KM4BI KM4BI

20 KI-Agenten bauten die Website meiner Frau für 8 Dollar neu, ohne dass ich ein Wort tippte

Ein praktisches Multi-Agenten-Experiment zeigt, wie Orchestrierung, günstige Arbeitsmodelle und unabhängige Prüfungen eine bessere barrierefreie Website…

Nate B. Jones beschreibt das Video als praktische Demonstration von Multi-Agenten-Orchestrierung: nicht ein perfekter Agent ohne Fehler, sondern eine kleine Software-Organisation mit klar verteilten Rollen. Der Anwendungsfall ist die Website von Elsa Hunison, einer taubblinden Autorin und Accessibility-Expertin, kurz vor einem Buchlaunch.

Der Vergleich ist deutlich. Ein früherer Neuaufbau mit einem einzelnen Agenten dauerte sechs Tage und hinterließ trotzdem eine Korrekturliste. Diesmal brachten rund zwanzig Agenten das Projekt von einem leeren Repository bis in die Produktion, während ein Premium-Modell plante, prüfte und entschied und günstigere Modelle die Umsetzung übernahmen.

Die Kernidee: Agentenberichte nicht einfach glauben

Jones’ zentrale These lautet: Halluzinationen sind nicht verschwunden, sie werden strukturell behandelt. Jede Aufgabe bekommt eine unabhängige Prüfaufgabe. Ein Worker-Agent kann melden, dass er fertig ist; akzeptiert wird das erst, wenn ein anderer Agent kompiliert, testet, vergleicht oder nachmisst.

Diese Schleife fand mehrere konkrete Fehler: paraphrasierte Zitate, die eigentlich wortgetreu sein mussten; versteckten Text, der Screenreader-Nutzer gestört hätte; einen Dark-Mode-Bug, der den Vorbestellbutton unsichtbar machte; und sogar einen Prüfer, der eine falsche Längenregel auf kurze Ankündigungen anwendete.

Ein Organigramm statt eines Super-Agenten

Auch die Kostenstruktur ist Teil der Lektion. Jones schätzt, dass derselbe Tokenumfang mit dem Premium-Modell allein etwa 85 bis 105 Dollar gekostet hätte. Durch Routing sank der gemessene Aufwand auf wenige Dollar, mit Nebenkosten auf 8 Dollar aufgerundet.

Das teure Modell übernimmt die Chefrolle: Spezifikationen schreiben, Standards definieren, Ergebnisse prüfen und Streitfälle entscheiden. Die günstigeren Modelle erledigen die wiederholbare Arbeit, solange die Prüfschleife streng genug ist.

Warum das für reale Projekte zählt

Das wichtigste Ergebnis ist nicht nur der Preis. Es ist die Möglichkeit, größere Arbeitspakete zu delegieren, ohne dass der Mensch jeden Zwischenfehler selbst kontrollieren muss. In diesem Beispiel entstand Qualität durch eine 14-Punkte-Accessibility-Verfassung und wiederholte Browsertests in hellem und dunklem Modus.

Für Jones ist der richtige Prompt für große Arbeit weniger eine riesige Aufgabenliste als ein überprüfbarer Standard. Man definiert einmal, was “richtig erledigt” bedeutet, und lässt das System diesen Standard Runde für Runde durchsetzen.

Merksatz

Multi-Agenten-Systeme werden einfacher und günstiger. Ihr Versprechen ist nicht, dass Modelle keine Fehler mehr machen, sondern dass Fehler vor der Veröffentlichung auffindbar, diskutierbar und reparierbar werden. Das ist ein wichtiger Schritt für alle, die KI größere Projekte als einzelne isolierte Aufgaben übergeben wollen.

Source