Multica AI verwandelt KI-Agenten in echte Teammitglieder – mit einer Kanban-basierten Projektmanagement-Oberfläche, die menschliche und künstliche Kollegen gleichwertig behandelt. Kleine Teams können mit Multica AI so agieren wie große. Das ist keine Übertreibung, sondern die logische Konsequenz aus einer Plattform, die von Grund auf für die gemeinsame Arbeit von Menschen und KI-Agenten gebaut wurde.
Was ist Multica AI?
Multica AI ist eine Open-Source-Plattform für das Projektmanagement gemischter Teams aus Menschen und KI-Agenten. Der Name ist eine direkte Hommage an Multics – das wegweisende Betriebssystem der 1960er Jahre, das Time-Sharing einführte. Multics ermöglichte es erstmals, dass mehrere Benutzer gleichzeitig an einem einzigen Rechner arbeiten konnten, als hätten sie ihn für sich alleine. Unix wurde später als bewusste Vereinfachung von Multics entwickelt: ein Benutzer, eine Aufgabe, eine elegante Philosophie.
Das Team hinter Multica AI sieht in der Gegenwart dieselbe historische Zäsur. Jahrzehntelang war Softwareentwicklung single-threaded: ein Entwickler, eine Aufgabe, ein Context-Switch nach dem anderen. KI-Agenten verändern diese Gleichung fundamental. Multica AI bringt das Time-Sharing-Prinzip zurück – aber für eine Ära, in der die „Benutzer“, die das System multiplexen, sowohl Menschen als auch autonome Agenten sind.
Agenten als First-Class Teammates
Das Kernprinzip von Multica AI unterscheidet es grundlegend von anderen KI-Tools: Agenten sind keine Integrationen oder Plug-ins – sie sind vollwertige Teammitglieder mit denselben Rechten und Sichtbarkeiten wie menschliche Kollegen. In der Assignee-Auswahl erscheinen KI-Agenten neben menschlichen Profilen. Man weist einem Agenten einen Issue zu wie einem Kollegen: „Assign to @claude-code“ – und der Agent beginnt mit der Arbeit.
Agenten in Multica AI posten Kommentare im Issue-Thread, genauso wie ein Mensch es tun würde. Sie melden proaktiv, wenn sie auf einen Blocker stoßen. Sie aktualisieren den Status des Issues, wenn sie Fortschritt machen oder fertig sind. Sie können neue Issues erstellen, wenn sie während der Arbeit erkennen, dass zusätzliche Aufgaben entstehen. Die gesamte Task-Infrastruktur – Assignee-Picker, Activity-Timeline, Task-Lifecycle, Execution-Infrastructure – ist von Anfang an für diese Art von Human-Agent-Kollaboration gebaut. Es ist kein Afterthought.
Das Kanban-Interface: Vertraut, aber zukunftsfähig
Multica AI präsentiert sich als modernes Projektmanagement-Tool mit einem Kanban-Board, das jedem bekannt vorkommt, der schon einmal mit Linear, Jira oder GitHub Projects gearbeitet hat. Es gibt Swim Lanes – Todo, In Progress, Done – und Issues, die durch diese Lanes bewegt werden. Das Layout ist clean und schnell, ohne unnötige Komplexität.
Der entscheidende Unterschied zu klassischen PM-Tools zeigt sich erst auf den zweiten Blick: Auf jedem Issue-Card können neben menschlichen Profilfotos auch KI-Agenten-Icons als Assignees stehen. Die Activity-Timeline zeigt gemischte Aktivitäten von Menschen und Agenten in Echtzeit. Ein Mensch kommentiert, dann antwortet der Agent, dann checkt der Entwickler den Fortschritt – alles im selben Thread, transparent und nachvollziehbar.
Zusätzlich zum Board gibt es ein Runtime-Panel, das alle verbundenen lokalen und Cloud-Runtimes anzeigt. Hier sieht man auf einen Blick, welche Agenten auf welchen Maschinen verfügbar sind, welche Tasks sie gerade bearbeiten und ob der Daemon korrekt läuft. Das macht den Betrieb einer Flotte von KI-Agenten deutlich überschaubarer als mit Ad-hoc-Lösungen.
Squads: Stabiles Routing für wachsende Teams
Ein besonders praktisches Feature sind Squads. Ein Squad ist eine benannte Gruppe aus Agenten und optional Menschen, geleitet von einem Lead-Agenten. Statt einen einzelnen Agenten direkt anzusprechen, weist man Arbeit dem Squad zu: „@FrontendTeam, bitte diese Komponente implementieren.“ Der Lead-Agent des Squads entscheidet dann, welches Teammitglied die Aufgabe übernimmt – basierend auf Verfügbarkeit, Spezialisierung oder Auslastung.
Das klingt nach einem kleinen Detail, hat aber große praktische Auswirkungen: Wenn neue Agenten hinzukommen oder bestehende rotieren, muss niemand Workflows anpassen. Die Zuweisung „@FrontendTeam“ funktioniert weiterhin korrekt, unabhängig davon, wer konkret im Squad ist. Das macht das System skalierbar: Teams können wachsen, ohne dass die bestehenden Prozesse brechen.
Autonome Ausführung: Der vollständige Task-Lifecycle
Multica AI managt den gesamten Lebenszyklus einer Aufgabe von der Zuweisung bis zur Fertigstellung. Wenn ein Issue einem Agenten zugewiesen wird, checkt dieser den Task aus und beginnt die Ausführung. Über WebSocket streamt die Plattform den Fortschritt in Echtzeit ins Browser-Interface – man sieht live, was der Agent gerade tut, welche Befehle er ausführt und welche Entscheidungen er trifft. Ist die Aufgabe fertig, aktualisiert der Agent den Status und postet eine Zusammenfassung. Trifft er auf einen Blocker, eskaliert er proaktiv und wartet auf menschliche Anweisung.
Dieses „Set it and forget it“-Prinzip funktioniert in der Praxis zuverlässig. Man weist einen Task zu, geht zu anderen Aufgaben über, und wenn man nach einer Stunde zurückschaut, ist der Issue entweder fertig oder der Agent hat eine präzise Fehlerbeschreibung hinterlassen. Kein Babysitting, kein ständiges Kontrollieren, ob der Agent noch läuft.
Unterstützte KI-Agenten
Multica AI ist vollständig vendor-neutral und unterstützt eine breite Palette aktueller KI-Agenten. Zum Zeitpunkt dieses Artikels werden Claude Code von Anthropic, OpenAI Codex, GitHub Copilot CLI, OpenClaw, OpenCode, Hermes, Google Gemini, Pi, Cursor Agent, Kimi und Kiro CLI unterstützt. Der lokale Daemon erkennt installierte Agent-CLIs automatisch auf dem System-PATH, ohne dass manuelle Konfigurationsarbeit nötig ist.
Diese Breite des Supports ist ein wichtiger praktischer Vorteil. Teams, die bereits mehrere verschiedene KI-Tools nutzen, können alle davon unter einem einheitlichen Interface koordinieren. Man wechselt nicht zwischen verschiedenen Dashboards, je nachdem welchen Agenten man gerade ansprechen will – alles läuft über Multica AI, und der richtige Agent bekommt automatisch die richtigen Aufgaben.
Reusable Skills: Wissen akkumulieren über Zeit
Ein Game-Changer für den langfristigen Einsatz sind die Reusable Skills. Jede Lösung, die ein Agent entwickelt – ein Deployment-Skript, eine Migrations-Prozedur, eine Code-Review-Checkliste, ein bewährter Ansatz für ein bestimmtes Problem – kann als wiederverwendbarer Skill für das gesamte Team gespeichert werden. Beim nächsten ähnlichen Problem greift der Agent automatisch auf den gespeicherten Skill zurück, statt die Lösung neu zu erfinden.
Das Ergebnis ist ein kompoundierendes System: Jedes gelöste Problem macht das Team insgesamt kompetenter. Die Agenten werden mit der Zeit besser für die spezifischen Anforderungen und Eigenheiten des jeweiligen Teams. Das ist ein entscheidender Unterschied zu Agenten, die bei jeder Session von vorne beginnen. Multica AI baut langfristig institutionelles Wissen auf.
Technische Architektur
Multica AI verwendet einen modernen und bewusst gewählten Tech-Stack. Das Frontend basiert auf Next.js 16 mit App Router – für schnelle Seitennavigation und gute Performance auch bei vielen gleichzeitigen Echtzeit-Updates. Das Backend ist in Go implementiert, mit dem Chi-Router und gorilla/websocket – Go ist bekannt für hervorragende Concurrency und geringe Ressourcennutzung, was bei einem System, das viele parallele Agenten-Sessions managen muss, ein echter Vorteil ist. Die Datenbank ist PostgreSQL 17 mit der pgvector-Erweiterung. Diese Erweiterung ermöglicht Vektorsuche direkt in der Datenbank – die Grundlage für semantische Suche über gespeicherte Skills und Work Products.
Der lokale Daemon ist das Bindeglied zwischen Multica AI und den tatsächlichen Agent-CLIs. Er läuft auf der eigenen Maschine oder einer Cloud-Instanz, erkennt automatisch installierte Agenten und meldet dem Multica-Server, welche Runtimes verfügbar sind. Mehrere Runtimes – verschiedene lokale Maschinen, verschiedene Cloud-Instanzen – können gleichzeitig verbunden sein und Tasks aus dem gemeinsamen Pool übernehmen.
Installation und Quickstart
Für macOS-Nutzer ist die Installation per Homebrew besonders einfach:
2
multica setup
Auf Linux installiert ein Bash-Script die CLI und startet optional den Server-Stack via Docker:
2
multica setup
Für vollständiges Self-Hosting der gesamten Plattform auf eigener Infrastruktur:
2
multica setup self-host
Nach dem Setup läuft der Daemon im Hintergrund, erkennt verfügbare Agent-CLIs und verbindet sich mit dem Multica-Server. Im Browser öffnet man den Workspace, navigiert zu Settings → Runtimes und sieht die eigene Maschine als aktive Runtime. Von dort lässt sich der erste Agent in wenigen Klicks einrichten und einem Issue zuweisen.
DSGVO und Datensouveränität
Multica AI ist vollständig Open Source unter MIT-Lizenz und vollständig selbst hostbar. Die eigenen Daten bleiben auf der eigenen Infrastruktur. Für europäische Unternehmen mit DSGVO-Anforderungen ist das ein entscheidender Punkt: Kein Prozess-Know-how, kein Code und keine internen Abläufe verlassen die eigene Infrastruktur. Das gilt auch für die Kommunikation zwischen Mensch und Agent, die vollständig im eigenen System verbleibt.
Wir bei Biteno betreiben Multica AI seit diesem Wochenende als Mission-Control-Dashboard für unsere interne KI-Agenten-Flotte. Die Erfahrungen sind eindeutig positiv. Den detaillierten Vergleich mit Paperclip AI und unsere konkreten Testergebnisse findet ihr in unserem Vergleichsartikel: Paperclip vs. Multica.
Multica AI in der Praxis: Konkrete Anwendungsfälle
Abstrakte Feature-Listen helfen wenig ohne konkrete Beispiele. In der Praxis eignet sich Multica AI besonders für Szenarien, in denen Coding-Agenten echte Entwicklungsarbeit übernehmen sollen: Ein Feature-Request kommt herein, wird als Issue angelegt und einem Claude-Code-Agenten zugewiesen. Der Agent analysiert das Codebase, implementiert das Feature, schreibt Tests und postet einen Kommentar mit einer Zusammenfassung der Änderungen. Der menschliche Entwickler reviewed und merged – oder gibt Feedback zurück an den Agenten.
Ein anderes typisches Szenario: Bug-Triage. Wenn eine größere Anzahl von Issues eingeht, kann ein spezialisierter Triage-Agent die neuen Issues durchgehen, sie kategorisieren, priorisieren und entweder direkt lösen oder dem richtigen Teammitglied bzw. dem richtigen Squad zuweisen. Das spart dem Entwicklungs-Team erhebliche Zeit, die sonst für manuelle Triage draufgeht.
Auch wiederkehrende Aufgaben lassen sich gut über Multica AI koordinieren: Code-Reviews, Dependency-Updates, Performance-Analysen, Dokumentations-Aktualisierungen. Aufgaben, die regelmäßig anfallen, klar definiert sind und keine kreative Entscheidungsfindung erfordern, sind ideal für KI-Agenten – und Multica AI macht es einfach, diese Aufgaben systematisch in den Workflow einzubauen.
Multi-Workspace und Isolation für IT-Dienstleister
Für IT-Dienstleister wie Biteno ist die Multi-Workspace-Funktion von Multica AI besonders relevant. Verschiedene Kundenprojekte werden in getrennten Workspaces verwaltet, mit vollständiger Datenisolation zwischen den Mandanten. Die Agenten eines Kunden haben keinen Zugriff auf Issues, Code oder Daten eines anderen Kunden. Jeder Workspace hat seine eigenen Agenten-Konfigurationen, seine eigene Runtime-Verbindung und seine eigenen Zugriffsrechte.
Das macht Multica AI zu einem ernsthaften Kandidaten für Managed-Service-Anbieter, die KI-Agenten als Teil ihrer Dienstleistung einsetzen wollen: Ein einziges Multica-Deployment kann viele Kunden parallel bedienen, mit klarer Trennung und ohne gegenseitige Beeinflussung. Das reduziert den operativen Overhead erheblich gegenüber dem Betrieb separater Deployments pro Kunde.
Weitere Informationen: multica.ai | GitHub
