36 KI-Agenten lesen ein komplettes Behörden-Antragspaket — Gap-Analyse in einer Stunde statt in Wochen
Kurz gesagt
Ein Schwarm aus 36 spezialisierten KI-Agenten hat am 3. Juli 2026 ein komplettes Behörden-Antragspaket analysiert: 29 Dokumente, 22 Antragskapitel, Formulare und Fragebögen. Je Kapitel las ein eigener Analyse-Agent die Anforderungen, drei Recherche-Agenten prüften die Rechtslage im Web, ein Synthese-Agent baute die Gap-Analyse — und acht Prüf-Agenten versuchten anschliessend, die Kernaussagen zu widerlegen. Ergebnis nach rund 60 Minuten: eine Gap-Matrix über alle 22 Kapitel, 10 kritische Grundvoraussetzungen, 12 fertige Fragen für das Behördengespräch — und ein entdeckter Fehler im offiziellen Antragspaket selbst. Manuell wären das Tage konzentrierter Berater-Arbeit.
Was es bringt
Ein Agenten-Schwarm liest umfangreiche Antrags- und Vertragsunterlagen parallel statt nacheinander: 22 Kapitel gleichzeitig, jedes von einem eigenen Analyse-Agenten. Die Durchlaufzeit sinkt von Tagen auf rund eine Stunde, ohne dass ein Kapitel nur überflogen wird.
Adversariale Verifikation schützt vor Halluzinationen: Jede Kernaussage der Analyse wird von zwei unabhängigen Prüf-Agenten mit Web-Quellen gezielt angegriffen. Nur was dem Widerlegungsversuch standhält, landet im Ergebnis-Report.
Die Gap-Analyse ist sofort handlungsfähig: Jedes der 22 Kapitel bekommt einen Status von erfüllt bis kritisch plus eine konkrete Massnahme — daraus entsteht direkt die Projekt-Roadmap statt eines PDF-Friedhofs.
Das Ergebnis-Whiteboard liegt im offenen JSON-Canvas-Standard von Obsidian: Mensch und KI arbeiten auf derselben Datei, das Board ist git-versioniert und lässt sich — wie auf dieser Seite — interaktiv im Web einbetten.
Das Problem — und die Lösung
Problem
Behörden- und Zertifizierungsunterlagen sind umfangreich, verweisen aufeinander und verstecken harte K.-o.-Kriterien in Hinweisblättern. Sie manuell vollständig auszuwerten kostet Tage — und trotzdem bleibt die Unsicherheit, ob etwas Kritisches übersehen wurde.
Lösung
Ein orchestrierter Agenten-Schwarm: Skript extrahiert alle Dokumente zu Text, je Kapitel analysiert ein eigener Agent, Recherche-Agenten prüfen die Rechtslage, ein Synthese-Agent baut die Gap-Analyse, adversariale Prüf-Agenten attackieren jede Kernaussage. Das Ergebnis ist vollständig, belegt und in einer Stunde da.
36
spezialisierte KI-Agenten analysierten 29 Dokumente in ~60 Minuten — 1,8 Mio. Tokens, 245 Tool-Aufrufe
Eigenes Projekt-Log, heiner.io (3.7.2026)
Das echte Projekt-Whiteboard — zoomen, ziehen, erkunden
Dieses Board ist eine echte Obsidian-Canvas aus dem Projekt — gerendert im offenen JSON-Canvas-Standard. Zoomen, verschieben, Karten anfassen: erlaubt. Beim Neuladen ist alles wieder am Platz.
Ziehen, zoomen, Karten verschieben — beim Neuladen ist alles wieder am Platz. Genau dieses Board entstand als Obsidian-Canvas im echten Projekt.
+Board-Inhalte als Text
- Agenten-Schwarm liest ein Behördenpaket — 36 KI-Agenten analysieren einen kompletten Zulassungsantrag — an einem Nachmittag
- Offizielles Antragspaket einer Zertifizierungsstelle — 22 nummerierte Kapitel: Formulare, Hinweisblätter, Anlagen — (Infrastruktur, Personal, Finanzen, QM, Verträge ...)
- Dazu: Behörden-Fragebogen (Kostenangebot), Beraterliste, — archivierte E-Mail-Korrespondenz aus 2025
- Vorverarbeitung (Skript, deterministisch): — 29 PDF/DOCX-Dateien automatisch zu Klartext extrahiert — — erst dann lohnt der Agenten-Einsatz
- 24 Analyse-Agenten — je einer pro Kapitel — Extrahieren: Pflicht-Nachweise, Formularfelder, — Raum-/Infrastruktur-Anforderungen, Stolpersteine
- 3 Web-Recherche-Agenten (parallel) — Rechtslage Online-Träger, Pflicht-Nachweise einer GmbH, — Prozess + Kosten der Zertifizierungsstellen
- 1 Synthese-Agent — Führt alle 27 Ergebnisse zur Gap-Analyse zusammen: — Was erfüllt das Unternehmen — was fehlt, was ist kritisch?
- 8 Prüf-Agenten (adversarial) — Versuchen die Kernaussagen zu WIDERLEGEN — — jede These wird von 2 unabhängigen Skeptikern mit — Quellen gegengeprüft. Halluzinations-Schutz.
- Gap-Matrix über alle 22 Kapitel — Je Kapitel: erfüllt / leicht / mittel / kritisch — — mit konkreter Massnahme
- 10 kritische Grundvoraussetzungen identifiziert — + 12 präzise Fragen als fertige Agenda — für das Erstgespräch mit der Zertifizierungsstelle
- Bonus: Die Agenten fanden sogar einen Fehler im — offiziellen Antragspaket (vertauschtes Hinweisblatt) — — den vorher niemandem aufgefallen war
- Ergebnis-Ablage: Report als Markdown im Git-Repo + — dieses Whiteboard als Obsidian-Canvas (JSON Canvas, — offener Standard) — Mensch und KI arbeiten auf — denselben Dateien
- Die Zahlen: 36 Agenten · 29 Dokumente · ~1,8 Mio. Tokens · 245 Tool-Aufrufe · ~60 Minuten Laufzeit — Manuell wären das Tage konzentrierter Juristen-/Berater-Arbeit gewesen
Aus der Praxis
Workflow produktiv gelaufen: 36 Agenten (24 Kapitel-Analysten, 3 Recherchen, 1 Synthese, 8 Prüfer), 29 Dokumente, ~60 Minuten Laufzeit, 1,8 Mio. Tokens, 245 Tool-Aufrufe.
Die Analyse fand einen echten Fehler im offiziellen Antragspaket der Zertifizierungsstelle (vertauschtes Hinweisblatt in Kapitel 03) — von Menschen zuvor unbemerkt.
Gap-Report (Matrix über 22 Kapitel, 10 kritische Grundvoraussetzungen, 12 Gesprächsfragen) als Markdown ins Git-Repo committet; Projekt-Whiteboard als Obsidian-Canvas im selben Repo.
Im Video
+Transkript
36 Agenten. Ein komplettes Behördenpaket. Eine Stunde. Die KI fand dabei einen Fehler, den vorher niemand bemerkt hat. Und am Ende: ein Whiteboard, das du selbst anfassen kannst. Los geht's. Worum geht's? Für eine Behörden-Zulassung lag hier ein komplettes Antragspaket auf dem Tisch — 22 Kapitel, 29 Dokumente, hunderte Pflicht-Nachweise. Manuell wären das Tage an Arbeit gewesen. Also habe ich einen Schwarm aus 36 KI-Agenten darauf angesetzt. So funktioniert das: Ein Skript wandelt erst alle Dokumente in Text um. Dann liest je Kapitel ein eigener Analyse-Agent die Anforderungen — 22 Stück, parallel. Drei Recherche-Agenten prüfen gleichzeitig die Rechtslage im Netz. Ein Synthese-Agent führt alles zur Gap-Analyse zusammen. Und jetzt kommt der wichtigste Teil: Acht Prüf-Agenten versuchen, die Ergebnisse zu widerlegen. Nur was standhält, kommt in den Report. Das Ergebnis: eine Gap-Matrix über alle 22 Kapitel, zehn kritische Punkte und zwölf fertige Fragen fürs Behördengespräch. Das komplette Projekt-Whiteboard kannst du dir live anschauen — interaktiv, auf heiner.io. Den Link findest du in der Beschreibung.
Häufige Fragen
+Kann KI wirklich komplette Behördenunterlagen oder Anträge analysieren?
Ja — zuverlässig wird es mit Arbeitsteilung: Ein Skript extrahiert alle PDFs und Formulare zu Text, dann liest je Kapitel ein eigener KI-Agent die Anforderungen, statt ein einziges Modell mit hunderten Seiten zu überfordern. In diesem Praxisfall analysierten 24 Kapitel-Agenten ein Antragspaket mit 22 Kapiteln vollständig — inklusive Formularfeldern, Pflicht-Nachweisen und Stolpersteinen in den Hinweisblättern.
+Wie verhindert man, dass die KI bei der Dokumentenanalyse halluziniert?
Durch adversariale Verifikation: Nach der Analyse versuchen unabhängige Prüf-Agenten aktiv, jede Kernaussage mit Web-Quellen zu widerlegen. Nur Aussagen, die diesem Angriff standhalten, gelten als bestätigt — alles andere wird als unsicher markiert. In diesem Projekt prüften acht Prüf-Agenten die vier wichtigsten Thesen der Gap-Analyse gegeneinander.
+Was ist ein Multi-Agenten-System — und wann lohnt es sich gegenüber einem einzelnen KI-Chat?
Ein Multi-Agenten-System zerlegt eine grosse Aufgabe auf viele spezialisierte KI-Agenten, die parallel arbeiten und deren Ergebnisse ein Orchestrator zusammenführt. Es lohnt sich, sobald die Aufgabe zu gross für ein einzelnes Kontextfenster ist oder unabhängige Perspektiven gebraucht werden — etwa 29 Dokumente, die gleichzeitig gelesen, recherchiert und gegengeprüft werden sollen. Für eine einzelne E-Mail reicht ein Chat.
+Was ist JSON Canvas und warum liegt das Ergebnis als Whiteboard vor?
JSON Canvas ist der offene Whiteboard-Standard, den Obsidian 2024 veröffentlicht hat: Karten, Pfeile und Gruppen als schlichte JSON-Datei. Der Vorteil: Die KI kann das Board programmatisch erzeugen und aktualisieren, es ist git-versionierbar wie Code — und lässt sich, wie auf dieser Seite, interaktiv im Web rendern. Komplexe Analyse-Ergebnisse werden so auf einen Blick erfassbar statt in einem 70-Seiten-Report zu verschwinden.
+Funktioniert dieser Ansatz auch für unsere Verträge, Ausschreibungen oder Compliance-Dokumente?
Ja — das Muster ist übertragbar: Dokumente extrahieren, pro Abschnitt ein Analyse-Agent, Recherche gegen aktuelle Rechtslage, Synthese zur Gap- oder Risiko-Analyse, adversariale Prüfung der Kernaussagen. Typische Fälle sind Ausschreibungsunterlagen, Audit-Vorbereitung (ISO, AZAV, DSGVO), Vertragsprüfung und Due-Diligence-Datenräume. Entscheidend ist die Orchestrierung, nicht das einzelne Prompt.
+Was kostet so eine KI-Dokumentenanalyse im Vergleich zur manuellen Prüfung?
Der beschriebene Lauf verbrauchte rund 1,8 Millionen Tokens — je nach Modell einstellige bis niedrige zweistellige Euro-Beträge an API-Kosten plus einmaliger Aufwand für die Workflow-Orchestrierung. Dem stehen Tage an Berater- oder Juristenzeit gegenüber, die eine manuelle Vollprüfung von 29 Dokumenten kostet. Ab dem zweiten Lauf (neue Revision, neue Unterlagen) ist der Workflow wiederverwendbar.
Passt das zu deinem Vorhaben?
André Heiner— GenAI & LLM Expert aus Wiesbaden, tätig im Rhein-Main-Gebiet. Agentic AI, RAG, Workflow-Automatisierung und KI in den Produktivbetrieb. Mehr im KI-Labor.
GenAI-Readiness-Score testenWeiter im KI-Labor