Was eine Microsoft-Studie über Informationsverlust in Agentensystemen zeigt und warum Unternehmen das nicht ignorieren sollten.

Jeder kennt das Spiel „Stille Post“: Eine Botschaft wandert von Person zu Person, und obwohl sich jeder bemüht, kommt am Ende oft etwas anderes an als ursprünglich gesagt. In agentischer KI wiederholt sich dieses Muster, nur unbemerkt: Ein Agent übernimmt die Information eines anderen, baut darauf auf und reicht sie weiter. Mit jeder Übergabe entfernt sich die Information ein kleines Stück vom Original.

Dabei versprechen agentische KI-Systeme eigentlich das Gegenteil. Informationen sollen automatisiert entlang ganzer Prozessketten verarbeitet werden: Ein Agent analysiert Daten, ein weiterer trifft Entscheidungen, ein dritter erstellt Antworten oder stößt den nächsten Prozessschritt an. Für Unternehmen klingt das nach dem logischen nächsten Schritt zu mehr Effizienz und Automatisierung.

Eine aktuelle Studie von Microsoft Research hat diesen Effekt systematisch untersucht. Selbst die drei leistungsstärksten Sprachmodelle verfälschen nach 20 aufeinanderfolgenden Bearbeitungsschritten desselben Dokuments durchschnittlich ein Viertel des ursprünglichen Dokumentinhalts, über alle 19 getesteten Modelle hinweg steigt der Verlust auf etwa die Hälfte. Der Schaden entsteht nicht durch spektakuläre Fehlfunktionen oder offensichtliche Halluzinationen, sondern schrittweise und oft unbemerkt. Das Ergebnis bleibt dabei plausibel. Nur stimmt es zunehmend nicht mehr.

Was bedeutet das für Unternehmen, die KI-Agenten gerade deshalb einsetzen, um Prozesse zu beschleunigen?

Die verbreitete Annahme: Mehr Delegation bedeutet mehr Effizienz

Die Erwartungen an KI-Agenten sind hoch. Viele Unternehmen behandeln sie wie digitale Kollegen: Eine Aufgabe wird einmal beschrieben, die Bearbeitung läuft danach weitgehend autonom. Weil moderne Sprachmodelle bei Einzelaufgaben oft überzeugen, liegt die Annahme nahe, dass sich diese Qualität auch über längere Prozessketten mit mehreren Agenten hält, in denen jeder Agent auf der Arbeit des vorigen aufbaut.

Die Forschenden von Microsoft Research haben deshalb geprüft, ob Informationen zuverlässig erhalten bleiben, wenn ein Sprachmodell über viele Schritte hinweg am selben Dokument arbeitet. Jeder Schritt übernimmt das Ergebnis des vorigen. Entfernt sich der Inhalt dabei Schritt für Schritt vom Original, ähnlich wie bei menschlichen Teilnehmern einer Stillen Post?

Bei der klassischen Stillen Post wird am Ende meist gelacht, weil die Botschaft offensichtlich verfälscht ist. In Agentensystemen bleiben solche Abweichungen dagegen häufig verborgen, weil die Ergebnisse weiterhin konsistent, logisch und professionell formuliert wirken. Gerade deshalb werden sie selten hinterfragt.

Was die Studie zeigt

Die Studie „LLMs Corrupt Your Documents When You Delegate“ von Philippe Laban, Tobias Schnabel und Jennifer Neville (Microsoft Research) erschien im April 2026 als Preprint auf arXiv. Für den Benchmark DELEGATE-52 bauten die Forschenden 310 Arbeitsumgebungen aus 52 Berufsdomänen, von Buchhaltung über Programmcode bis Notenschrift. 19 Sprachmodelle mussten darin wiederholt dieselben Dokumente bearbeiten: erst eine Anweisung ausführen, dann die Gegenanweisung, am Ende sollte wieder das Original herauskommen. Nach 20 solcher Übergaben verglichen die Forschenden das Ergebnis mit dem Original. Jeder Bearbeitungsschritt baut dabei auf dem Ergebnis des vorherigen auf, ähnlich wie in einer Agentenkette, in der jeder Agent die Ausgabe seines Vorgängers übernimmt. Die Resultate sind alarmierend: In mehr als 80 Prozent der getesteten Kombinationen aus Modell und Fachgebiet beobachteten die Forschenden eine sogenannte „katastrophale Korruption”: Davon sprechen die Forschenden, sobald mindestens 20 Prozent des ursprünglichen Inhalts verfälscht sind. Selbst das beste getestete Modell arbeitete nur in 11 von 52 Fachgebieten zuverlässig, also mit mindestens 98 Prozent Übereinstimmung zum Original.

Wichtiger als die genaue Prozentzahl ist, dass dieser Verlust meist unsichtbar bleibt. Gerade die stärksten Modelle löschen dabei seltener Inhalte, sondern verändern sie – Fehler, die nur bei genauer Prüfung auffallen. Es fällt nicht auf, an welcher Stelle sich die Information verändert hat. Stattdessen wandert die veränderte Information durch die gesamte Kette und wird von jedem weiteren Agenten als Grundlage für die nächste Entscheidung genutzt. Am Ende steht eine Antwort, die vollständig wirkt und richtig klingt, obwohl die zugrunde liegende Wissensbasis bereits erodiert ist.

Warum mehr Autonomie das Problem nicht löst

Ein zentrales Ergebnis der Studie widerspricht einer verbreiteten Erwartung: Mehr Autonomie führt nicht automatisch zu besseren Ergebnissen. Als die Forschenden die Modelle zusätzlich mit Werkzeugen wie Dateizugriff und Code-Ausführung ausstatteten, verbesserte sich die Qualität der Ergebnisse nicht – im Durchschnitt verschlechterte sie sich sogar um weitere sechs Prozentpunkte.

Ein zweiter Effekt verstärkt das Problem: Je größer die verarbeiteten Dokumente und je länger die Delegationskette, desto schneller wächst der Informationsverlust. Beide Faktoren addieren sich nicht einfach, sie verstärken sich gegenseitig. Der Schaden entsteht dabei laut Studie nicht durch viele kleine Ungenauigkeiten, sondern durch seltene, aber schwere Fehler: Einzelne Einbrüche machen rund 80 Prozent des gesamten Verlusts aus. Je länger die Kette, desto wahrscheinlicher wird ein solcher Einbruch, und jeder weitere Schritt baut auf dem beschädigten Ergebnis auf.

Damit wird aus einem technischen Detail ein geschäftliches Risiko: Die Antworten bleiben überzeugend, logisch aufgebaut und sprachlich sauber formuliert. Das Problem ist nicht ihre Plausibilität, sondern ihre Herkunft. Denn Plausibilität ist nicht dasselbe wie Evidenz. Aus unserer Sicht liegt darin eine der größten Herausforderungen für Unternehmen, die KI-Agenten produktiv einsetzen wollen. Wenn niemand mehr nachvollziehen kann, wie ein Ergebnis entstanden ist, wird es zunehmend schwer zu erkennen, ob eine Antwort tatsächlich richtig ist oder nur richtig klingt.

Was Agentenketten brauchen: Kontrollpunkte und Human-in-the-Loop

Agenten können Abläufe orchestrieren und Aufgaben koordinieren, sie garantieren aber nicht automatisch, dass Informationen dabei korrekt, vollständig und konsistent bleiben. Die Microsoft-Studie hält fest, dass Nutzer solche Systeme weiterhin eng überwachen müssen. Das heißt nicht, weniger zu automatisieren. Es braucht aber eine Architektur mit Kontrollpunkten, an denen Informationsverlust und Fehler auffallen, bevor sie sich durch die Agentenkette fortpflanzen.

Drei Bausteine sind dabei entscheidend:

• Nachvollziehbarkeit über jeden Verarbeitungsschritt: Wer nur das Endergebnis sieht, erkennt kaum, an welcher Stelle Informationen verloren gegangen oder Fehlinterpretationen entstanden sind. Deshalb sollte jeder Schritt dokumentieren, auf welchen Informationen und Quellen er beruht.
• Kontrollpunkte an den richtigen Stellen: Nicht jeder Zwischenschritt muss manuell geprüft werden. Dort, wo fachliche, regulatorische oder wirtschaftliche Risiken entstehen, sollten Ergebnisse jedoch überprüfbar sein und bei Bedarf durch Menschen freigegeben werden (Human-in-the-Loop).
• Gezielter Zugriff auf verlässliche Quellen: Jeder Verarbeitungsschritt sollte genau die Informationen holen, die er tatsächlich benötigt, und zwar aus definierten Quellen statt aus dem Ergebnis seines Vorgängers. Sonst werden Fehler und Auslassungen von Schritt zu Schritt weitergegeben.

Diese Schwachstelle macht die Microsoft-Studie sichtbar: Wo jeder Agent das Ergebnis seines Vorgängers einfach übernimmt, gibt es keine Stelle, an der ein Fehler auffallen könnte. Die Forschenden weisen selbst darauf hin, dass Systeme im Produktiveinsatz diese Effekte etwa durch Verifikationsschleifen abmildern können. Genau darauf kommt es an: auf eine Architektur, die jeden Schritt prüft, statt Ergebnisse ungeprüft weiterzureichen.

Plausibilität und Evidenz: Wie DAPHY^® diese Architektur umsetzt

Klassischen Agentensystemen fehlt diese Architektur häufig: Sie übergeben Informationen direkt an Sprachmodelle, die auf Basis statistischer Wahrscheinlichkeiten Antworten erzeugen, die überzeugend wirken können, ohne dass klar ist, ob die zugrunde liegenden Informationen tatsächlich belastbar sind. Hinzu kommt ein strukturelles Problem. Das Wissen für eine fundierte Antwort steckt selten in einem einzigen Dokument und auch nicht ausschließlich im Modell selbst, es verteilt sich auf viele Datenquellen, Fachsysteme und Dokumente. Retrieval-Ansätze wie RAG (Retrieval-Augmented Generation: das Modell durchsucht vor der Antwort gezielt eigene Dokumente) können relevante Informationen liefern, verhindern Halluzinationen damit aber nicht automatisch.

DAPHY^®, der Reasoning Orchestrator von moresophy, steuert die einzelnen Schritte einer Anfrage, statt sie einem einzelnen Modell zu überlassen, und setzt deshalb früher an. Bevor das eigentliche Reasoning beginnt, werden Daten und Dokumente semantisch erschlossen: Begriffe werden eindeutig definiert, Entitäten und Beziehungen aufgelöst, fachliche Zusammenhänge systemübergreifend verknüpft. Erst auf dieser Grundlage beginnt die eigentliche Verarbeitung. DAPHY^® zerlegt eine Anfrage dafür in nachvollziehbare Reasoning-Schritte und setzt aus einzelnen Skills (definierten, testbaren Fähigkeiten für Teilaufgaben) einen Ausführungsplan zusammen. Die Daten, die ein Schritt braucht, zieht es gezielt aus den definierten Quellen heran.

Jeder Verarbeitungsschritt bleibt dabei nachvollziehbar und lässt sich aus der Logik der Daten ableiten. Diese Herleitung wird mitsamt genutzter Quellen, angewendeter Regeln, eingesetzter Skills und Konfidenzwerten (wie sicher das System bei einer Schlussfolgerung ist) systematisch protokolliert. Wie autonom das System arbeitet, lässt sich je nach Anwendungsfall festlegen, und die Kontrollpunkte werden direkt in den Skills definiert: Wo fachliche oder regulatorische Anforderungen es verlangen, prüft und entscheidet an diesen Stellen ein Mensch im Human-in-the-Loop-Verfahren.

Der entscheidende Unterschied liegt deshalb nicht in einem größeren Modell oder einem besseren Prompt, sondern in der Architektur. Während klassische Agentensysteme Fehler häufig unbemerkt weiterreichen, erkennt DAPHY^® unklare oder widersprüchliche Angaben, kennzeichnet offene Punkte und dokumentiert jeden Schritt: Ist nicht klar definiert, welche Version einer Quelle gilt, fragt das System nach. So werden Abweichungen sichtbar, bevor sie sich durch die Agentenkette ziehen. Bestehende Agentenplattformen müssen dafür nicht ersetzt werden: Über Agent-to-Agent-Protokolle (A2A, eine Schnittstelle, über die KI-Agenten direkt Anfragen und Antworten austauschen) lässt sich DAPHY^® als spezialisierter Wissens-Agent einbinden und übernimmt die Qualitätssicherung, die vielen Agentensystemen bislang fehlt.

Wo Agentenketten in der Praxis scheitern

Wie relevant dieses Problem ist, zeigt sich in wissensintensiven Prozessen.

Im Schadenmanagement eines Versicherers will eine Sachbearbeiterin wissen, ob ein Wasserschaden gedeckt ist. Die entscheidenden Informationen liegen dabei nicht an einer Stelle: Versicherungsbedingungen stehen im Dokumentenmanagement, Vertragsnachträge im Bestandssystem, frühere Schäden in der Schadenhistorie. Ein erster Agent trägt die relevanten Klauseln aus diesen Quellen zusammen, ein zweiter bewertet die Deckung, ein dritter formuliert die Antwort. Lässt bereits der erste Agent eine Einschränkung aus einem Nachtrag weg oder gibt sie verkürzt wieder, trägt die gesamte Kette diesen Fehler weiter. Die Antwort wirkt fachlich korrekt, obwohl ihre Grundlage nicht mehr vollständig stimmt. Eine Architektur mit durchgängiger Herleitung kann jede übernommene Klausel mit ihrer Fundstelle abgleichen, die Abweichung sichtbar machen und die Bewertung an die Fachperson zurückgeben.

Dasselbe Muster zeigt sich im Mittelstand, hier bei der wiederholten Bearbeitung derselben Datei. Ein Großhändler will auf eine Ausschreibung innerhalb weniger Minuten ein Gebot abgeben. Dafür muss eine vorgegebene Gebotsdatei befüllt werden: Mehrere Agenten holen Produktdaten, Preise und Verfügbarkeiten aus verschiedenen Systemen, verknüpfen sie, berechnen die Positionspreise und tragen alles nacheinander in dieselbe Datei ein. Jeder Agent übernimmt die Datei dabei im Zustand, in dem sein Vorgänger sie hinterlassen hat. Überschreibt ein späterer Agent beim Eintragen der Positionspreise versehentlich eine bereits korrekt erfasste Menge, rundet einen Wert oder lässt eine Position weg, rechnen alle folgenden Schritte mit diesem Stand weiter. Die fertige Datei wirkt stimmig und vollständig, und die Abweichung fällt im ungünstigen Fall erst beim Kunden auf. Mit durchgängiger Herleitung lässt sich jeder Wert in der Gebotsdatei auf seine Quelle und seine Berechnung zurückführen. Nachträgliche Änderungen an bereits erfassten Werten werden sichtbar und lassen sich an definierten Prüfpunkten von einer Fachperson kontrollieren (Human-in-the-Loop).

In beiden Fällen liegt das Problem nicht primär im einzelnen Modell. Entscheidend ist, ob Abweichungen erkannt werden, bevor sie den nächsten Agenten in der Kette erreichen.

Mehr Agenten machen Ketten nicht verlässlicher

Die Microsoft-Studie zeigt: Je mehr Bearbeitungsschritte aufeinander aufbauen, desto mehr Inhalt geht unterwegs verloren. Das Ergebnis bleibt plausibel und klingt überzeugend, auch wenn es falsch ist. Agentenketten funktionieren nicht identisch, folgen aber demselben Grundprinzip der Informationsweitergabe – und damit potenziell auch denselben Mechanismen des Informationsverlusts.

Verlässlich werden Agentensysteme erst, wenn jede Informationsübergabe abgesichert ist, alle Schritte nachvollziehbar bleiben und Abweichungen erkannt werden, bevor sie sich fortpflanzen. Wie bei der Stillen Post entscheidet nicht die letzte Person in der Kette über die Qualität der Botschaft, sondern ob die ursprüngliche Information auf ihrem Weg erhalten bleibt. Andernfalls automatisieren Unternehmen nicht nur Prozesse, sondern auch Fehler, und die Kette wird zur technischen Stillen Post – nur dass am Ende niemand lacht.

Mehr Agenten machen eine Informationskette nicht automatisch verlässlicher. Eine Instanz, die Wissen prüft, absichert und nachvollziehbar dokumentiert, schon. Mit DAPHY^® lässt sich genau diese Ebene in bestehende Agentenplattformen integrieren, ohne sie zu ersetzen.

Neugierig, wie sich Agentenketten in Ihrem Unternehmen absichern lassen, ohne an Tempo zu verlieren? Sprechen Sie mit uns.