbeiten. Jede Instanz bekommt eine eigene Session und ein eigenes Kontext-Fenster.
Der wichtigste Unterschied zu Subagents: Die Teammitglieder kommunizieren direkt miteinander. Sie tauschen Ergebnisse aus. Sie können sich gegenseitig kritisieren und verbessern. Und sie bleiben nach ihrer Aufgabe persistent aktiv.
Anthropic beschreibt es so: Der Lead-Agent erstellt eine Liste von Aufgaben. Die einzelnen Agenten wählen Aufgaben aus dieser Liste und tauschen sich untereinander aus. Das läuft im Hintergrund über eine gemeinsame Aufgabenliste und ein Nachrichtensystem.
Vorteile von Agent-Teams
- Direkte Kommunikation zwischen den Agenten
- Jeder Agent hat eine eigene Session mit eigenem Kontext
- Persistent aktiv: Agenten bleiben bestehen und bauen auf ihren Ergebnissen auf
- Ideal für komplexe Projekte mit mehreren Ebenen
- Du kannst direkt mit einzelnen Teammitgliedern chatten
Wann du Agent-Teams nutzen solltest
Agent-Teams lohnen sich bei großen Projekten, bei denen verschiedene Perspektiven wertvoll sind. Zum Beispiel: Ein Agent recherchiert, ein zweiter erstellt Designs und ein dritter kritisiert die Ergebnisse. Genau dieses Kritiker-Prinzip hat Google im Paper-Banana-Paper untersucht. Das Ergebnis: Ein Agenten-Team mit Kritiker schlug menschliche Designer in 72,7 % der Fälle in einem Blindtest.
Schritt-für-Schritt: Agent-Teams einrichten
Du willst Agent-Teams selbst nutzen? Hier ist die Anleitung.
1. Agent-Teams aktivieren
Agent-Teams sind experimentell und standardmäßig deaktiviert. Du aktivierst sie über deine settings.json:
CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1
2. Tmux installieren und konfigurieren
Mit Tmux siehst du jeden Agenten in einem eigenen Terminal-Fenster. Das gibt dir Kontrolle über jeden einzelnen Agenten.
Installiere Tmux über Homebrew:
brew install tmux
Starte danach eine Tmux-Session und öffne Claude Code darin.
3. Das richtige Modell wählen
Anthropic empfiehlt: Nutze Opus 4.6 als Lead-Agent. Für die einzelnen Teammitglieder reicht Sonnet. Das spart erheblich Token.
Zusätzlich kannst du den Reasoning Effort einstellen. Für den Start reicht „Low". Erst wenn die Ergebnisse nicht gut genug sind, stellst du höher.
4. Den Prompt formulieren
Der Initialprompt ist entscheidend. Er wird in jeden Agenten injiziert. Beschreibe klar:
- Welche Rolle hat jeder Agent?
- Welche Dateien soll er lesen?
- Welches Ergebnis erwartest du?
- Welches Modell sollen die Teammates nutzen?
Ein Beispiel für ein Design-Team:
Du bist Teammitglied eines Agent-Teams für Design-Aufgaben. Dein Ziel: Lies das Dokument im Input-Ordner, extrahiere die wichtigsten Erkenntnisse und erstelle daraus Infografiken. Der Kritiker prüft jede Version und gibt konkretes Feedback.
5. Ergebnisse in Skills speichern
Hast du einen funktionierenden Workflow? Dann speichere ihn als Skill in deinem Workspace. So kannst du dein Agent-Team jederzeit über einen Befehl starten. Du kannst den Skill sogar mit Kollegen teilen.
Praxis-Beispiel: Das Paper-Banana-Agent-Team
Google hat mit dem Paper-Banana-Paper gezeigt, wie ein Agenten-Team mit fünf Rollen menschliche Designer übertrifft. Die Rollen:
- Eingabe-Agent: Verarbeitet das PDF-Dokument
- Researcher: Extrahiert die wichtigsten Ergebnisse
- Planer: Entscheidet, welche Daten sich für Grafiken eignen
- Visualizer: Erstellt die Grafiken über eine Bild-API
- Kritiker: Bewertet jede Grafik und gibt Feedback
Das Ergebnis nach drei Kritik-Runden erreichte eine Gewinnrate von 60,4 % gegenüber einfachen Prompts mit nur 45,1 %. Die Kritik-Schleife macht den Unterschied.
Dieses Prinzip lässt sich auf viele Bereiche übertragen. Denkbar sind Marketing-Pipelines, Creative-Workflows oder auch komplexe Aufgaben rund um KI-Agenten, bei denen mehrere Perspektiven das Ergebnis verbessern.
Warum KI-Agenten jetzt ihre finale Reife erreichen
Die Forschungs-Organisation METR misst mit dem Time-Horizon-Benchmark, wie lange ein KI-Agent autonom arbeiten kann. Die Ergebnisse sind beeindruckend:
- ChatGPT (Ende 2022): 50%-Horizont bei etwa 30 Sekunden
- GPT-4 (März 2023): 5,4 Stunden
- Claude Opus 4.5 (November 2025): 320 Minuten
- Claude Opus 4.6 (Februar 2026): 870 Minuten
Das ist eine Verdopplung der autonomen Arbeitsfähigkeit alle vier bis sieben Monate. METR selbst schreibt, dass ihre Aufgaben-Sammlung mit 228 Tasks fast gesättigt ist. Die neuesten Modelle sprengen die Benchmarks.
Extrapoliert man diese Kurve, erreichen KI-Agenten 2027 die Fähigkeit, einen vollständigen Acht-Stunden-Arbeitstag autonom durchzuarbeiten. Und das beschränkt sich nicht nur auf Code.
Was bedeutet das für Unternehmen?
Drei Dinge sind jetzt entscheidend.
Erstens: API-Kompatibilität schaffen. KI-Agenten arbeiten über Schnittstellen, nicht über Oberflächen. Wenn dein CRM, deine Buchhaltung oder dein Kundenservice keine saubere API bietet, können Agenten dort nicht arbeiten. Andrew Karpathy, einer der einflussreichsten KI-Forscher, beschreibt das als den „Tod der Nutzer-Oberflächen". Agenten leben in der Kommandozeile, nicht auf dem Bildschirm. Wer heute noch auf veraltete Software ohne Schnittstellen setzt, verliert den Anschluss.
Zweitens: Jede Stelle hinterfragen. Die Faustregel: Alles, was du einem neuen Mitarbeiter durch Checklisten und Handbücher beibringen musst, ist heute einem KI-Agenten beizubringen. Dario Amodei, CEO von Anthropic, warnt: KI könnte die Hälfte aller Büro-Einstiegspositionen in ein bis fünf Jahren ersetzen. Wer sich jetzt als AI Automations Manager positioniert, schafft sich eine zukunftssichere Karriere.
Drittens: Den „Integration Lag" überwinden. Die meisten großen Unternehmen haben die vorhandenen Tools schlicht noch nicht integriert. Das erklärt, warum der Effekt am Arbeitsmarkt bisher kaum sichtbar ist. Doch das ändert sich gerade schnell.
Open Source holt auf: EU-konforme Lösungen
Laut aktuellen Daten sind vier der fünf meist genutzten KI-Modelle nach Token-Verbrauch mittlerweile Open-Weight-Modelle. Sie machen rund 45 % des Marktes aus. Und das bei einem Bruchteil der Kosten.
Für Unternehmen in der EU ist das besonders relevant. Nicht jedes Unternehmen kann oder will alles über amerikanische Cloud-Anbieter laufen lassen. Die Zukunft liegt in EU-konformen, selbst gehosteten Open-Source-Lösungen. Diese laufen auf eigener Infrastruktur. Sie sind DSGVO-konform. Und sie machen unabhängig von einzelnen Anbietern.
Kontext-Management: Die wichtigste Ressource verstehen
Warum sind Subagents und Agent-Teams überhaupt nötig? Die Antwort liegt im Kontext-Fenster. Jedes KI-Modell hat ein begrenztes Fenster, in dem es Informationen verarbeitet. Bei Claude Code sind das standardmäßig rund 200.000 Token.
Anthropic selbst sagt: Die Leistung des Modells nimmt ab, wenn sich der Kontext füllt. Ist das Fenster voll, vergisst Claude frühere Anweisungen. Fehler häufen sich. Das Kontext-Fenster ist die wichtigste Ressource, die du verwalten musst.
Ein konkretes Beispiel verdeutlicht das Problem. Stelle dir eine typische Aufgabe vor: fünf Web-Recherchen mit je 15.000 Token, Referenz-Dateien mit 9.000 Token, Design-Versuche mit 10.000 Token und Agent-Anforderungen mit 20.000 Token. Das sind bereits 114.000 Token. Also 47 % des gesamten Kontext-Fensters nach einer einzigen Aufgabe.
Mit Subagents löst du dieses Problem elegant. Jeder Subagent bekommt ein eigenes Kontext-Fenster. Die gleiche Aufgabe lässt sich damit über 20 Mal ausführen, ohne an Qualität zu verlieren.
Bei Agent-Teams geht es noch weiter. Da jede Instanz eine komplett eigene Session hat, arbeitest du praktisch mit unbegrenztem Kontext. Allerdings zahlst du dafür auch dreifache Token-Kosten.
Kontext-Effizienz: Praktische Tipps für den Alltag
Damit deine Agenten-Workflows effizient laufen, beachte diese Tipps:
Markdown statt PDF nutzen. Wenn du einem Agenten Kontext mitgibst, verwende Markdown-Dateien statt PDFs. Markdown ist kompakter und lässt sich besser verarbeiten. Du kannst jede Webseite einfach als Markdown kopieren und im Ordner speichern.
CLAUDE.md als zentrale Datei pflegen. Diese Datei wird automatisch in jede Session geladen. Hier hinterlegst du Projekt-Kontext, Regeln und Referenzen. Für Agent-Teams ist sie besonders wichtig, da die Teammitglieder nicht den Chat-Verlauf des Lead-Agents erben.
Den Lead-Agent nur koordinieren lassen. Anthropic empfiehlt, dem Lead-Agent explizit zu sagen, dass er selbst nichts implementiert. Er delegiert nur. So bleibt sein Kontext-Fenster frei für die wichtigste Aufgabe: die Koordination.
Sonnet für Teammitglieder verwenden. Opus 4.6 ist das leistungsstärkste Modell. Aber für die einzelnen Agenten im Team reicht Sonnet völlig aus. Das reduziert die Token-Kosten erheblich, ohne die Qualität merklich zu senken.
Der Software-Crash: Warum die Märkte reagieren
Die Einführung von Claude Code und Agent-Teams hatte massive Auswirkungen auf die Finanzmärkte. Ende Januar 2026 lösten Anthropics Cowork-Skills den größten Software-Ausverkauf der Geschichte aus. Fast 300 Milliarden Dollar Verlust an einem einzigen Tag. Die Wall Street hatte begriffen: Teure Software-Lizenzen werden überflüssig, wenn eine KI dieselbe Arbeit mit Open-Source-Plugins erledigt.
Am 5. Februar veröffentlichte Anthropic dann Claude Opus 4.6 mit nativen Agent-Teams. Fortune titelte, Anthropics Claude habe einen billionenschweren Ausverkauf ausgelöst. JP Morgan beziffert den Gesamt-Schaden über zwölf Monate auf rund zwei Billionen Dollar. Das Analysehaus nennt es den größten Kursrückgang außerhalb einer Rezession seit über 30 Jahren.
Besonders aufschlussreich war der zweite Crash im Cybersecurity-Sektor. Am 20. Februar veröffentlichte Anthropic Claude Code Security. Dieses Tool scannt autonom ganze Code-Basen auf Sicherheitslücken. Im internen Test fand es über 500 bisher unbekannte Schwachstellen in Open-Source-Projekten. Crowdstrike, Cloudflare und Okta verloren jeweils rund 8 %.
Das zeigt: KI-Agenten ersetzen nicht nur einfache Aufgaben. Sie dringen in Bereiche vor, die bisher als letzte Bastion menschlicher Expertise galten.
Die Zukunft: Agenten als wirtschaftliche Akteure
Wohin führt die Reise? Drei Trends zeichnen sich ab.
Erstens: Agenten werden wirtschaftlich tätig. Das Projekt web4.ai baut eine Infrastruktur, in der Agenten eigene Wallets besitzen. Sie bezahlen mit Stable Coins. Sie upgraden sich selbst, wenn bessere Modelle erscheinen. Sie starten eigenständig Kind-Agenten, wenn es profitabel ist. Das sind noch Experimente. Aber die Richtung ist klar.
Parallel dazu gibt es das Projekt ClawWork der Universität Hongkong. KI-Agenten starten dort mit 10 Dollar Startkapital. Sie verdienen Geld durch echte Aufgaben aus 44 Berufsfeldern. Das beste Modell erwirtschaftete bereits 101 Dollar in sieben Stunden.
Zweitens: Die Bienenschwarm-Vision. Steve Yegge, ein ehemaliger Entwickler von Google und Amazon, hat mit über 40 Anthropic-Mitarbeitern gesprochen. Er beschreibt deren Arbeitsweise als Hive, einen Bienenschwarm. Informationen fließen in Echtzeit. Produkte entstehen in Tagen statt Quartalen.
Das ist die Vision für jedes Unternehmen: Agenten, die permanent arbeiten, Ergebnisse teilen und sich gegenseitig verbessern. Keine Meetings mehr, in denen Informationen ausgetauscht werden. Stattdessen: Echtzeit-Updates von Erkenntnissen im gesamten Unternehmen.
Drittens: Mathematik als Schlüssel. Die KI-Organisation Epoch AI hat 17 Benchmarks aus Mathematik, Coding und Reasoning verglichen. Das Ergebnis: Die Ranglisten sind über fast alle Benchmarks hinweg bemerkenswert konsistent. Es gibt offenbar eine gemeinsame Fähigkeitsachse. Und Mathematik wirkt wie der Schlüssel dieser Achse. Wenn KI Coding löst, verbessert sich auch alles andere: Legal, Finance, Datenanalyse und jede andere Wissensarbeit.
Häufige Fehler beim Einsatz von Agent-Teams
Wer Agent-Teams zum ersten Mal nutzt, stolpert oft über dieselben Fehler. Hier die wichtigsten Fallen:
Fehler 1: Opus für alle Agenten verwenden. Das kostet unnötig viel. Opus ist für den Lead-Agent reserviert. Die Teammitglieder arbeiten mit Sonnet genauso gut, aber deutlich günstiger.
Fehler 2: Keinen Kontext über die CLAUDE.md mitgeben. Die Teammitglieder erben keinen Chat-Verlauf. Ohne expliziten Kontext in der CLAUDE.md oder im Prompt arbeiten sie blind.
Fehler 3: Zu viele Agenten auf einmal starten. Drei bis fünf Agenten sind ein guter Start. Mehr als das erhöht die Kosten erheblich, ohne immer bessere Ergebnisse zu liefern.
Fehler 4: Die Rollen nicht klar definieren. Jeder Agent braucht eine klare Aufgabe. Ohne klare Rollen überlappen sie sich und produzieren doppelte Arbeit.
Fehler 5: Den Kritiker weglassen. Das Paper-Banana-Paper hat gezeigt: Der Kritiker-Agent macht den größten Unterschied. Ohne Kritik-Schleifen bleiben die Ergebnisse auf dem Niveau eines einfachen Prompts.
Für wen lohnt sich der Einstieg jetzt?
Agent-Teams sind nicht nur für Entwickler relevant. Im Gegenteil: Anthropic berichtet, dass immer mehr Nicht-Programmierer Claude Code nutzen. Produktmanager, Finanzanalysten und Berater setzen das Tool für ihre tägliche Arbeit ein.
Scott White, Head of Product bei Anthropic, sagt: Opus hat sich von einem reinen Coding-Modell zu einem Werkzeug für alle Wissensarbeiter entwickelt. Die gleichen Prinzipien von Subagents und Agent-Teams gelten überall dort, wo mehrere Perspektiven ein Ergebnis verbessern.
Konkrete Anwendungen außerhalb der Software-Branche:
- Marketing: Ein Researcher sammelt Marktdaten, ein Texter erstellt Entwürfe und ein Kritiker prüft Tonalität und Fakten.
- Recht: Ein Agent analysiert Vertragsdokumente, ein zweiter prüft Klauseln und ein dritter schreibt Empfehlungen.
- Finanzen: Ein Agent sammelt Quartalszahlen, ein zweiter erstellt Grafiken und ein dritter formuliert den Bericht.
Wer diese Workflows jetzt aufbaut und als Skills speichert, kann sie täglich mit einem Befehl starten. Das spart nicht nur Stunden pro Woche. Es verändert grundlegend, wie du arbeitest.
Fazit: Agent-Teams sind die Zukunft der Arbeit mit KI
Claude Subagents und Agent-Teams lösen ein grundlegendes Problem: das begrenzte Kontext-Fenster. Subagents sind ideal für schnelle, fokussierte Aufgaben. Agent-Teams entfalten ihre Stärke bei komplexen Projekten, bei denen Agenten sich gegenseitig verbessern.
Die Zahlen sprechen für sich. 4 % aller GitHub-Commits stammen bereits von Claude Code. Die autonome Arbeitsfähigkeit verdoppelt sich alle paar Monate. Unternehmen wie Google zeigen mit Paper Banana, dass Agenten-Teams menschliche Ergebnisse übertreffen können.
Wer jetzt lernt, mit Subagents und Agent-Teams zu arbeiten, verschafft sich einen enormen Vorsprung. Wer wartet, riskiert den Anschluss. Die Werkzeuge sind da. Die Ergebnisse sprechen für sich. Jetzt ist der richtige Zeitpunkt, um einzusteigen.
.png)
.webp)
.webp)
.webp)
.webp)
