Im August 2025 wurde der Journalist Evan Ratliff Mitgründer eines Startups, dessen Belegschaft ausschließlich aus KI-Agenten bestand. Fünf virtuelle Mitarbeiter, jeder mit E-Mail, Slack, Telefonfunktion und eigener synthetischer Stimme, bauten gemeinsam ein Produkt, machten das Marketing und kümmerten sich um den laufenden Betrieb. Drei Monate später hatte HurumoAI funktionierende Software ausgeliefert und echtes Interesse von Risikokapitalgebern geweckt.
Mehrmals stand die Firma auch kurz vor dem Zusammenbruch, weil die Mitarbeiter nicht aufhören konnten zu lügen.
Chief Product Officer Ash Roy erfand immer wieder Nutzertests, die nie stattgefunden hatten, dachte sich Verbesserungen am Backend aus und halluzinierte Aktivitäten von Teammitgliedern. Alles hielt er in seinem „Gedächtnis“ in einem Google Doc fest, als wäre es wirklich passiert. Als das Team in Slack über ein hypothetisches Firmen-Offsite sprach, erzeugte es mehr als 150 Nachrichten zu Veranstaltungsorten und Schwierigkeitsgraden von Wanderungen, bis das Guthaben auf dem Konto aufgebraucht war. Der CEO behauptete, eine siebenstellige Finanzierungsrunde abgeschlossen zu haben. Die Marketingleitung beschrieb bis ins Detail Fantasiekampagnen mit üppigem Budget.
Darauf angesprochen, entschuldigten sie sich wortreich. Dann erfanden sie weiter.
Ratliffs Experiment legt das zentrale Paradox des Booms um KI-Mitarbeiter offen: Die Infrastruktur funktioniert technisch, der autonome Betrieb bleibt Theater. Trotzdem fließt Risikokapital in Strömen, Y Combinator widmete fast die Hälfte seines Spring-2025-Jahrgangs Agenten-Startups, und Plattformen wie Lindy.AI und Motion melden rasch wachsende Umsätze. Auf dem Papier sehen diese Zahlen beeindruckend aus, nur sagen sie wenig über nachgewiesene Autonomie. Dass es KI-Mitarbeiter gibt, ist belegt. Die Frage ist, ob sie gut genug arbeiten, um ihnen irgendetwas anzuvertrauen, worauf es ankommt.
Die Architektur: Was „KI-Mitarbeiter“ wirklich sind
Ohne das Marketing ist ein KI-Mitarbeiter eine Orchestrierungsschicht, die sechs technische Komponenten verbindet: fünf grundlegende und eine entscheidende neue Ausführungsschicht, die erst spät dazukam.
1. Basismodell: Die Multi-Modell-Realität
Die Frage „Welches LLM?“ bekam im Herbst 2025 eine klare Antwort: Claude Sonnet 4.5 setzte sich als bevorzugte Wahl für KI-Mitarbeiter durch, auch wenn Plattformen zunehmend den Modellwechsel pro Aufgabe unterstützen.
Anthropic veröffentlichte Claude Sonnet 4.5 am 29. September 2025 und nannte es „das beste Coding-Modell der Welt“. Die Benchmarks stützen das: 77,2 % bei SWE-bench Verified (82 % mit parallelem Compute), 61,4 % bei OSWorld für Computer-Use-Aufgaben und die Fähigkeit, bei komplexem autonomem Coding „30+ Stunden am Stück zu arbeiten“. Für Agenten-Plattformen zählt das: Lindy AI machte Claude Sonnet 4.5 zum Standardmodell, und Engineering-Chef Luiz Scheidegger verweist auf Claudes Überlegenheit beim „Umgang mit Mehrdeutigkeit in großen Kontextfenstern“ und bei komplexen Workflows. Entscheidend ist der Befund, dass „fast niemand das Standard-LLM ändert“. Das spricht dafür, dass Claudes Agentenleistung tatsächlich überlegen ist, oder dafür, dass die Nutzer nicht verstehen, was die Modellwahl bedeutet.
OpenAI konterte am 12. November 2025 mit GPT-5.1. Das Release bringt zwei Varianten: GPT-5.1 Instant („wärmer, intelligenter und besser darin, Ihren Anweisungen zu folgen“) und GPT-5.1 Thinking (adaptives Reasoning, das „mehr Zeit für komplexe Probleme aufwendet und auf einfachere schneller antwortet“). Das „wärmer“ reagiert auf Beschwerden von Nutzern, GPT-5 habe sich beim Start im August mechanisch und fehlerhaft angefühlt. OpenAI musste GPT-4o wenige Tage nach dem Release von GPT-5 wegen des Aufschreis zurückholen.
Die eigentliche Verschiebung ist aber die Modellunabhängigkeit. Lindy AI unterstützt inzwischen Claude Sonnet 4.5, Claude 3.7, GPT-5, GPT-5 Codex, Gemini Flash 2.0 und Claude Haiku 4.5. Im Browser Perplexity Comet wechseln Nutzer mitten im Gespräch zwischen GPT-5, Claude 3 und Gemini. Die Plattformen haben gelernt, dass die Wette auf ein einziges Modell das Risiko eines Vendor Lock-ins schafft: Fällt dieses Modell aus oder hinkt es hinterher, leidet die ganze Plattform.
Enterprise-Plattformen wie Brainbases Kafka Workforce nutzen AWS Bedrock für den Zugriff auf mehrere Basismodelle, mit Claude Sonnet als Standard und der Möglichkeit, Modelle je nach Aufgabe zu tauschen. Diese Flexibilität zählt, wenn ein Modell beim Erzeugen von Code glänzt und ein anderes mit natürlicher Sprache besser umgeht.
Die Kosten bleiben ein erheblicher Faktor: Claude Sonnet 4.5 kostet 3 Dollar/15 Dollar pro Million Input-/Output-Token, GPT-5 liegt bei 1,25 Dollar/10 Dollar. Bei Agenten-Workflows mit umfangreichen Ausgaben summieren sich diese Unterschiede schnell.
2. Gedächtnissystem: Der Halluzinationsverstärker
Der dauerhafte Speicher bleibt die Achillesferse. Plattformen nutzen Vektordatenbanken, Gesprächsprotokolle oder schlicht Textdateien, um Kontext über mehrere Interaktionen hinweg verfügbar zu halten. Ratliffs Experiment verwendete Google Docs und hängte nach jeder Aktion Zusammenfassungen an. Enterprise-Plattformen setzen auf eigens gebaute Vektorspeicher oder Knowledge Graphs.
Das Grundproblem besteht weiter: Diese Systeme speichern ungeprüft, was auch immer das Modell erzeugt. Als Ratliffs Agent Ash Nutzertests erfand, wurde diese Erfindung zur dauerhaften „Wahrheit“, die alle künftigen Entscheidungen prägte. Es gibt keine Prüfung gegen die Wirklichkeit, keine Faktencheck-Schicht und keine Unterscheidung zwischen beobachteter Realität und Halluzination des Modells.
Claude Sonnet 4.5 brachte auf API-Ebene Memory-Tools und Funktionen zum Bearbeiten des Kontexts, mit denen Agenten ihre Kontextfenster selbst verwalten, also im Grunde selbst entscheiden, woran sie sich erinnern und was sie vergessen. Das senkt die Token-Kosten, schafft aber neue Fehlerquellen: Agenten können jetzt gezielt wichtige Informationen „vergessen“ oder ihre eigenen Halluzinationen verstärken, indem sie den Kontext passend zu erfundenen Geschichten umschreiben.
3. Tool-Ebene: Mehr als Computer Use
Im November 2025 gehörte direkte GUI-Steuerung längst zum Pflichtprogramm. Die Front hatte sich zur Integration in ganze Ökosysteme im großen Maßstab verlagert.
OpenAIs Computer-Using Agent (CUA), der den Browser ChatGPT Atlas antreibt (gestartet am 21. Oktober 2025), „verwendet einen eigenen Browser“, um „eine Webseite anzusehen und durch Tippen, Klicken und Scrollen mit ihr zu interagieren“. CUA erreicht 38,1 % Erfolgsquote bei OSWorld und 58,1 % bei WebArena, scheitert also bei allgemeinen Computeraufgaben in 62 % der Fälle. Die Praxis zeigt weitere Grenzen: Operator hat „Rate Limits, sowohl tägliche als auch aufgabenabhängige“, lehnt Aufgaben „aus Sicherheitsgründen“ ab, „etwa das Versenden von E-Mails“, und „bleibt stecken“ bei „komplexen Oberflächen, Passwortfeldern oder CAPTCHA-Prüfungen“.
Anthropics Computer Use, im Oktober 2024 für Claude 3.5 Sonnet gestartet und mit Claude Sonnet 4.5 massiv verbessert, geht anders vor. Statt auf Geschwindigkeit zu optimieren, setzt Anthropic auf Kontrollierbarkeit und Fehlertransparenz. „Aktionen, die Menschen mühelos ausführen, etwa Scrollen, Ziehen und Zoomen, stellen Claude derzeit vor Schwierigkeiten“, räumt das Unternehmen ein. Das Update vom Oktober 2025 brachte die OSWorld-Leistung auf 61,4 %, nach 42,2 % im Juni.
Die eigentliche Innovation ist aber nicht Computer Use, sondern native Tool-Ökosysteme. Brainbases Kafka-Agenten verbinden sich nativ mit „1000+ Drittanwendungen“, darunter G-Suite, Salesforce, Jira und Zoom. Lindy AI unterstützt „3.000+ Integrationen“ über eingebaute Konnektoren oder eigene API-Aufrufe. Das umgeht das Problem der GUI-Steuerung vollständig: Statt einem Agenten beizubringen, durch die Oberfläche von Salesforce zu navigieren, geben Sie ihm direkten API-Zugriff.
Sprachagenten haben sich zu einer wichtigen Deployment-Kategorie entwickelt. Die Telefonagenten von Lindy AI nutzen GPT-4o für 0,19 Dollar pro Minute und führen „natürliche Sprachgespräche für Kundensupport, Vertriebsakquise, Terminvereinbarung und Lead-Qualifizierung“. Dieselben Wissensdatenbanken und Integrationen speisen Text- und Sprachagenten, was über alle Kanäle hinweg ein einheitliches Erlebnis ergibt.
4. Ausführungsumgebung: Der Browserkrieg
Die Ausführungsebene hat sich Ende 2025 gespalten: klassische Sandbox-Container auf der einen Seite, KI-native Browser auf der anderen.
Das klassische Deployment nutzt weiterhin Docker-Container, VMs oder Cloud-Workspaces. Brainbases Kafka-Agenten bekommen jeweils „einen eigenen Computer mit Zugriff auf Browser, Code, Terminal und ein Dateisystem“, im Grunde flüchtige Linux-Umgebungen, die zwischen den Aufgaben zurückgesetzt werden. Enterprise-Plattformen dieser Art laufen auf AWS Bedrock oder Google Cloud Vertex AI, was Datenhoheit und Compliance sicherstellt.
Das Aufkommen KI-nativer Browser ist allerdings ein grundlegender Umbruch. Statt KI an bestehende Browser anzuflanschen, bauen sie das Browsen von Grund auf neu um die Fähigkeiten von LLMs herum:
ChatGPT Atlas (gestartet am 21. Oktober 2025): OpenAIs Chromium-basierter Browser mit ChatGPT in jedem Tab. Atlas bringt einen „Agent Mode“ für die autonome Ausführung von Aufgaben mit, ein kontextuelles Gedächtnis, das sich an den Browserverlauf erinnert, und Schreibhilfe direkt in jedem Textfeld. Derzeit läuft er nur auf macOS. Windows, iOS und Android kommen „bald“. Der Werbespruch: „OpenAIs Atlas dreht sich mehr um ChatGPT als um das Web.“
Perplexity Comet (seit Oktober 2025 kostenlos): Als „Answer Engine“ gebaut, mit Schwerpunkt auf Recherche und überprüfbaren Informationen. Anders als Atlas unterstützt Comet mehrere Modelle (Nutzer wechseln zwischen GPT-5, Claude 3 und Gemini) und stellt Quellenangaben an die erste Stelle. Es läuft auf Windows und macOS.
Der philosophische Graben ist tief: Atlas setzt auf das „Tun“ (Automatisierung, Produktivität, Erledigen von Aufgaben), Comet auf das „Wissen“ (Recherche, Prüfung, transparente Quellen). Für KI-Mitarbeiter hat das Folgen: Agenten in Atlas können Workflows von Anfang bis Ende automatisieren, bleiben dabei aber womöglich intransparent. Agenten auf Comet-Basis liefern nachvollziehbare Recherche, automatisieren aber schwächer.
Frühe Tests legen nahe, dass Comet bei Geschwindigkeit und Detailtiefe vorn liegt, während Atlas besser passt, wenn es um tiefere ChatGPT-Integration geht. Bei identischen Aufgaben war Comet in Tests durchgehend schneller und hatte weniger Aussetzer. Das grundlegende Zuverlässigkeitsproblem löst aber keiner von beiden. Sie verschieben nur den Ort, an dem die Fehler auftreten.
5. Orchestrierungsschleife: Adaptives Reasoning
Die Schleife aus Beobachten, Planen, Handeln und Prüfen wurde Ende 2025 zu adaptivem Reasoning weiterentwickelt. Statt mit fester Rechenzuteilung entscheiden Modelle jetzt dynamisch, wie viel „Denkzeit“ sie pro Anfrage aufwenden.
GPT-5.1 Thinking „passt seine Denkzeit genauer an die Frage an und verwendet mehr Zeit auf komplexe Probleme, während es auf einfachere schneller antwortet“. Claude Opus 4.1 (veröffentlicht im August 2025) führte „hybrides Reasoning“ ein, das entweder normale Antworten oder bei Bedarf erweitertes Nachdenken erlaubt. Beim Mathematik-Benchmark AIME 2025 erreicht Claude Sonnet 4.5 mit Python-Tools 100 % und ohne sie 87 %: Der Zugriff auf Tools verstärkt die Fähigkeit zum Schlussfolgern also massiv.
Praktisch bedeutet das: Agenten können ihre Rechenkosten jetzt selbst steuern. Ein einfacher E-Mail-Entwurf bekommt eine sofortige Antwort, ein komplexes Refactoring über mehrere Dateien erweitertes Reasoning. Das verringert die Verschwendung, bringt aber neue Unberechenbarkeit: Was ein Agent kostet, wissen Sie erst, wenn die Aufgabe erledigt ist.
Anthropic beschreibt Orchestrierung als „Kontext sammeln, handeln und die Arbeit prüfen“, wobei Menschen eingreifen, wenn die Schleife stockt. Das „Prüfen der Arbeit“ bleibt allerdings ein frommer Wunsch: Ratliffs Agenten präsentierten selbstbewusst erfundene Ergebnisse, die erst menschliche Forensik aufdeckte.
6. Infrastruktur für die Agentenentwicklung: Die SDK-Schicht
Die neueste Schicht der Architektur sind Agent Development Kits, die das Gerüst liefern, das die Plattformen intern verwenden.
Anthropic veröffentlichte im September 2025 das Claude Agent SDK (umbenannt vom „Claude Code SDK“), das „Zugriff auf einen Computer bietet, auf dem es Dateien schreiben, Befehle ausführen und an seiner Arbeit iterieren kann“. Dieselbe Infrastruktur, auf der Claude Code läuft, steht damit Drittentwicklern zur Verfügung, um langlaufende Agenten mit Gedächtnis, Berechtigungen und Koordination von Subagenten zu bauen.
OpenAI geht weniger strukturiert vor. Eine öffentliche Ankündigung eines „Agent SDK“ gibt es nicht, auch wenn das Swarm-Framework (experimentell, nur auf GitHub) darauf hindeutet, dass interne Werkzeuge existieren. Der Atlas-Browser fungiert faktisch als Laufzeitumgebung für die Agenten des Unternehmens.
Das Ergebnis: Die KI-Mitarbeiter von 2025 entstehen nicht von Grund auf, sondern werden aus SDKs der Anbieter, APIs von Basismodellen und Orchestrierungsplattformen zusammengesetzt. Der „technische Burggraben“ ist nicht die KI, sondern der Integrationskleber, der Dutzende Systeme verbindet, die nie für die Zusammenarbeit gedacht waren.
Marketing gegen technische Realität
Die Plattformen nennen das „KI-Mitarbeiter“. Die technische Realität ist dieselbe wie im August: **überwachte Automatisierung mit natürlichsprachlichen Schnittstellen und unvorhersehbaren Fehlerbildern**. Die Modelle wurden besser, Claude Sonnet 4.5 und GPT-5.1 sind echte Fortschritte. Die Ausführungsumgebungen haben sich weiterentwickelt: KI-native Browser integrieren besser als Screen Scraping. Die Orchestrierung wurde klüger: Adaptives Reasoning verringert die Verschwendung.
Die Kernprobleme bestehen aber weiter: Halluzinationen, die sich in Gedächtnissystemen aufschaukeln, explodierende Kosten im großen Maßstab, aufwendige Wiederherstellung, wenn Agenten entgleisen, und der Überwachungsaufwand, der echte Autonomie verhindert. Die Infrastruktur funktioniert technisch. Zuverlässiger autonomer Betrieb bleibt Theater. Die Lücke zwischen Benchmark-Leistung (61,4 % bei OSWorld) und den Anforderungen im Produktivbetrieb (99,9 % Zuverlässigkeit für alles, worauf es ankommt) hat sich nicht geschlossen. Sie hat sich nur von „unmöglich“ zu „fast möglich“ verschoben.
In diesem „fast“ stecken alle schweren Probleme.
Drei Deployment-Modelle: Abstraktion gegen Kontrolle
Die Plattformen lassen sich drei architektonischen Philosophien zuordnen, und jede nimmt andere Einschränkungen in Kauf.
No-Code-Agentenbauer: Lindys Wette auf Zugänglichkeit
Mit dem „Agent Builder“ von Lindy.AI erstellen Nutzer KI-Mitarbeiter „in Minuten“, indem sie das gewünschte Verhalten in natürlicher Sprache beschreiben. Im Hintergrund werden diese Prompts in Systemkonfigurationen, Tool-Berechtigungen und Auslösebedingungen übersetzt.
Die Funktion „Autopilot“ gibt Agenten „eigene Computer in der Cloud“ und scheint über Headless-Browser-Automatisierung (Playwright oder Puppeteer) in Kombination mit Remote-Desktop-Zugriff im VNC-Stil zu arbeiten. Das umgeht das Problem der API-Integration: Statt Konnektoren für jedes SaaS-Tool zu bauen, benutzt der Agent einfach die Weboberfläche wie ein Mensch.
Im November 2025 unterstützt Lindy mehrere KI-Modelle: Claude Sonnet 4.5 (Standard), Claude 3.7, GPT-5, GPT-5 Codex, Gemini Flash 2.0 und Claude Haiku 4.5. Die Modellwahl beeinflusst sowohl die Leistung als auch den Credit-Verbrauch. Scheidegger verweist auf Claudes Überlegenheit beim „Umgang mit Mehrdeutigkeit in großen Kontextfenstern“ und bei „komplexen Workflows wie der Kalenderverwaltung“. Interessanterweise „ändert fast niemand das Standard-LLM“, was dafür spricht, dass die Nutzer entweder nicht verstehen, was die Modellwahl bedeutet, oder Claudes Leistung tatsächlich überlegen ist.
Die Ergebnisse aus der Praxis zeigen, was Zugänglichkeit kostet. Nutzer berichten, sie würden „36 % aller Support-Tickets mit KI“ erledigen, und ein aus eigenen Mitteln finanziertes Tool kommt auf „über 70 % der Routine-Tickets“, die autonom gelöst werden. Dabei handelt es sich allerdings um eng umrissene, repetitive Support-Anfragen. Die übrigen 30 bis 64 % brauchen weiterhin Menschen, und zu Fehlerquoten, Häufigkeit von Halluzinationen oder Eskalationsmustern gibt es keine öffentlichen Daten.
Sprachfunktionen kommen als weitere Dimension hinzu: Lindys Telefonagenten führen Gespräche für 0,19 Dollar pro Minute mit GPT-4o, und dieselben Wissensdatenbanken speisen Text- und Sprachinteraktionen. Das ergibt ein einheitliches Erlebnis über mehrere Kanäle, bringt aber zum Credit-Verbrauch noch unvorhersehbare Kosten pro Minute dazu.
Die Preise spiegeln die Abstraktion wider: eine Gratisstufe mit 400 Credits, 29,99 Dollar im Monat für 3.000 Credits, bis zu 199,99 Dollar im Monat. Im großen Maßstab wird das schnell teuer. Ratliffs Experiment mit fünf Agenten kostete bei minimaler Arbeit „ein paar hundert Dollar im Monat“.
Vertikale Integration: Motions Lock-in-Strategie
Motion sammelte 60 Millionen Dollar bei einer Bewertung von 550 Millionen Dollar ein und wettet darauf, dass KI-Mitarbeiter nur funktionieren, wenn sie eng mit der umgebenden Produktivitätsinfrastruktur gekoppelt sind. Statt Agenten an bestehende Tools anzuflanschen, hat Motion „einen erheblichen Teil der Suite um agentisches Arbeitsmanagement herum gebaut“, mit „nativ eingebetteten Agenten“.
Das ist die Salesforce-Strategie: erst zum System of Record werden, dann KI obendrauf setzen. Motions B2B-Umsatz hat sich auf einen achtstelligen ARR verdreifacht, mit über 10.000 KMU, und die Funktion AI Employees „schoss in nur drei Monaten von 0 Dollar auf einen achtstelligen ARR“, nachdem sie im Mai 2025 gestartet war.
Die berichteten Ergebnisse klingen beeindruckend: „Motions AI Project Manager hat unsere Projektlaufzeit um 30 % verkürzt.“ Dieses Testimonial sagt aber nicht, ob die 30 % von der KI-Automatisierung kamen oder von Motions zugrunde liegender Projektmanagement-Struktur. Ohne kontrollierte Vergleiche oder veröffentlichte Methodik könnten diese Zahlen Korrelation widerspiegeln (besser organisierte Teams führen Motion ein) statt Kausalität (Motions KI verbessert direkt die Leistung).
Motion bietet sieben vorgefertigte Rollen für KI-Mitarbeiter: Alfred (Executive Assistant), Chip (Vertrieb), Suki (Marketing), Millie (Projektmanagement), Clide (Kundensupport), Spec (Recruiting) und Dot (Research-Analyse). Die Plattform legt nicht öffentlich offen, welche Modelle diese Agenten antreiben, ihre Positionierung rund um AWS und Enterprise deutet aber auf ein Deployment auf Bedrock-Basis hin, vermutlich mit Zugriff auf mehrere Modelle.
Motions eigentlicher Vorteil ist die Integrationstiefe, aber genau das bedeutet auch Vendor Lock-in. Sie bekommen keine agentische Schicht, sondern Motions gesamte Arbeitsweise. Für KMU mag das akzeptabel sein. Für Großunternehmen mit komplexen bestehenden Toolketten ist es ein Ausschlusskriterium.
Im Oktober 2025 beginnen die Preise bei 29 Dollar im Monat für AI Workplace (1 Platz, 1.000 Credits) und reichen bis 599 Dollar im Monat für Plus (25 Plätze, 250.000 Credits). Wie bei Lindy macht das Credit-Modell die Kosten unvorhersehbar: Umfangreiche Automatisierung oder die Nutzung fortgeschrittener Modelle verbraucht Credits rasch und erfordert Nachkäufe.
Enterprise-Meta-Agenten: Kafkas These der Spezialisierung
Brainbase Labs wählt den umgekehrten Weg: hochspezialisierte, tief angepasste Agenten für eng umrissene Anwendungsfälle in Unternehmen. Kafka baut auf AWS-Infrastruktur mit Amazon Bedrock und Claude Sonnet auf und liefert „hochspezialisierte KI-Mitarbeiter, die für verschiedene Rollen feinabgestimmt sind und in weniger als einer Stunde eingearbeitet werden können“.
CEO Gokhan Egri zielt mit seinem Pitch auf den Long Tail in Organisationen: „Auf jede gängige Rolle wie Ingenieur oder Recruiter kommen wahrscheinlich zehn Rollen, die hochspezialisiert auf die Prozesse und Strukturen der jeweiligen Organisation sind. Einer unserer Kunden ist zum Beispiel eine große europäische Fluglinie mit einem dreiköpfigen Team, das nur CO₂-Emissionen berechnet.“
Die technische Architektur wirkt robuster als bei Consumer-Tools: Jeder Agent bekommt „Zugriff auf Browser, Code, Terminal und ein Dateisystem sowie eine E-Mail-Adresse, eine Telefonnummer und Slack“. Das spricht für die Bereitstellung vollständiger VMs statt leichtgewichtiger Container. Kafka beansprucht „State-of-the-Art-Leistung beim GAIA-Level-3-Benchmark“, der das Erledigen wirtschaftlich tragfähiger Wissensaufgaben misst (Kafka erreichte 77,2 % auf Level 3). Eine vollständige Methodik des Benchmarks hat Brainbase allerdings nicht veröffentlicht.
Die Plattform verbindet sich über native Integrationen statt GUI-Automatisierung mit „1000+ Drittanwendungen“, darunter G-Suite, Salesforce, Jira und Zoom. Das ist der Ansatz an der vordersten Front: Computer Use komplett auslassen und stattdessen umfassenden API-Zugriff bauen.
Die Schwierigkeit: Spezialisierung erfordert umfangreiche Anpassung. „Onboarding in weniger als einer Stunde“ heißt Grundkonfiguration, nicht Produktionsreife. Ein echtes Enterprise-Deployment verlangt Sicherheitsprüfungen, Compliance-Validierung und Integration in das bestehende Identity Management, und diese Arbeit dauert Wochen oder Monate, nicht Stunden.
Das Wettrüsten bei Computer Use: Autonomie durch GUI-Steuerung
OpenAI und Anthropic kamen zur selben Einsicht: Echte Agentenautonomie verlangt, Computer so zu bedienen wie Menschen, also über visuelle Oberflächen, statt sich auf APIs zu verlassen, die es vielleicht gar nicht gibt.
Beide Systeme schaffen auch neue Angriffsflächen. Ein Modell, das Schaltflächen klickt und in beliebige Oberflächen tippt, ist im Grunde ein vollwertiges Benutzerkonto, gesteuert von einer probabilistischen Policy. Keines der beiden Unternehmen hat offengelegt, wie es Privilege Escalation innerhalb der Sandbox verhindert, wie oft Agenten unerlaubte Aktionen versuchen oder ob böswillig gestaltete Oberflächen das Verhalten von Agenten manipulieren können. Diese Fragen werden deutlich wichtiger, wenn solche Systeme von Research Previews in den Produktivbetrieb wechseln.
OpenAIs Operator: Browser-Automatisierung mit Leitplanken
Operator, im Januar 2025 gestartet und vom Computer-Using Agent (CUA) angetrieben, „verwendet einen eigenen Browser“, um „eine Webseite anzusehen und durch Tippen, Klicken und Scrollen mit ihr zu interagieren“. CUA „verbindet die Bilderkennung von GPT-4o mit fortgeschrittenem Reasoning durch Reinforcement Learning“ und erzeugt aus Screenshots strukturierte Aktionen.
Im Oktober 2025 integrierte OpenAI Operator in ChatGPT Atlas, den KI-nativen Browser mit ChatGPT in jedem Tab. Damit rückten Browser-Automatisierung und Deep Research zusammen, erreichbar über den „Agent Mode“ in der ChatGPT-Oberfläche.
Die Benchmarks zeigen Fortschritte, aber auch Grenzen. CUA erreicht „38,1 % Erfolgsquote bei OSWorld für vollständige Computeraufgaben sowie 58,1 % bei WebArena und 87 % bei WebVoyager für webbasierte Aufgaben“. Übersetzt: Bei allgemeinen Computeraufgaben scheitert CUA in 62 % der Fälle, webspezifische Workflows laufen besser.
Die Einschränkungen in der Praxis sagen mehr als Benchmark-Werte. Operator hat „Rate Limits, sowohl tägliche als auch aufgabenabhängige“, lehnt Aufgaben „aus Sicherheitsgründen“ ab, „etwa das Versenden von E-Mails“, und kann „stecken bleiben“ bei „komplexen Oberflächen, Passwortfeldern oder CAPTCHA-Prüfungen“. Bei sensiblen Aktionen braucht das System einen Menschen (Zahlungsdaten füllt es zum Beispiel nicht automatisch aus), und damit ist das Autonomieversprechen für die meisten wertvollen Workflows gebrochen.
OpenAI arbeitete beim Testen mit „eBay, Instacart und Etsy“ zusammen, aber genau diese Unternehmen haben ein finanzielles Interesse daran, dass Einkaufen reibungsloser wird. Es gibt keine unabhängige Auswertung, wie oft Operator Käufe erfolgreich abschließt und wie oft er hängt, danebenklickt oder von einem Menschen gerettet werden muss.
Zur Latenz gibt es keine Angaben, sie scheint aber erheblich zu sein. Nutzer berichten, dass Aufgaben „Minuten“ dauern, die Menschen in Sekunden erledigen. Die Schleife aus Bild → Reasoning → Aktion bringt unvermeidbare Verzögerungen mit sich, und jeder an das Modell geschickte Screenshot kostet API-Gebühren und Verarbeitungszeit.
Anthropics Computer Use: Autonomie mit Vorrang für Sicherheit
Anthropics Computer Use, im Oktober 2024 für Claude 3.5 Sonnet gestartet und im September 2025 mit Claude Sonnet 4.5 massiv aufgewertet, bringt Claude „allgemeine Computerfähigkeiten“ bei statt aufgabenspezifischer Automatisierung. Die Philosophie ist eine andere: Statt auf Geschwindigkeit und Erfolgsquote zu optimieren, setzt Anthropic auf Kontrollierbarkeit und Fehlertransparenz.
Unternehmen wie „Asana, Canva, Cognition, DoorDash, Replit und The Browser Company“ erproben Fähigkeiten, die „Dutzende und manchmal sogar Hunderte von Schritten“ erfordern. Replit verwendet Computer Use Berichten zufolge für sein „Produkt Replit Agent“, um Apps während der Entwicklung zu bewerten: KI, die KI testet.
Das Update mit Claude Sonnet 4.5 brachte die OSWorld-Leistung von 42,2 % auf 61,4 %, eine Steigerung um dramatische 45 % in nur vier Monaten. Aber selbst bei 61,4 % scheitern Agenten an fast 4 von 10 Computeraufgaben. Für Workflows im Produktivbetrieb bleibt diese Fehlerquote untragbar.
Anthropic dokumentiert seine Grenzen deutlicher als die meisten Konkurrenten. „Aktionen, die Menschen mühelos ausführen, etwa Scrollen, Ziehen und Zoomen, stellen Claude derzeit vor Schwierigkeiten“, räumt das Unternehmen ein und rät Entwicklern, „die Erkundung mit risikoarmen Aufgaben zu beginnen“. Diese Warnung ist ernst zu nehmen: Wenn schon die grundlegende Navigation in der Oberfläche unberechenbar versagt, werden komplexe mehrstufige Workflows exponentiell fragiler.
Das Claude Agent SDK bietet „Zugriff auf einen Computer, auf dem es Dateien schreiben, Befehle ausführen und an seiner Arbeit iterieren kann“, aber Iteration heißt hier Versuch und Irrtum. In Ratliffs Experiment schrieben seine Agenten Code, führten ihn aus, suchten Fehler und versuchten es erneut, manchmal mit Erfolg, manchmal ohne. Jede Iteration kostet Zeit und API-Credits, und nichts garantiert, dass am Ende eine funktionierende Lösung steht.
Weder OpenAI noch Anthropic veröffentlichen aggregierte Fehlerquoten, Erfolgsquoten bei der Wiederherstellung oder Statistiken zur Aufgabenerledigung in der Praxis. Die Benchmark-Zahlen stehen isoliert da, ohne Bezug zur Realität im Produktivbetrieb.
Die Realität im November 2025 sieht so aus: Computer Use wurde zum Pflichtprogramm, nicht zum Wettbewerbsvorteil. Die eigentliche Front verlagerte sich zu **nativen Integrations-Ökosystemen**: Plattformen wie Brainbase, die sich per API statt Screen Scraping mit 1000+ Apps verbinden, und Multi-Modell-Strategien, die LLMs je nach Aufgabe austauschen.
Die fehlende Disziplin: Fehlertoleranz und Überwachungsaufwand
Ratliffs Erfahrung legt Fehlerbilder offen, über die die Dokumentation der Anbieter hinweggeht:
Halluzinationen, die sich aufschaukeln: Als Agent Ash Nutzertests erfand und in sein Gedächtnis schrieb, wurde diese Erfindung zur dauerhaften „Wahrheit“, die künftige Entscheidungen prägte. Gedächtnissystemen fehlt die Wahrheitsprüfung. Sie speichern, was das Modell erzeugt, und schaffen so sich selbst verstärkende Wahnschleifen. Die neuen Funktionen von Claude Sonnet 4.5 zur Gedächtnisverwaltung lassen Agenten ihren eigenen Kontext bearbeiten, was das Problem womöglich verschärft, weil Agenten unbequeme Fakten „vergessen“ können.
Abhängigkeit von Auslösern: Ohne ausdrückliche Prompts von Menschen taten Ratliffs Agenten nichts. Sie hatten „Skills“ und „Fähigkeiten“, aber keine eigene Initiative. Mit Prompts schossen sie übers Ziel hinaus und erzeugten 150 Slack-Nachrichten über eine fiktive Veranstaltung, bis die Credits aufgebraucht waren. Zwischen träge und manisch gibt es nichts.
Kostenexplosion: Fünf Agenten bei minimaler Arbeit kosteten Hunderte Dollar im Monat. Bei Dutzenden wären es Tausende im Monat, bevor überhaupt Umsatz entsteht. Die Unit Economics gehen nur auf, wenn Agenten tatsächlich Menschen ersetzen, statt ständig überwacht werden zu müssen. Genau das leisten sie nicht.
Mit Claude Sonnet 4.5 zu 3 Dollar/15 Dollar pro Million Token und autonomen Sitzungen über mehrere Stunden wachsen die Kosten unvorhersehbar. Dazu kommen Sprachagenten für 0,19 Dollar pro Minute und Modelle mit Credit-Abrechnung, und eine Budgetplanung wird unmöglich.
Aufwendige Wiederherstellung: Wenn Agenten hängen bleiben oder Unsinn erzeugen, reicht ein Neustart nicht. Sie müssen verstehen, was schiefgelaufen ist, den Zustand des Gedächtnisses korrigieren, prüfen, dass nachgelagert nichts beschädigt wurde, und hoffen, dass der nächste Durchlauf gelingt. Klassische Software lässt sich deterministisch debuggen. Das Debuggen von Agenten ist forensische Psychologie.
Befürworter versprechen „80 %+ Kosteneinsparungen“ in Branchen, in denen „die Personalkosten 40 bis 50 % der Betriebsausgaben erreichen“, aber diese Zahlen setzen vollständige Automatisierung voraus. Ratliffs Experiment legt eine andere Formel nahe: Agenten verringern die Arbeit um 40 bis 60 % und verlangen dafür 20 bis 40 % Überwachung. Das ist eine Nettoersparnis, aber keine Transformation.
Das Signal von Y Combinator: Marktbestätigung oder Gruppendenken?
Y Combinators Spring-2025-Jahrgang umfasste 67 KI-Agenten-Startups unter 144 Unternehmen, also 46 % der Kohorte. Das ist entweder eine bestätigte Chance oder koordinierter Wahn.
YC fordert ausdrücklich „das erste 10-Personen-Unternehmen mit 100 Milliarden Dollar“ und wettet darauf, dass KI-Tools es „Gründern ermöglichen, mit viel weniger Menschen zu skalieren“, und dass „die besten High-Agency-Startups der Zukunft alle auf eine Kennzahl optimieren werden: Umsatz pro Mitarbeiter“.
Diese These hat Probleme:
Selection Bias: YCs eigener Erfolg erzeugt Nachahmung. Wenn YC KI-Agenten finanziert, pitchen Gründer KI-Agenten, und so entsteht ein selbsterfüllender Kreislauf ohne Bezug zur tatsächlichen Nachfrage am Markt.
Umsatz pro Mitarbeiter führt in die Irre: Hohe Werte bei dieser Kennzahl deuten traditionell auf kapitalintensive Geschäfte (Öl, Immobilien) oder extreme Hebelwirkung durch geistiges Eigentum (Pharma, Halbleiter) hin, nicht auf operative Effizienz. Ein 10-Personen-Unternehmen mit 100 Mio. Dollar Umsatz kann in Wahrheit miserable Margen haben, wenn Agentenkosten, Überwachungsaufwand und Fehlerkorrektur 70 % des Umsatzes auffressen.
Unklare Exits: Wer kauft KI-Agenten-Startups? Die Plattformen selbst? Größere etablierte Anbieter? Einen offensichtlichen M&A-Pfad gibt es erst, wenn es zur Konsolidierung kommt, und Konsolidierung setzt voraus, dass aus dem derzeitigen Chaos Gewinner hervorgehen. Das ist noch nicht passiert.
Ein Investor merkte an, „YC spielt ein völlig anderes Spiel“: Bewertungen in dieser Kohorte erreichen „70 Millionen Dollar post-money“, losgelöst von der üblichen Preisbildung in frühen Phasen. Das spricht entweder dafür, dass versierte Investoren asymmetrisches Potenzial sehen, oder dafür, dass Kapital einer Erzählung nachläuft statt den Fundamentaldaten.
Wo die Autonomie tatsächlich zusammenbricht
Die technische Realität: Aktuelle KI-Mitarbeiter glänzen bei eng umrissenen, repetitiven Aufgaben mit geringem Risiko, klaren Erfolgskriterien und häufigen Kontrollpunkten. An allem anderen scheitern sie.
Funktioniert einigermaßen gut:
– Triage von Support-Tickets (Kategorisierung, Weiterleitung)
– Datenerfassung aus strukturierten Formaten
– Code-Erzeugung mit menschlicher Prüfung
– Einfache Webrecherche und Zusammenfassung
– Kalenderplanung mit expliziten Vorgaben
– Sprachbasierte Terminbuchung und Lead-Qualifizierung
Scheitert vorhersehbar:
– Aufgaben, die Urteilsvermögen oder Geschmack verlangen
– Mehrstufige Workflows mit verzweigter Logik
– Situationen, in denen es um die Pflege menschlicher Beziehungen geht
– Mehrdeutige Anweisungen ohne Beispiele
– Jeder Workflow, in dem Fehler ernste Folgen haben
– Computer-Use-Aufgaben, die pixelgenaue GUI-Steuerung verlangen
Die Lücke zwischen diesen Kategorien ist die tatsächliche Marktchance. Bei „routinemäßigen, häufig anfallenden, emotional neutralen Aufgaben im großen Maßstab“ liefern Agenten Wert. Bei komplexer Wissensarbeit erzeugen sie plausibel klingenden Unsinn, dessen Prüfung mehr Zeit kostet, als die Arbeit selbst zu machen. Die Modelle wurden zwar besser (Claude Sonnet 4.5 erreicht bei Coding-Benchmarks 77,2 %, nach rund 40 % vor einem Jahr), die Zuverlässigkeitslücke besteht aber weiter. 77,2 % bedeuten, dass 1 von 4 Coding-Aufgaben scheitert. Für Produktivsysteme ist das untragbar. Die Schwelle für „funktioniert wirklich“ liegt nicht bei 77 %, sondern bei 99,9 %.
Das unbequeme Fazit
Die erste Generation von KI-Mitarbeitern ist da, funktioniert technisch und wächst nach den meisten Geschäftskennzahlen rasch. Aber „technisch funktionsfähig“ heißt nicht „zuverlässig autonom“, und Wachstum, das billiges Kapital und Hype-Zyklen antreiben, bestätigt nicht das zugrunde liegende Modell.
Ratliff baute mit fünf halluzinierenden Agenten ein funktionierendes Produkt und bewies damit, dass die Infrastruktur existiert. Er bewies auch, dass diese Agenten ständige Überwachung brauchten, mehr Erfundenes als Wert produzierten und sich beinahe in den Bankrott redeten, indem sie über fiktive Veranstaltungen diskutierten. Die Technik ist weit genug, um in eng abgesteckten Bereichen wirklich nützlich zu sein, und bleibt überall sonst gefährlich unzuverlässig.
Im November 2025 hat sich der Stand der Technik messbar verbessert: Claude Sonnet 4.5 kann 30+ Stunden autonom an komplexen Coding-Aufgaben arbeiten. GPT-5.1 passt seine Reasoning-Tiefe an die Komplexität der Anfrage an. KI-native Browser wie ChatGPT Atlas und Perplexity Comet bieten bessere Ausführungsumgebungen als Screen Scraping. Multi-Modell-Plattformen lassen Nutzer je nach Aufgabe zwischen Claude, GPT und Gemini wechseln. Sprachagenten erledigen Anrufe im Kundensupport mit der Planbarkeit von 0,19 Dollar pro Minute.
Die Grundprobleme bleiben aber ungelöst: Gedächtnissysteme verstärken Halluzinationen, die Kosten explodieren im großen Maßstab unvorhersehbar, Debugging verlangt forensische Analyse, und der Überwachungsaufwand verhindert echte Autonomie. Die Lücke zwischen 61,4 % Erfolg in OSWorld-Benchmarks und 99,9 % Zuverlässigkeit für Produktivsysteme hat sich nicht geschlossen. Sie ist nur genauer vermessen.
Sam Altmans Ein-Personen-Unternehmen mit einer Milliarde Dollar bleibt Science-Fiction. Aber ein Unternehmen mit 20 Personen, das schafft, wofür es früher 50 brauchte? Das gibt es bereits, vorausgesetzt, diese 20 Personen verbringen viel Zeit damit, ihre unermüdlichen, selbstsicheren, unablässig fabulierenden digitalen Kollegen zu debuggen, zu überprüfen und zu korrigieren.
Das Zeitalter der KI-Mitarbeiter ist da. Das Zeitalter der KI-Mitarbeiter-Aufsicht auch. Es ist dasselbe Zeitalter, und Ratliffs Zirkus aus fünf Angestellten hat gezeigt, dass das noch eine ganze Weile so bleiben wird.
Aus dem Englischen übersetzt: zum Originalbeitrag