TLDR: Diese Woche kam Japan auf die KI Landkarte. Mit Sakana Fugu - Ein Modell orchestriert mehrere Spitzenmodelle wie Claude Opus 4.8, GPT 5.5 und Gemini 3.1 Pro hinter einer einzigen Schnittstelle und schlägt damit auf Benchmarks jedes Einzelmodell. Das zugrundeliegende Prinzip heisst Mixture of Agents. Der eigentliche Bruch mit der Vergangenheit: Nicht ein noch grösseres Modell gewinnt, sondern ein gelernter Dirigent, der pro Aufgabe das passende Team zusammenstellt, das soll Halluzinationen verringern und Abhängigkeiten ausschalten.
Erst die Begriffe sauber trennen: MOE ist nicht gleich MOA
Drei Konzepte werden im Alltag verwechselt, und die Verwechslung verstellt den Blick auf das Wesentliche.
Mixture of Experts (MoE) ist eine Modellarchitektur. Innerhalb eines einzelnen Modells aktivieren sich je nach Eingabe verschiedene Teilnetze, die Experten. Mixtral arbeitet so. Das passiert intern, beim Training festgelegt, für die Nutzerin unsichtbar.
Mixture of Agents (MoA) arbeitet eine Ebene höher, zur Laufzeit. Statt einen Prompt an ein Modell zu schicken und die Antwort zu nehmen, sendet man ihn parallel an mehrere Modelle, sammelt deren unabhängige Antworten und lässt einen Aggregator daraus eine finale Antwort synthetisieren. Kein neues Training, keine Architekturänderung, nur klügere Verschaltung bestehender Modelle.
Was Fugu anders macht als simples Abstimmen
Leider hat ein klassisches MoA hat eine Schwäche: Ein naiver Aggregator, der drei Antworten mittelt, landet beim Durchschnitt und nicht beim besten Ergebnis. Die eigentliche Intelligenz steckt in der Aggregationsschicht, die Widersprüche erkennen, Konfidenz gewichten und Gedankenketten bewahren muss.
Sakana löst das anders. Fugu nutzt nicht hand-designte Wenn-dann-Regeln, sondern ein trainiertes Dirigenten-Modell mit sieben Milliarden Parametern, das lernt, welche Modelle es aktiviert, wie die Agenten kommunizieren und wie ihre Arbeit kombiniert wird. Dieser Dirigent agiert als Manager, der grössere und teurere Modelle steuert, ohne selbst eines zu sein. Stell Dir vor: dieselbe Aufgabe wird in deinem Team von verschiedenen Menschen gelöst und dann vergleichen wir die Gemeinsamkeiten und besseren Ideen.
Das ist der "Architekt", nach dem die Frage suchte. Fugu ist eine Familie von Orchestrator-Modellen, die selbst Sprachmodelle sind, trainiert um Nutzeranfragen zu verstehen und dynamisch agentische Gerüste zu entwerfen, um sie zu lösen. Das System baut pro Aufgabe ein Team. Es weist dynamisch Thinker-, Worker- und Verifier-Rollen zu und koordiniert die Modelle über gelernte natürlichsprachliche Strategien statt über fixe Workflows. Grundlage sind zwei ICLR-2026-Arbeiten: TRINITY als evolutionär entwickelter Koordinator und der Conductor, der per Reinforcement Learning trainiert wurde.
Ein Detail verändert die Logik zusätzlich. Fugu ist trainiert, einen Pool anderer Sprachmodelle aufzurufen, einschliesslich Instanzen seiner selbst, rekursiv. Es kann eine harte Aufgabe zerlegen, Spezialmodelle für die Teilstücke starten, eine frische Instanz seiner selbst für ein Teilproblem aufrufen und die Teile dann verifizieren und synthetisieren. Daraus entsteht eine neue Form des Test-Time-Scaling: Das Modell erkennt, wenn der erste Versuch zu kurz griff, und startet einen Korrektur-Workflow.
Frontier-Leistung ohne das Risiko von Exportkontrollen
Diese Koordination hat mehrere Vorteile. Erstens: Verschiedene Modelle haben verschiedene blinde Flecken. Wenn eines richtig liegt und zwei falsch, kann der Aggregationsschritt oft die kohärentere Argumentationskette identifizieren und die korrekte Antwort heben. Forschung zu MoA-Ansätzen, etwa von Together AI, zeigt konsistente Verbesserungen von drei bis acht Prozentpunkten auf Standard-Benchmarks gegenüber dem besten Einzelmodell im Ensemble.
Zweitens reduzierte Verzerrung. Jedes Modell hat systematische Tendenzen, bestimmte Themen handhabt es besser oder schlechter. Die Verteilung über mehrere Modelle verdünnt diese Verzerrungen.
Drittens operative Einfachheit. Ohne ein solches System bedeutet die eigene Orchestrierung dreier Anbieter: drei API-Schlüssel, unterschiedliche Rate-Limits, Preismodelle, Antwortformate und eigene Aggregationslogik. Fugu verbirgt all das hinter einem Endpunkt.
Viertens, und das ist der politisch brisante Punkt: Souveränität. Am 12. Juni 2026 verhängte das US-Handelsministerium Exportkontrollen auf Anthropics Fable 5 und Mythos. Teams, die darauf gebaut hatten, verloren über Nacht den Zugang, ohne Migrationspfad. Fugus Verkaufsargument zielt genau dorthin: Frontier-Leistung ohne das Risiko von Exportkontrollen. Fugu Ultra erreicht laut Sakanas veröffentlichten Tabellen das Niveau von Fable 5 und Mythos Preview, obwohl keines dieser Modelle im Agent-Pool ist und sein kann, weil sie der Exportkontrolle unterliegen.
-WERBUNG-
Mehr KI Kompetenz? Inkl. Kompetenznachweis? Dazu haben wir das KI-Update entwickelt. Kurse, Updates, Newsletter und Podcasts: ein Ort für all dein KI Wissen. Werde Teil unserer exklusiven Community! Tausche dich mit Gleichgesinnten aus, erhalte exklusive Inhalte und nimm an Live-Sessions teil. Mehr Infos gibts auf:
Wann man es nutzt, und wann nicht? Es ist komplexer.
Macht so ein System nicht immer Sinn? Nun die ehrliche Antwort lautet: nicht immer. Bei einfachen, klar definierten Aufgaben genügt ein einzelnes starkes Modell, und der Mehraufwand lohnt nicht. Mehr-Modell-Orchestrierung addiert Latenz und Kosten, weil man auf mehrere Antworten wartet und einen Aggregationsschritt einführt.
Der Hebel greift an der Kante der Modellfähigkeiten. Wenn eine Aufgabe schwer genug ist, dass ein Einzelmodell sie nur zu 70 bis 80 Prozent richtig löst, kann Fugu das auf 85 bis 90 Prozent heben. Genau dort, wo Fehler teuer sind: Produktionscode, rechtliche Analyse, Sicherheitsprüfungen. Ein realer Test zeigte, dass Fugu Ultra über 20 Probleme in einer Produktions-Codebasis fand, wo konkurrierende Einzelmodelle nur drei entdeckten.
Ein Compliance-Haken bleibt: Fugu darf in der EU und im EWR vorerst nicht betrieben werden, solange Sakana seine Black-Box-Datenrouting-Architektur an die DSGVO anpasst.
Wohin der Trend zeigt: nicht eines, mehrere Modelle
Die Jahre der reinen Skalierung neigen sich wohl langsam dem Ende zu. Die KI-Welt jagte jahrelang einem einzigen Traum nach: ein gigantisches Modell, das alles weiss. Grösser trainieren, mehr Daten füttern. Dieser Traum hat eine fragile Seite. Sakanas Gegenthese ist programmatisch: Die besten KI-Systeme entstehen nicht durch Skalierung eines einzelnen Modells, sondern durch Kombination vieler kleinerer, spezialisierter Modelle, ähnlich wie Intelligenz in der Natur funktioniert, wo Schwärme und Kolonien jedes Einzelorganismus übertreffen.
Die nächste Verschiebung liegt nicht im Modell, sondern in der Orchestrierung. Wer pro Aufgabe das beste verfügbare Modell zuteilt, macht sich unabhängig von einem einzelnen Anbieter und von dessen geopolitischem Risiko. Der Engpass wandert von der Rechenleistung zur Koordinationslogik. Das ist auch eine strategische Aussage für Unternehmen im DACH-Raum: Die Abhängigkeit von einer einzigen Frontier-API wird zum Klumpenrisiko, sobald Exportregeln oder Preisschocks zuschlagen.
Und darum bin ich nach wie vor überzeugt: Die Zukunft gehört nicht mehr dem Tippen und Klicken und auch nicht dem grössten Einzelmodell, sondern dem gemAInsamen Arbeiten mit orchestrierten Systemen, in denen der Mensch entscheidet, welche Intelligenz für welche Aufgabe zusammenkommt. Also wenn Du reden willst, und wenn Du mit mir zusammenarbeiten willst: melde Dich gerne www.rogerbasler.ch
Disclaimer: Dieser Artikel wurde nach meinem eigenen Wissen und dann mit Recherchen mit KI (Perplexity.Ai und Grok.com sowie Gemini.Google.com) manuell zusammengestellt und mit Deepl.com/write vereinfacht. Der Text wird dann nochmals von zwei Personen meiner Wahl gelesen und kritisch hinterfragt. Das Bild stammt von Ideogram.Ai und ist selbst erstellt. Dieser Artikel ist rein edukativ und erhebt keinen Anspruch auf Vollständigkeit. Bitte melde dich, wenn Du Ungenauigkeiten feststellst, danke.
Quellen und weitere Informationen:
Digital Applied. (2026, 22. Juni). Sakana Fugu: A multi-agent AI orchestration model 2026. https://www.digitalapplied.com/blog/sakana-fugu-multi-agent-orchestration-model-2026
ExplainX. (2026, 23. Juni). Sakana Fugu: Benchmarks vs real-world testing (June 2026 update). https://www.explainx.ai/blog/sakana-fugu-multi-agent-orchestration-model-2026
Labellerr. (2026, 23. Juni). Sakana Fugu: The model that outsmarts Claude Fable 5. https://www.labellerr.com/blog/sakana-fugu-multi-agent-ai-system/
MindStudio Team. (2026, 24. Juni). What is Sakana Fugu? The multi-agent AI system that beats frontier models. MindStudio. https://www.mindstudio.ai/blog/what-is-sakana-fugu-multi-agent-ai
Nielsen, Cetin, Schwendeman, Sun, Xu, & Tang. (2026). Learning to orchestrate agents in natural language with the Conductor. ICLR 2026.
Sakana AI. (2026). Sakana Fugu: A multi-agent orchestration system as a foundation model [Technical report]. arXiv. https://arxiv.org/html/2606.21228v1
Xu, Sun, Schwendeman, Nielsen, Cetin, & Tang. (2026). TRINITY: An evolved LLM coordinator. ICLR 2026.
