In dem leisen Summen eines modernen Büros ist eine neue Art von Arbeiter aufgetaucht: der Computer-Use-Agent. Dies sind Systeme der künstlichen Intelligenz, die nicht nur darauf ausgelegt sind, Text zu lesen oder Bilder zu generieren, sondern die tatsächlich an einem virtuellen Schreibtisch sitzen, einen Bildschirm betrachten und eine Maus bewegen oder auf einer Tastatur tippen, um reale Aufgaben zu erledigen. Sie können Flüge buchen, Tabellen organisieren oder komplexe Websites navigieren. Da diese Agenten immer leistungsfähiger werden, versuchen Forscher, sie dazu zu bringen, in Teams zusammenzuarbeiten, ganz ähnlich wie ein menschlicher Projektmanager, der verschiedene Teile eines Jobs an unterschiedliche Spezialisten delegiert. Die Hoffnung ist, dass man durch das Aufteilen einer großen, komplizierten Aufgabe in kleinere Stücke und das gleichzeitige Arbeiten mehrerer Agenten daran, das Team schneller und präziser als ein einzelner Agent, der alleine arbeitet, zum Ziel führt. Es gibt jedoch eine fundamentale physische Grenze, wie diese digitalen Arbeiter ihren Fortschritt teilen können. Während ein Agent problemlos eine Datei oder eine Textnotiz kopieren und an einen Teamkollegen übergeben kann, kann er nicht einfach seinen gesamten Arbeitsumgebung kopieren. Wenn ein Agent in einem gesicherten Konto angemeldet ist, ein Dutzend Browser-Tabs offen hat und mitten im Ausfüllen eines komplexen Formulars steckt, kann dieser spezifische Zustand des Computers nicht dupliziert und mit dem Zustand eines anderen Agenten zusammengeführt werden. Wenn zwei Agenten beginnen, an verschiedenen Teilen eines Problems zu arbeiten, driften ihre digitalen Umgebungen auseinander, und sie können später nicht einfach wieder zusammengenäht werden.

Diese Einschränkung schafft einen erheblichen Engpass für Teams von KI-Agenten. Wenn eine Aufgabe erfordert, dass ein Agent stundenlang eingeloggt bleibt, während ein anderer Agent im Hintergrund Daten sammelt, muss das Team entscheiden, wie es mit dem lebendigen, sich entwickelnden Zustand des Computers umgeht. Frühere Versuche, dies zu lösen, stützten sich oft auf Ad-hoc-Lösungen, bei denen das System versuchte, Zustände zu mergen, oder wertvollen Fortschritt verworfen und von vorn begann, was zu Zeitverschwendung und Fehlern führte. Ein Team von Forschern von Scale AI, der University of Texas at Dallas und der Johns Hopkins University hat einen neuen Weg vorgeschlagen, diese Teams zu organisieren, genannt Spine-Branch Coordination (Rücken-Ast-Koordination). Anstatt zu versuchen, inkompatible Umgebungen zu erzwingen, akzeptiert ihr Framework die Einschränkung als eine Kernregel des Spiels. Sie haben ein System entworfen, bei dem ein Agent, der „Spine“ (Rücken), den Hauptfaden der Aufgabe trägt und den lebendigen Computerzustand von Anfang bis Ende intakt hält. Währenddessen laufen andere Agenten, die „Branches“ (Äste), parallel auf frischen, austauschbaren Computern, um Informationen zu sammeln oder isolierte Aufgaben auszuführen. Sobald ein Branch-Agent seine Arbeit beendet und ein greifbares Ergebnis produziert, wie etwa eine heruntergeladene Datei oder eine Textzusammenfassung, wird sein Computer einfach ausgeschaltet und verworfen. Die Information, die er gefunden hat, wird dann an den Spine-Agent übergeben, welcher den Hauptworkflow fortsetzt, ohne jemals zwei verschiedene Computerzustände zusammenführen zu müssen.

Die Forscher testeten diesen Ansatz bei zweihundert langen und komplexen Aufgaben, die mehrstufige Arbeitsabläufe beinhalteten, wie etwa die Planung einer Reise oder die Recherche von Produkten über mehrere Websites hinweg. Sie verglichen ihr Spine-Branch-System mit einer Baseline-Methode, die versuchte, mehrere Agenten ohne diese strikte Trennung zu verwalten, sowie mit einem einzelnen Agenten, der alleine arbeitete. Die Ergebnisse waren über verschiedene Arten von KI-Modellen hinweg eindeutig und konsistent. Das Spine-Branch-System konnte die Aufgaben signifikant häufiger erfolgreich abschließen und verbesserte die Erfolgsquote im Vergleich zur bisher besten Multi-Agenten-Methode um zwischen 6,0 % und 16,5 %. Vielleicht noch überraschender war, dass es auch viel günstiger in der Ausführung wurde. Durch die Vermeidung der Notwendigkeit, ständig Computerzustände neu zu starten oder zu rekonstruieren, reduzierte das System die Kosten pro Aufgabe um 34 % bis 70 %. Die Studie zeigte, dass diese Methode besonders effektiv für die schwierigsten Aufgaben war, bei denen die Fähigkeit, eine kontinuierliche, ununterbrochene Linie der Arbeit aufrechtzuerhalten, es den Agenten ermöglichte, komplexe Sequenzen zu navigieren, ohne sich zu verirren oder kostspielige Fehler zu machen.

Der Erfolg des Systems beruht auf einer klaren Arbeitsteilung, die die physische Realität der Funktionsweise von Computern respektiert. Der „Spine“-Agent ist der Einzige, der die Hauptsitzung aufrechterhält und Dinge wie Login-Sitzungen und offene Fenster bewahrt, die schwer oder unmöglich zu rekonstruieren wären. Er bewegt sich Schritt für Schritt vorwärts und übernimmt den Zustand des vorherigen Schritts. Die „Branch“-Agenten können frei parallel arbeiten, verschiedene Websites erkunden oder Daten analysieren, werden aber als temporär behandelt. Sie müssen keinen langfristigen Zustand aufrechterhalten; sie müssen lediglich ein Ergebnis produzieren, das als Datei oder Text gespeichert werden kann. Wenn ein Branch fertig ist, wird sein Computer verworfen und sein Ergebnis an den Spine übergeben. Dieses Design eliminiert die Notwendigkeit für einen zentralen Manager, der ständig versucht, widersprüchliche Computerzustände zu vereinbaren – ein Prozess, der in früheren Systemen oft zu Fehlern führte. Stattdessen ist der Informationsfluss so strukturiert, dass der Live-Zustand in einer Richtung entlang des Spine fließt, während statische Informationen frei zwischen allen Agenten fließen können, die sie benötigen.

In ihren Experimenten stellten die Forscher fest, dass diese Struktur es dem Team von Agenten ermöglichte, effizienter und mit weniger Fehlern zu arbeiten. Bei den schwierigsten Aufgaben, bei denen sich der Workflow über viele Schritte erstreckte, behielt das Spine-Branch-System seine Leistung bei, während die Erfolgsquoten anderer Methoden stark absanken. Das System reduzierte auch die Anzahl der Fälle, in denen die KI ihre Aktionen neu starten oder neu planen musste, was Zeit und Geld sparte. Die Forscher merkten an, dass dieser Ansatz gut über verschiedene Modelle hinweg funktionierte, von kleineren, weniger leistungsfähigen Agenten bis hin zu größeren, fähigeren. Selbst wenn der zentrale Planungsagent weniger leistungsstark war, blieb die Spine-Branch-Struktur robust, was darauf hindeutet, dass die Art und Weise, wie die Aufgaben organisiert waren, wichtiger war als die rohe Intelligenz des Managers. Die Studie hob auch hervor, dass nicht jede Aufgabe davon profitiert, aufgeteilt zu werden; für sehr einfache Jobs kann der Overhead der Koordination mehrerer Agenten die Prozesse tatsächlich langsamer und teurer machen. Doch für die komplexen, langfristigen Aufgaben, die die Zukunft der KI-Arbeit darstellen, bietet die Spine-Branch-Methode einen zuverlässigen Weg, um zu skalieren, ohne an der Wand inkompatibler Computerzustände abzuprallen.

Die Implikationen dieser Arbeit gehen über die bloße Beschleunigung von KI-Agenten hinaus. Sie legen eine neue Art des Denkens darüber nahe, wie man Systeme baut, die mit der realen Welt interagieren. Indem die Forscher die Unfähigkeit, Computerzustände zu mergen, als eine fundamentale Einschränkung behandelten, statt als einen Bug, den es zu beheben gilt, schufen sie ein Framework, das sowohl einfacher als auch effektiver ist. Das System versucht nicht, das Unmögliche zu erzwingen; es arbeitet innerhalb der Grenzen der Technologie, um den effizientesten Weg zu finden. Dieser Ansatz ermöglicht es mehreren Agenten, zusammenzuarbeiten, ohne sich gegenseitig in die Quere zu kommen, indem er sicherstellt, dass der wertvolle, lebendige Zustand einer Computersitzung bewahrt wird, während gleichzeitig die Geschwindigkeit und Breite paralleler Arbeit genutzt werden kann. Während Computer-Use-Agenten immer weiter evolvieren, wird die Fähigkeit, sie effektiv zu koordinieren, genauso wichtig sein wie ihre individuelle Intelligenz, und die Spine-Branch-Methode liefert einen klaren Bauplan, wie man diese Koordination praktisch und skalierbar erreicht.