Multi-Agent-Orchestrierung – Airtable Superagent Dashboard

Airtable Superagent: Das erste Multi-Agent-System, das fertige Arbeit liefert

24. März 2026Aktualisiert: 26. April 20267 min Lesezeit

TL;DR: „Airtable Superagent ist ein eigenständiges Multi-Agent-System, das aus der DeepSky-Übernahme hervorging. Ein zentraler Orchestrator koordiniert spezialisierte Agenten parallel – mit voller Kontexttransparenz. Das Ergebnis: fertige, präsentationsreife Deliverables in Minuten statt Wochen. Das klassische Consulting-Modell wird damit endgültig herausgefordert."

— Till Freitag

🚨 Update April 2026: Superagent wird eingestellt. Airtable hat angekündigt, Superagent abzuschalten und alle Erkenntnisse in ein neues Produkt überführt: HyperAgent – eine vollwertige Plattform zum Bauen und Deployen von Agent-Flotten. Neue Nutzer erhalten $1.000 Startguthaben.

→ HyperAgent Review lesen · Zur HyperAgent-Plattform

30-Sekunden-Version

Airtable hat mit Superagent sein erstes eigenständiges Produkt außerhalb der No-Code-Plattform gelauncht. Das System orchestriert mehrere spezialisierte KI-Agenten parallel, um komplexe Research-Aufgaben zu lösen – und liefert fertige, interaktive Reports statt Chat-Antworten.

Gebaut auf der Technologie von DeepSky (ehemals Gradient), das Airtable im Oktober 2025 übernommen hat. Nutzt Modelle von OpenAI, Anthropic und Google für verschiedene Sub-Tasks.

Airtable-CEO Howie Liu bringt es auf den Punkt:

„You're not prompting an AI. You're orchestrating a team."

Der McKinsey-Killer in der Box

Bevor wir in die Technik einsteigen, lasst uns über die eigentliche Disruption sprechen.

Superagent ersetzt nicht einen Chatbot. Es ersetzt ein Berater-Team.

Was McKinsey, BCG oder Bain in 4–12 Wochen liefern – Stakeholder-Interviews, Marktanalysen, Wettbewerbsvergleiche, aufbereitet in 200-Seiten-Decks – produziert Superagent in Minuten. Nicht als Textdump, sondern als interaktive, filterbare, präsentationsreife Artefakte.

Howie Liu beschreibt den Anspruch klar:

„The output isn't raw material. It is the deliverable."

Das ist exakt das, was wir seit Monaten predigen: Wir sind die Anti-McKinsey für AI. Der Unterschied: Wo wir menschliche Senior-Experten einsetzen, die in Wochen liefern, setzt Superagent auf Agent-Flotten, die in Minuten liefern. Beides macht das klassische Consulting-Modell obsolet – nur auf unterschiedlichen Ebenen.

Drei Beispiele aus Howie Lius Ankündigung:

Marktexpansion: Frag Superagent, wo deine Premium-Athleisure-Marke zuerst in Europa expandieren soll → du bekommst eine interaktive Marktanalyse mit demografischen Breakdowns, Wettbewerbs-Mapping und filterbaren Expansions-Timelines
Investment-Analyse: Evaluiere Google als 3-Jahres-Investment → strukturiertes Assessment mit Earnings-Call-Zitaten, Defensibility-Analyse gegen OpenAI/Anthropic, und Risikofaktoren, die du nicht bedacht hattest
Pitch-Vorbereitung: Briefing zu Wells Fargos AI-Strategie vor deinem Compliance-Pitch → regulatorische Positionierung, aktuelle AI-Investments mit Deal-Details, und die Pain Points, die dein Produkt adressiert

Oder wie Howie es formuliert: „What if every task you tackled came with New York Times-quality data visualization? With Superagent's multi-agent architecture, it's the default."

Was ist Superagent?

Superagent ist kein Chatbot und kein Plugin. Es ist ein Multi-Agent-System für Research-Aufgaben – ein eigenständiges Produkt, das unabhängig von Airtables Kern-Plattform funktioniert.

Der Workflow:

Aufgabe stellen: Du beschreibst eine komplexe Research-Frage
Planung: Der Orchestrator zerlegt die Aufgabe in parallele Workstreams
Parallele Ausführung: Spezialisierte Agenten arbeiten gleichzeitig an verschiedenen Aspekten – einer analysiert Finanzen, einer die Wettbewerbslandschaft, einer prüft News und Management
Synthese: Die Ergebnisse werden zu einem interaktiven, entscheidungsreifen Report zusammengeführt

Howie Liu betont den Unterschied zu klassischen Chat-Produkten:

„Instead of a sequential summary built by one agent working through tasks one at a time, Superagent deploys a coordinated team to investigate multiple dimensions simultaneously."

Beispiel: Du fragst „Analysiere Unternehmen X für eine Investitionsentscheidung." Superagent zerlegt das in: Team researchen, Finanzierungshistorie prüfen, Wettbewerbslandschaft analysieren – alles parallel, alles mit Quellenangaben.

Die technische Innovation: Context-Aware Orchestration

Was Superagent von anderen Multi-Agent-Ansätzen unterscheidet, ist die Kontexttransparenz des Orchestrators. Frühere Systeme nutzten einfaches Model Routing – ein Vermittler filterte Informationen zwischen Modellen. Superagent geht weiter:

Volle Sichtbarkeit: Der Orchestrator sieht den gesamten Ausführungspfad – initialer Plan, Einzelschritte, Sub-Agent-Ergebnisse
Selbstkorrektur: Wenn ein Research-Pfad nicht funktioniert, erkennt der Orchestrator das und versucht einen anderen Ansatz – ohne denselben Fehler zu wiederholen
Sauberer Kontext: Sub-Agenten liefern bereinigte Ergebnisse zurück, ohne den Hauptkontext zu „verschmutzen"

Howie Liu: „It ultimately comes down to how you leverage the model's self-reflective capability."

Professional-Grade Quellen

Superagent arbeitet mit Premium-Datenquellen wie FactSet, Crunchbase, SEC-Filings und Earnings Transcripts. Insights sind verifiziert, zitiert und nachvollziehbar – ein fundamentaler Unterschied zu ChatGPT-Research, das primär auf Web-Scraping basiert.

Open-Ended Agent Harness

Howie Liu beschreibt die Architektur als bewusst offen:

„Unlike older agents that follow rigid, hard-coded paths, Superagent uses a flexible architecture that gives agents autonomy to navigate different approaches, coordinate with each other, backtrack when needed, and adapt to what each specific task requires."

Warum Airtable auf Data Semantics setzt

Die vielleicht wichtigste Erkenntnis aus der Superagent-Entwicklung: Datenqualität schlägt Prompt Engineering.

Airtable baute intern ein Analyse-Tool, um herauszufinden, was bei Agenten funktioniert. Das Ergebnis:

Der Großteil der Arbeit steckte nicht im Agent-Harness, sondern im Aufbereiten der Datensemantik. Agenten profitieren massiv von guter Datenstruktur.

Drei Bereiche waren entscheidend:

Daten so strukturieren, dass Agenten die richtigen Tabellen und Felder finden
Klären, was Felder bedeuten – nicht nur technisch, sondern semantisch
Sicherstellen, dass Agenten die Daten zuverlässig in Abfragen nutzen können

Das ist ein Argument für relationale Datenbanken wie Airtable gegenüber Document Stores – und ein klarer strategischer Vorteil.

Unsere Analyse: Drei strategische Ebenen

Ebene 1: Vom Daten-Tool zum Intelligence Layer

Airtable positioniert sich neu. Die No-Code-Plattform bleibt für strukturierte Workflows. Superagent adressiert unstrukturierte Research – ein komplett neuer Markt. Zusammen bilden sie ein Doppelformat, das den gesamten Informations-Workflow abdeckt.

Howie Liu sieht darin eine natürliche Komplementarität:

„There's a natural complementarity – almost a yin and yang – between the structured data and application layer that Airtable provides and the autonomous, coordinated intelligence that Superagent delivers."

Ebene 2: Die DeepSky-Wette zahlt sich aus

DeepSky (ehemals Gradient) brachte Expertise in Long-Context-Modellen und Multi-Agent-Orchestrierung mit. Dass Superagent nur wenige Monate nach der Übernahme launchte, zeigt: Airtable hat nicht nur Technologie gekauft, sondern ein fertiges Team mit einem fertigen Produkt. Ergänzt wird das Team durch David Azose als CTO, der zuvor bei OpenAI die Business-Produkte von ChatGPT leitete.

Ebene 3: Gegen die Bewertungskrise

Airtables Bewertung fiel von $11,7 Mrd. (2021) auf ca. $4 Mrd. auf Sekundärmärkten. Superagent ist die Antwort: ein neues Umsatzmodell jenseits der Kern-Plattform, das Airtable in die High-Growth-Kategorie „AI Agents" einordnet.

Von Superagent zu HyperAgent: Die Evolution (Update April 2026)

Airtable hat es offiziell gemacht: Superagent wird eingestellt. Das Team hat alles, was Nutzer an Superagent geliebt haben, in ein neues, deutlich umfassenderes Produkt überführt: HyperAgent – eine vollwertige Plattform zum Bauen und Deployen von Agent-Flotten. Wer jetzt einsteigt, bekommt $1.000 Startguthaben.

Damit bestätigt sich, was wir hier bereits skizziert hatten: Superagent war ein Proof of Concept, HyperAgent ist die Plattform.

Aspekt	Superagent	HyperAgent
Fokus	Research & Analyse	Enterprise Agent Deployment
Scope	Einzelne komplexe Aufgaben	Flotten aus spezialisierten Agenten
Skills	Implizit (durch Sub-Agenten)	Explizit lernbar und verbesserbar
A/B Testing	❌	✅ Built-in
Fleet Management	❌	✅ Zentrale Steuerung
Evaluation	Interne Qualitätssicherung	LLM-as-Judge Rubrics

Wo Superagent beweist, dass Multi-Agent-Systeme funktionieren, wird HyperAgent beweisen, dass sie skalieren. Skills, die sich mit jedem Run verbessern. A/B-Tests für Prompts, Modelle und Tools. Zentrale Überwachung aller Agenten. Das ist die Infrastruktur, die Unternehmen brauchen, wenn sie von einem einzelnen Agent zu zehn, fünfzig oder hundert übergehen.

→ Unsere vollständige HyperAgent-Analyse lesen

Das Ende des 200-Seiten-Decks

Howie Liu formuliert die Zeitenwende unmissverständlich:

„We've been talking about agents for two years, but what we had even a year ago weren't real agents. They were workflows: predefined series of steps with some LLM calls mixed in. Now we have true multi-agent systems."

Und weiter:

„Agents don't just help you work. They do the work."

Für die Consulting-Industrie bedeutet das: Das Geschäftsmodell der Komplexität – das wir hier analysiert haben – steht vor seiner größten Disruption. Wenn ein Multi-Agent-System in 5 Minuten eine Wettbewerbsanalyse liefert, die ein 6-köpfiges Berater-Team in 6 Wochen erstellt hätte, dann ist die Frage nicht mehr ob sich Consulting verändert, sondern wie schnell.

Die Zukunft gehört nicht dem größten Team, sondern der besten Orchestrierung. Ob durch menschliche Experten wie uns – oder durch Agent-Flotten wie Superagent und HyperAgent.

Vergleich: Superagent vs. andere Ansätze

Aspekt	Airtable Superagent	ChatGPT Deep Research	Perplexity Pro
Architektur	Multi-Agent mit zentralem Orchestrator	Single-Agent mit Tool-Use	Single-Agent mit Web-Suche
Output	Interaktive Reports	Textbasierte Berichte	Quellenbasierte Antworten
Kontextmanagement	Volle Orchestrator-Sichtbarkeit	Innerhalb eines Kontextfensters	Suchbasiert
Modelle	OpenAI + Anthropic + Google	GPT-5	Proprietär
Quellen	FactSet, Crunchbase, SEC, Earnings Transcripts	Web-Recherche	Web-Recherche
Stärke	Komplexe Multi-Aspekt-Research	Deep Dive in ein Thema	Schnelle, quellenbasierte Antworten

Was fehlt noch?

Superagent ist beeindruckend, aber noch jung:

Keine Airtable-Integration – noch. Howie kündigt an: „You'll soon be able to invoke Superagent directly from your Airtable bases"
Begrenzte Quellen – aktuell primär FactSet, Crunchbase und SEC – Erweiterung geplant
Kein Self-Scheduling – reagiert nur auf Anfragen, agiert nicht proaktiv (das kommt mit HyperAgent)
Enterprise-Pricing unklar – genaue Kosten und Kontingente sind noch nicht transparent kommuniziert

Was bedeutet das für Unternehmen?

Data Semantics priorisieren: Bevor ihr Agenten deployt, investiert in saubere Datenstrukturen – das bringt mehr als jedes Prompt-Tuning
Orchestrierung ernst nehmen: „Einfach mehrere LLMs zusammenstecken" reicht nicht – ein zentraler Orchestrator mit Planungsfähigkeit ist essenziell
Multi-Agent als Standard: Die Frage ist nicht mehr ob, sondern wie Teams aus spezialisierten Agenten zusammenarbeiten
Consulting hinterfragen: Braucht ihr wirklich 6 Berater für 12 Wochen – oder einen gut orchestrierten Agent-Workflow?

Wir helfen Unternehmen, Multi-Agent-Architekturen zu evaluieren und den richtigen Orchestrierungs-Ansatz zu finden – ob mit Superagent, HyperAgent oder eigener Architektur. → Beratungstermin buchen