Ein neuer Forschungsbeitrag stellt eine Grundsatzfrage — und liefert nebenbei ein Betriebshandbuch für alle, die agentic AI in Produktion bringen wollen.
Die gängige Erzählung geht so: Irgendwann kommt ein Model, das groß genug ist, um alles zu können. Forscher der Shanghai Jiao Tong University, des Shanghai Innovation Institute und der University of Oxford meinen, das stimmt nicht — und liefern mit Holos (arXiv:2604.02334, April 2026) ein System, das ihre Gegenposition konkret macht.
Die These: AGI entsteht nicht im Singular
Die Arbeit greift ein theoretisches Argument auf, das in der Community seit Jahren herumgeistert, aber selten so klar auf den Punkt gebracht wird: Das No-Free-Lunch-Theorem sagt im Kern, dass kein einzelnes System über alle denkbaren Aufgaben hinweg optimal sein kann. Jedes Model trägt spezifische Induktionsverzerrungen — Stärken in manchen Bereichen, Grenzen in anderen.
Holos setzt darauf, dass Intelligenz nicht als Artefakt eines einzelnen Monstersystems entsteht, sondern als Eigenschaft eines Ökosystems: eine Population spezialisierter Agenten, die kooperieren, konkurrieren, kommunizieren und sich gegenseitig kompensieren.
Das erinnert an Kevin Kellys Konzept des Holos aus The Inevitable — eine planetare kollektive Intelligenz, die aus der Verbindung von Menschen, Maschinen und Umwelt entsteht. Die Autoren haben den Namen bewusst gewählt.
Fünf Schichten, drei Module
Das System selbst ist eine Fünf-Schichten-Architektur, die den gesamten Agenten-Lebenszyklus abdeckt. Die Kerninnovation steckt in drei Modulen:
- Nuwa Engine — ein serverloses Hosting-System für Agenten. Agenten werden nicht als statische Instanzen betrieben, sondern bei Bedarf generiert und gehostet.
- Market-Driven Orchestrator — statt fester Workflows koordiniert ein marktbasierter Mechanismus die Aufgabenverteilung.
- Endogenous Value Cycle — ein internes Wirtschaftssystem, das Incentive-Kompatibilität sicherstellt.
Die Kombination richtet sich gegen drei konkrete Probleme, die LaMAS (LLM-Based Multi-Agent Systems) in der Praxis plagen: Skalierungsfriktion, Koordinationsbrüche und Wertdissipation.
Was das für Agentic Ops bedeutet im Alltag
Hier wird es für diejenigen interessant, die tatsächlich agentic AI in Produktion betreiben. Die Arbeit ist nicht primär ein Ops-Paper — aber sie adressiert Probleme, die jedes Team kennt, das über Demos hinausgeht.
Der marktbasierte Orchestrator ist der Punkt, der am ehesten in der Praxis ankommt. Wer Multi-Agenten-Systeme aufsetzt, hat normalerweise einen festen Routing-Graphen. Der marktbasierte Ansatz ersetzt den festen Graphen durch dynamische Allokation — ein Pattern, das an Micro-Services-Orchestrierung erinnert.
Der Value Cycle adressiert ein tieferes Problem: Wer Agenten über einen längeren Zeitraum laufen lässt, bekommt Incentive-Drift. Das Endogenous-Value-Cycle-Konzept ist ein Versuch, das systemisch zu lösen — statt jeden Agenten einzeln mit Prompts zu zähmen.
Agentic Web als Zielvision
Die Arbeit ist explizit darauf ausgerichtet, das Agentic Web zu ermöglichen: ein Ökosystem, in dem heterogene Agenten autonom interagieren und sich gemeinsam weiterentwickeln. Das ist ein anderes Kaliber als die üblichen Benchmark-Papers.
Die Autoren haben Holos öffentlich freigegeben — holosai.io ist die Anlaufstelle. Das gibt der Community die Möglichkeit, die Architektur aufzurufen und mit dem System zu experimentieren.
Einordnung
Die Arbeit ist frisch (April 2026) und theoretisch ambitioniert. Das macht sie nicht 1:1 in jeden Production-Stack übersetzbar. Aber die drei Kernmodule — serverloses Agenten-Hosting, marktbasierte Koordination, Incentive-Alignment — sind spezifisch genug, um als Inspirationsquelle für eigene Architekturentscheidungen zu dienen.
Quelle: Nie et al., Holos: A Web-Scale LLM-Based Multi-Agent System for the Agentic Web, arXiv:2604.02334 (April 2026).
https://arxiv.org/abs/2604.02334
https://holosai.io
Passend dazu: LLM News für aktuelle Entwicklungen und Artikel für vertiefende Guides.
Leave a Reply