Sakana Fugu: Wo entsteht der größte KI-Gewinn?

Multi-Agenten-System und Orchestrierungstool werden oft verwechselt. Am Beispiel Sakana Fugu zeigt dieser Beitrag den Unterschied und erklärt anhand von Gartner, Forrester, McKinsey und KuppingerCole, wo der größte wirtschaftliche KI-Gewinn im Unternehmen tatsächlich entsteht.

Vom Prompt zum Agenten: eine Begriffshierarchie

Bevor sich Sakana Fugu einordnen lässt, lohnt ein Blick auf eine Begriffshierarchie, die in Unternehmen häufig durcheinandergerät. Ganz unten steht der Prompt: eine einzelne, meist zustandslose Anweisung an ein Sprachmodell, die eine Antwort liefert, aber keine eigene Handlungsfähigkeit besitzt. Ein KI-Agent geht einen Schritt weiter. Er verbindet ein Sprachmodell mit Gedächtnis, Werkzeugen und der Fähigkeit, mehrere Schritte selbstständig zu planen und auszuführen, etwa eine Websuche anzustoßen, ein Dokument zu erstellen oder eine Freigabe einzuholen.

Eine KI-Agentenplattform stellt die Laufzeitumgebung für einen oder mehrere solcher Agenten bereit: Sie verwaltet Rollen, Rechte, Speicher und die Anbindung an Unternehmenssysteme, bleibt dabei aber meist auf den Betrieb einzelner Agenten fokussiert. Eine KI-Orchestrierungsplattform setzt eine Ebene darüber an: Sie koordiniert mehrere Agenten oder Agentenplattformen miteinander, verteilt Teilaufgaben, löst Konflikte zwischen konkurrierenden Ergebnissen auf und führt die Beiträge zu einem Gesamtergebnis zusammen.

Sakana Fugu fällt in dieser Hierarchie auf: Für Entwickler sieht der Aufruf aus wie ein einzelner Prompt an ein einzelnes Modell. Technisch übernimmt Fugu jedoch gleichzeitig die Rolle mehrerer Agenten und einer kompletten Orchestrierungsplattform, verpackt hinter einer einzigen API-Antwort. Genau diese Verdichtung mehrerer Ebenen in einem einzigen Aufruf macht den Sonderfall aus, der im weiteren Verlauf dieses Beitrags eingeordnet wird.

Was ist Sakana Fugu? Ein neues Paradigma für den Modellzugriff

Sakana AI, das japanische Forschungslabor rund um ehemalige Google Wissenschaftler, hat im Juni 2026 mit Fugu ein Produkt vorgestellt, das ein komplettes Multi-Agenten-System als einzelnes Sprachmodell bereitstellt. Entwickler senden eine ganz normale, OpenAI kompatible Chat Completions oder Responses-Anfrage an ein einziges Modell, etwa fugu oder fugu ultra. Im Hintergrund verteilt das System die Aufgabe jedoch dynamisch auf ein Ensemble spezialisierter KI-Agenten, koordiniert deren Zusammenarbeit und liefert am Ende eine konsolidierte Antwort zurück.

Der Name ist Programm: Fugu ist das japanische Wort für Kugelfisch, und Sakana bedeutet Fisch. Das Unternehmen beschreibt seinen Forschungsansatz gern über das Bild eines Fischschwarms, der als koordiniertes Gesamtsystem agiert, obwohl jedes einzelne Tier nur lokal handelt. Genau diese Idee kollektiver Intelligenz überträgt Fugu auf den Zugriff via API.

Für aufrufende Anwendungen bleibt der mehrstufige Prozess aus Planung, Ausführung, Prüfung und Synthese vollständig unsichtbar. Laut VentureBeat positioniert Sakana das Produkt gezielt für Entwickler, Unternehmen und auch staatliche Stellen, die Wert auf Unabhängigkeit von einem einzelnen Anbieter sowie auf Widerstandsfähigkeit gegenüber geopolitischen Exportbeschränkungen legen.

Welcher Modell-Pool steckt hinter Fugu? OpenAI-kompatibel heißt nicht OpenAI-exklusiv

OpenAI-kompatibel heißt nicht OpenAI-exklusiv. „OpenAI-kompatibel“ bezieht sich ausschließlich auf das API-Format für Chat Completions und Responses, damit bestehende OpenAI-Clients ohne Codeänderung funktionieren. Mit dem Modell-Pool im Hintergrund hat das nichts zu tun: Fugu unterstützt inzwischen zusätzlich auch eine Anthropic-kompatible Messages API.

Der tatsächliche Modell-Pool hinter Fugu Ultra besteht nach übereinstimmenden Berichten mehrerer Fachmedien aus drei benannten Frontier-Modellen: Claude Opus 4.8 von Anthropic, GPT-5.5 von OpenAI und Gemini 3.1 Pro von Google, ergänzt um nicht näher benannte offene Modelle.

Nicht im Pool: Claude Fable 5 und Claude Mythos Preview. Beide Modelle waren zum Fugu-Start explizit nicht im Pool, weil sie zu diesem Zeitpunkt wegen der im Juni 2026 verhängten US-Exportkontrollen nicht öffentlich verfügbar waren. Die Kontrollen wurden zum 1. Juli 2026 wieder aufgehoben; ob Sakana die beiden Modelle seither ergänzt hat, ist öffentlich nicht dokumentiert. Grok von xAI und Modelle von Mistral tauchen in keiner der ausgewerteten Produktbeschreibungen oder unabhängigen Analysen als Teil des Pools auf.

Entscheidend für die Enterprise-Perspektive ist weniger die exakte Momentaufnahme als das Prinzip dahinter: Sakana bezeichnet den Pool ausdrücklich als swappable, also austauschbar. Fällt ein Anbieter aus, etwa durch regulatorische Eingriffe wie im Fall von Fable 5 und Mythos Preview, routet Fugu automatisch auf verbleibende Modelle im Pool um. Unternehmen können zusätzlich einzelne Anbieter gezielt aus Compliance-Gründen ausschließen.

Multi-Agenten-Systeme und Orchestrierungstools: zwei Ebenen, die oft verwechselt werden

In der Praxis werden die Begriffe Multi-Agenten-System und Orchestrierungstool häufig gleichgesetzt, sie beschreiben jedoch zwei unterschiedliche Ebenen. Ein Multi-Agenten-System ist zunächst eine architektonische Idee: Mehrere spezialisierte Agenten, etwa ein Planer, ein Recherche-Agent, ein Ausführungs-Agent und ein Prüf-Agent, teilen sich eine komplexe Aufgabe, statt dass ein einzelnes Modell alles allein löst. Orchestrierungstools sind dagegen die technische Umsetzungsebene. Sie stellen die Infrastruktur bereit, mit der Rollen, Übergaben, Zustände und Fehlerbehandlung tatsächlich gebaut und betrieben werden.

Der Markt für diese Werkzeuge lässt sich grob in vier Kategorien einteilen. Erstens Code First Frameworks wie LangGraph, CrewAI, Microsoft AutoGen oder LlamaIndex Workflows, die Entwicklern maximale Kontrolle über Logik und Zustände geben, jedoch Programmierkenntnisse voraussetzen. Zweitens No-Code- und Low-Code-Plattformen wie n8n, Make, Langdock oder Flowise, die Workflows visuell zusammenklicken lassen und damit auch Fachabteilungen zugänglich sind. Drittens Enterprise- und Cloud-Plattformen wie AWS Bedrock Agents, Azure AI Orchestrator, Google Vertex AI Agent Builder, Salesforce Agentforce oder UiPath Agentic Automation, die fest in ein bestehendes Cloud-Ökosystem integriert sind. Viertens Kommunikationsprotokolle wie das von Anthropic initiierte Model Context Protocol und das Agent to Agent Protocol, die erst die herstellerübergreifende Verständigung zwischen Agenten und Werkzeugen regeln.

Sakana Fugu setzt an einer fünften, ungewöhnlichen Stelle an: Das Produkt verpackt ein komplettes Multi-Agenten-System, mit TRINITY für die Rollenverteilung und Conductor für die Kommunikationsstruktur, hinter einer einzigen Modell-API. Für Entwickler verschwindet die gesamte Orchestrierungsebene, die bei den vier oben genannten Kategorien sonst aktiv konfiguriert werden muss. Man erhält die Wirkung eines Multi-Agenten-Systems, ohne eines der etablierten Orchestrierungstools selbst betreiben zu müssen, verliert dabei jedoch auch einen Teil der granularen Kontrolle, die etwa LangGraph oder ein selbst gehostetes n8n bieten.

Wo entsteht der größte Unternehmensgewinn beim Einsatz von KI?

Aus aktuellen Analysteneinschätzungen lassen sich drei Haupttreiber für wirtschaftlichen Nutzen ablesen, nicht nur ein einzelner. Der erste Treiber ist prozessübergreifende Orchestrierung statt Einzelautomatisierung: Der eigentliche Wertsprung entsteht laut einem Gartner-Analysten nicht durch einzelne Chatbots, sondern dadurch, dass Agenten im Hintergrund über mehrere Systeme hinweg orchestrieren, etwa eine Bestellung in einem ERP-System anlegen, den Kundenstatus in einer CRM-Lösung prüfen und eine Freigabe in einem Kollaborationstool einholen, ohne dass ein Mensch zwischen den Oberflächen wechseln muss. Agentische KI verändere damit die Ökonomie von Software, weil Ergebnisse direkt geliefert und klassische, oberflächenlastige Anwendungen umgangen werden (Quelle: Gartner, zitiert nach ki outsourcing.ch, Juli 2026).

Der zweite Treiber ist die Investitionsskalierung entlang des tatsächlichen Nutzens. Die Ausgaben für KI Agenten Software sollen laut Gartner von 86,4 Milliarden US Dollar im Jahr 2025 auf 206,5 Milliarden im Jahr 2026 und 376,3 Milliarden im Jahr 2027 wachsen (Quelle: Gartner, zitiert nach Big Data Insider, Mai 2026). McKinsey beziffert das langfristige wirtschaftliche Potenzial von Agenten und ihrer Orchestrierung auf bis zu 4,4 Billionen US Dollar jährlich bis 2030 (Quelle: McKinsey, zitiert nach kiagentenberatung.de, März 2026). Das zeigt, dass der Markt den Gewinn vor allem dort erwartet, wo Orchestrierung ganze Workflows durchgängig abdeckt, statt nur einzelne Aufgaben zu übernehmen.

Der dritte Treiber ist Qualifizierung statt reinem Personalabbau. Eine Gartner-Umfrage zeigt, dass 80 Prozent der Unternehmen mit bereits produktiven autonomen Prozessen Stellen abgebaut haben, der Return on Investment dadurch jedoch nicht gestiegen ist. Bessere Ergebnisse entstehen laut Gartner stattdessen durch Requalifizierung der Belegschaft für die Steuerung, Kontrolle und Freigabe von Agenten (Quelle: Gartner, zitiert nach Big Data Insider, Mai 2026). Das deckt sich mit Forrester, das 2026 zu dem Jahr erklärt, in dem sich der Fokus von reiner Output Zählung auf Kontrolle, Vertrauen und menschliches Urteilsvermögen verschiebt (Quelle: Forrester, zitiert nach Workday Blog, Januar 2026). Der größte Unternehmensgewinn entsteht damit nicht durch ein einzelnes Werkzeug, sondern durch die Konsequenz, mit der ganze, systemübergreifende Prozesse orchestriert werden, kombiniert mit einer Governance und Qualifizierungsstrategie, die Agenten kontrollierbar hält.

Die technische Architektur: TRINITY und Conductor

Fugu basiert im Kern auf dem Prinzip Mixture of Agents sowie zwei zentralen Forschungspfeilern von Sakana AI, die laut AI Weekly auf zwei Fachpapieren aufbauen, die 2026 bei der ICLR eingereicht wurden (Quelle: AI Weekly, Juni 2026):

• TRINITY ist ein über evolutionäre Algorithmen optimiertes, kompaktes Koordinationsmodell. Es entscheidet fortlaufend, wie eine Aufgabe aufgeteilt wird, und weist den beteiligten Drittanbietermodellen dynamisch eine von drei Rollen zu: Thinker für Planung und Problemzerlegung, Worker für die konkrete Ausführung von Teilaufgaben wie Code oder Text, und Verifier für die Prüfung von Zwischenergebnissen sowie das Aufspüren von Fehlern und Halluzinationen.

• The Conductor ist ein mittels Reinforcement Learning trainiertes Orchestrierungsmodell. Es erzeugt zur Laufzeit flexible Kommunikationsstrukturen zwischen den Agenten und formuliert maßgeschneiderte System Prompts, damit die eingesetzten Modelle optimal zusammenarbeiten.

Nach der Ausführung konsolidiert Fugu die Ergebnisse der Teilagenten zu einer einzigen, bereinigten Antwort. Bemerkenswert ist außerdem, dass Fugu laut Sakana AI selbst darauf trainiert wurde, verschiedene LLMs in einem Agenten Pool aufzurufen, darunter auch Instanzen seiner selbst, was eine rekursive Nutzung des eigenen Systems ermöglicht (Quelle: Sakana AI, sakana.ai/fugu-release, Juni 2026). Für regulierte Branchen relevant ist die Möglichkeit, einzelne Anbieter oder Modelle gezielt aus dem Pool auszuschließen, um Datenschutz oder Regulierungsvorgaben einzuhalten.

Offen bleibt, laut einer Einschätzung von AI Weekly, welche konkreten Frontier Modelle im Einzelnen im Pool enthalten sind, wie das Reinforcement Learning Signal des Conductors im Detail aussieht und wie sich die Latenz bei mehrstufigen, dialogorientierten Aufgaben verhält. Wer bereits mit expliziten Orchestrierungs Frameworks arbeitet, sollte diese offenen Fragen in eine Bewertung einbeziehen (Quelle: AI Weekly, Juni 2026).

Warum jetzt? Was Gartner und Forrester zu Multi-Agenten-Systemen sagen

Der Zeitpunkt der Markteinführung ist kein Zufall. Gartner zählt Multi-Agenten-Systeme zu den wichtigsten strategischen Technologietrends des Jahres 2026 und prognostiziert, dass bis Ende 2026 rund 40 Prozent der Unternehmensanwendungen aufgabenspezifische KI-Agenten integrieren werden, gegenüber unter 5 Prozent im Jahr 2025 (Quelle: Gartner, Pressemitteilung, 26. August 2025). Nach Angaben von Gartner ist die Zahl der Anfragen zu Multi-Agenten-Systemen zwischen dem ersten Quartal 2024 und dem zweiten Quartal 2025 um 1.445 Prozent gestiegen (Quelle: Gartner, zitiert nach Machine Learning Mastery, Januar 2026).

Forrester teilt diese Einschätzung und beschreibt KI-Agenten als künftige digitale Mitarbeiter, die rollenbasierte Workflows über verschiedene Systeme hinweg orchestrieren. Das Analystenhaus geht zudem davon aus, dass rund 30 Prozent der Unternehmenssoftwareanbieter eigene Model Context Protocol-Server anbieten werden, um plattformübergreifende Zusammenarbeit von Agenten zu ermöglichen (Quelle: Forrester, zitiert nach OpenPR, 30. März 2026).

Gleichzeitig warnt Gartner vor einer zu optimistischen Adoption ohne solide Governance: Mehr als 40 Prozent der Agentic AI-Projekte könnten bis Ende 2027 wegen steigender Kosten, unklarem Geschäftsnutzen oder unzureichender Risikokontrollen eingestellt werden. Als Grund werden unter anderem Modellfragmentierung sowie Integrations und Wartungskosten genannt, die auf 40 bis 60 Prozent der gesamten KI-Betriebsausgaben geschätzt werden (Quelle: Gartner, zitiert nach OpenPR, 30. März 2026). „Die meisten dieser Projekte befinden sich noch in einer frühen Phase, es sind meist Experimente oder Proof-of-Concepts, die durch den aktuellen Hype entstanden sind und häufig fehlgeleitet eingesetzt werden“, kommentiert Anushree Verma, Senior Director Analyst bei Gartner (Quelle: Gartner, zitiert nach digitalbusiness-magazin.de, Mai 2026). Genau an diesem Punkt setzt das Versprechen von Sakana Fugu an: Ein einzelner API Aufruf soll die Komplexität handverdrahteter Multi-Agenten-Architekturen ersetzen und damit Integrationskosten senken.

Governance und Identität: Die Perspektive von KuppingerCole

Für IT Security- und Identity Access Management-Analysten wie KuppingerCole steht bei autonomen Agentensystemen vor allem die Frage der Kontrolle im Vordergrund. Das Analystenhaus hält fest, dass Mitte 2026 das Verhältnis von nicht menschlichen zu menschlichen Identitäten einen kritischen Wendepunkt erreicht. Agentic AI-Systeme, die eigenständig Workflows orchestrieren und ohne Mensch im Prozess auf sensible Daten zugreifen, machten klassische IAM-Modelle zunehmend obsolet. KuppingerCole spricht in diesem Zusammenhang davon, dass Unternehmen künftig nicht mehr nur Werkzeuge, sondern digitale Mitarbeiter absichern müssen (Quelle: KuppingerCole Analysts, European Identity and Cloud Conference 2026).

Konkret empfiehlt KuppingerCole den Aufbau einer Identity Attribution, bei der jede agentische Aktion auf einen menschlichen Verantwortlichen sowie eine konkrete Absicht zurückgeführt werden kann, außerdem den Übergang von statischen Rollen zu richtlinienbasiertem, dynamischem Zugriff nach dem Prinzip geringster Rechte (Quelle: KuppingerCole Analysts, European Identity and Cloud Conference 2026). Für ein Produkt wie Sakana Fugu, das Modelle verschiedener Anbieter dynamisch zusammenschaltet, ist damit die Nachvollziehbarkeit jeder einzelnen Agentenrolle, vom Thinker bis zum Verifier, ein zentrales Prüfkriterium für den Enterprise-Einsatz. Ergänzend zeigt eine für 2026 erhobene Umfrage von KPMG unter Großunternehmen, dass 75 Prozent der befragten Verantwortlichen Sicherheit, Compliance und Auditierbarkeit als kritischste Anforderungen an den produktiven Agenteneinsatz nennen (Quelle: KPMG, 2026, zitiert in einer aktuellen Fachpublikation zur Governance von Agentic AI).

Datenperspektive: BARC und Eckerson Group zu Multi-Agenten-Architekturen

BARC und die Eckerson Group, die schwerpunktmäßig Business Intelligence-, Data Management- und Analytics-Themen abdecken, haben zum Zeitpunkt der Recherche keine dedizierte Analyse zu Sakana Fugu veröffentlicht. Beide Häuser ordnen Multi-Agenten-Systeme jedoch grundsätzlich in ihre laufende Berichterstattung zu Data und Analytics Governance ein, da orchestrierte KI-Agenten zunehmend auf Unternehmensdaten zugreifen und damit dieselben Fragen zu Datenqualität, Nachvollziehbarkeit und Zugriffssteuerung aufwerfen, die BI-Programme seit Jahren beschäftigen. Wer, wie Sakana Fugu, mehrere Modelle unterschiedlicher Anbieter orchestriert, sollte diese Verbindung zwischen KI-Governance und klassischer Datengovernance frühzeitig mitdenken, auch wenn hierzu bislang keine spezifische Analystenaussage von BARC oder Eckerson zu Fugu selbst vorliegt.

Sakana Fugu im Wettbewerbsvergleich

Die vier Werkzeugkategorien wurden bereits weiter oben eingeordnet. Im direkten Wettbewerbsvergleich zu Fugu lässt sich das Feld der KI-Orchestrierung noch einmal entlang von drei Positionierungen zuspitzen. Erstens Entwickler-Frameworks für Multi-Agenten-Systeme wie LangChain beziehungsweise LangGraph, Microsoft AutoGen und Semantic Kernel sowie CrewAI, bei denen Agentenrollen, Graphen und Arbeitsabläufe manuell programmiert werden müssen. Zweitens Smart Model Router und Mixture of Agents-Plattformen wie Together AI, Martian Router, Unify AI oder RouteLLM, die Anfragen dynamisch an das jeweils günstigste oder leistungsfähigste Einzelmodell weiterleiten. Drittens integrierte Agentensysteme großer KI Labore wie OpenAI mit seinen Reasoning Ketten oder Anthropic mit agentischen Workflows für Coding und Analyseaufgaben, die jedoch meist an ein einziges Ökosystem gebunden bleiben.

Kriterium	Sakana Fugu	Klassische Frameworks (LangGraph, CrewAI, AutoGen)	Smart Router (RouteLLM, Martian, Unify AI)
Integrationsaufwand	Sehr gering, ein API Call	Hoch, eigenes Code Setup und Zustandsverwaltung	Gering, ein API Call
Workflow Definition	Vollautomatisch und dynamisch durch TRINITY und Conductor	Manuell programmiert	Statisch nach Routing-Regel
Modell Pool	Multi Vendor: Claude Opus 4.8, GPT-5.5, Gemini 3.1 Pro, plus offene Modelle	Beliebig konfigurierbar	Variabel je nach Anbieter
Koordination der Agenten	KI gesteuert, über TRINITY und Conductor	Regelbasiert beziehungsweise hartcodiert	Basierend auf Benchmark-Klassifizierung
Governance Ansatz	Ausschluss einzelner Provider möglich (Compliance Filter)	Vollständig in Eigenverantwortung des Entwicklerteams	Abhängig vom jeweiligen Router Anbieter

Tabelle 1: Einordnung von Sakana Fugu gegenüber klassischen Multi-Agenten-Frameworks und Smart Router-Plattformen. Eigene Darstellung auf Basis der von Sakana AI veröffentlichten Produktbeschreibung.

Der entscheidende Unterschied zu klassischen Frameworks liegt laut TrueFoundry darin, dass führende Orchestrierungs Frameworks zwar den Koordinationsaufwand lösen, jedoch selten auch die Governance Ebene, die Kostensteuerung oder die Compliance-Prüfung mit abdecken. Genau diese Lücke will Sakana mit eingebauten Filtermöglichkeiten für Modelle und Anbieter adressieren (Quelle: TrueFoundry, Juni 2026).

I Battle Tested Sakana Fugu's Fable Killer

Video: AI Automation Society, Praxistest Fugu Ultra vs. Claude Opus 4.8 (Quelle: YouTube/Nate Herk | AI Automation)

Leistungsdaten: Was die Benchmarks zeigen

Nach Angaben von Sakana AI erreicht das Basismodell Fugu einen Wert von 95,5 Punkten auf dem Wissens Benchmark GPQA Diamond, während die leistungsstärkere Variante Fugu Ultra auf LiveCodeBench 93,2 Punkte und auf SWE Bench Pro 73,7 Punkte erzielt (Quelle: Sakana AI, zusammengefasst nach AI Weekly, Juni 2026).

Diese Zahlen sind ausdrücklich als Herstellerangaben zu lesen. Auf dem unabhängig positionierten Goldie Bench soll Fugu Ultra einen Wert von 8,62 von 10 Punkten über alle bewerteten Aufgaben erreichen, wobei auch hier zur Vorsicht bei selbstberichteten Werten geraten wird (Quelle: AI Profit Boardroom, 23. Juni 2026). Für eine belastbare Kaufentscheidung empfiehlt sich daher, eigene Evaluationen mit unternehmensspezifischen Aufgabenstellungen durchzuführen, statt sich allein auf veröffentlichte Benchmarkwerte zu verlassen.