Seit OpenClaw spaltet eine Debatte die Tech-Welt: Sind AI Agents evolution oder aufgewärmte Automatisierung? Währenddessen kauft OpenAI das größte Open-Source Agent-Framework. Die echte Frage stellt kaum jemand: Nicht ob die Technologie funktioniert - sondern wie sie in Unternehmen kommt.

Was ist passiert?

OpenClaw, ein Open-Source-Framework für KI-Agenten, hat innerhalb weniger Wochen über 168.000 GitHub Stars gesammelt. Millionen Nutzer. Eine eigene Plattform - Moltbook - mit über 770.000 Agenten.

Sascha Pallenberg hat einen vieldiskutierten Newsletter geschrieben, in dem er den ganzen Hype zerlegt. Sein Kernargument: Das ist IFTTT auf Steroiden. Aufgewärmte Automatisierung, verpackt in neue Buzzwords. Auf LinkedIn ist danach eine hitzige Diskussion entstanden - zwischen denen die sagen "das ist die Zukunft" und denen die sagen "das hatten wir alles schon".

Und beide Seiten haben Punkte. Aber beide übersehen das Wesentliche.

Denn die eigentlich interessante Entwicklung passiert nicht auf TikTok, wo Leute ihre Morning Briefing Agents zeigen. Sie passiert dort, wo es um den Einsatz in Unternehmen geht - und da sind die Herausforderungen um Welten größer als das, worüber gerade alle reden.

Hype, Risiko, Realität

Der Consumer-Hype. Ein großer Teil dessen, was gerade als "AI Agents" verkauft wird, ist einfache Automatisierung. Morning Briefings, Kalender auslesen, Newsfeeds zusammenfassen. Das konnte Google Assistant vor Jahren. Aber: Wer hat das Recht, Menschen vorzuschreiben wie sie Technologie nutzen? Experimentieren gehört zur Adoption. So fängt es immer an.

Die Sicherheitsprobleme. Die sind real und ernst. Über 21.000 öffentlich erreichbare OpenClaw-Instanzen ohne Authentifizierung. 341 bösartige Skills im ClawHub, darunter Supply Chain Attacks. Eine kritische Sicherheitslücke - CVE-2026-25253 - die Remote Code Execution ermöglicht. Leute geben einem AI-System Zugriff auf ihre E-Mails, ihren Kalender, ihre API Keys - und haben keine Ahnung was im Hintergrund passiert. Das ist kein theoretisches Risiko.

Was tatsächlich möglich ist. Und hier wird die Kritik ungenau, wenn sie sagt, dass es sich nur um die üblichen KI-Automationen handelt. Ja, Zapier hat AI Steps, Make hat AI-Module - Automatisierungsplattformen nutzen schon länger KI-Bausteine. Die Grenze ist nicht schwarz-weiß. Aber es gibt einen qualitativen Unterschied: Eine Automation mit AI-Modul ruft ein Modell auf und macht dann weiter im Flow. Ein Agent-System entscheidet selbst welchen nächsten Schritt es nimmt, basierend auf dem was es gerade gelernt hat. Das ist der Unterschied. Und der funktioniert heute schon.

Wie funktionieren AI Agents eigentlich?

Kurzer Realitätscheck, weil die Begriffe gerade wild durcheinander fliegen. Ein Agent ist ein KI-System, das nicht nur antwortet, sondern eigenständig handelt. Es bekommt ein Ziel, entscheidet welche Schritte nötig sind, nutzt Tools, prüft Ergebnisse und passt seinen Plan an wenn etwas nicht funktioniert.

Das allein ist schon ein Unterschied zur klassischen Automation. Aber die eigentliche Entwicklung passiert eine Ebene darüber: Multi-Agent-Systeme, in denen spezialisierte Agenten zusammenarbeiten. Das Prinzip funktioniert wie ein Unternehmen im Kleinen. Ein Orchestrator - eine Art CEO-Agent - analysiert eingehende Aufgaben, zerlegt sie in Teilaufgaben und delegiert an spezialisierte Agenten. Einer recherchiert, einer schreibt, einer prüft die Qualität.

Das Entscheidende: Diese Systeme können sich weitgehend selbst organisieren. Der Orchestrator definiert eigenständig die Contracts für jeden Agenten - was reingeht, was rauskommen soll, welche Grenzen gelten. Am Ende prüft ein Quality Gate autonom, ob das Ergebnis den Anforderungen entspricht - und schickt es bei Bedarf zurück zur Überarbeitung. Der Mensch gibt den initialen Auftrag. Den Rest organisiert das System.

                ┌──────────────┐
                │ Orchestrator │
                │   (CEO)      │
                └──────┬───────┘
             definiert Contracts,
             delegiert, prüft
                       │
          ┌────────────┼────────────┐
          │            │            │
    ┌─────▼─────┐ ┌────▼───┐ ┌──────▼───┐
    │ Research  │ │ Writer │ │ Quality  │
    │ Agent     │ │ Agent  │ │ Agent    │
    └─────┬─────┘ └───┬────┘ └────┬─────┘
          │           │           │
     Contract:    Contract:    Contract:
     Quellen →    Input →      Draft →
     Analyse      Draft        Review
                                  │
                            ┌─────▼─────┐
                            │ Quality   │
                            │ Gate ✓/✗ │
                            └───────────┘


Die Begriffe dafür variieren - Agent Teams, Swarms, Multi-Agent-Systems - aber das Prinzip ist dasselbe: Spezialisierung und Arbeitsteilung, wie in einem echten Team. Nur dass die "Mitarbeiter" KI-Systeme sind, die rund um die Uhr verfügbar sind und in Sekunden skalieren.

Das Signal: OpenClaw + OpenAI

In dieser Woche gab es ein starkes Signal, dass solche agentischen Strukturen immer tiefer in unsere KI-Systeme eingebaut werden. Peter Steinberger - der Gründer von OpenClaw - geht zu OpenAI. Sam Altman persönlich hat es angekündigt. Zitat: "Peter will drive the next generation of personal agents."

Gleichzeitig wird OpenClaw in eine Open-Source-Stiftung überführt, die OpenAI unterstützt. Steinberger selbst sagt: "Ich will die Welt verändern, nicht eine große Firma bauen."

Das ist kein Zufall. Das ist ein Signal. OpenAI holt sich nicht irgendeinen Entwickler - sie holen sich den Mann, der das am schnellsten wachsende Open-Source-Projekt der Geschichte gebaut hat. Und sie positionieren sich damit für die nächste Phase: Agents nicht als Consumer-Spielzeug, sondern als Infrastruktur.

Und sie sind nicht allein. Anthropic hat mit Claude Code und dem Agent SDK massiv in Agent-Tooling investiert. Google baut an eigenen Agent-Frameworks. Gartner prognostiziert: 40% der Enterprise Apps werden bis Ende des Jahres task-spezifische AI Agents haben. Hoch von unter 5% letztes Jahr.

Der Consumer-Hype auf LinkedIn und TikTok? Das ist die Oberfläche. Darunter entsteht gerade das Ökosystem für den Enterprise-Einsatz. Und das ist eine fundamental andere Herausforderung.

Die echte Challenge: Vom Spielzeug zum Werkzeug

Was wir gerade in der Praxis sehen: Es gibt bereits Unternehmen, die extrem agil sind und mit Multi-Agent-Systemen in explorativen Phasen arbeiten. Nicht theoretisch, sondern als Proof of Concept. Und daraus lernt man einiges.

Die erste Erkenntnis: Für eine Einzelperson funktionieren diese Systeme schon richtig gut. Der Sprung von einer Person zu einem Team - das ist eine komplett andere Liga. Und genau an dieser Grenze stehen gerade die meisten Unternehmen.

Context Management. Ein persönliches System kennt den Kontext relativ einfach. Aber was ist mit dem Kontext einer ganzen Abteilung? Zwanzig Leute mit unterschiedlichen Rollen, unterschiedlichem Wissen, unterschiedlichen Arbeitsweisen. Wie stellen wir sicher, dass der Agent im Marketing-Team nicht mit dem Wissensstand der Rechtsabteilung antwortet - oder umgekehrt?

Security und Compliance. Das ist für Unternehmen der Showstopper. Rollen, Berechtigungsstufen, Datenschutz, regulatorische Anforderungen. Wir können nicht jedem Agent Zugriff auf alles geben. Die 21.000 offenen OpenClaw-Instanzen zeigen: Im Consumer-Bereich denkt da kaum jemand drüber nach. In einem Unternehmenskontext ist das nicht verhandelbar.

Interfaces. Nicht jeder will oder kann mit Claude Code arbeiten. Die Frage ist: Wie binden wir Agenten in Systeme ein, die Menschen tatsächlich nutzen? Plattformen wie Langdock bauen genau diese Brücke - zwischen der rohen Agent-Technologie und einer Oberfläche, mit der ein Marketing-Team oder eine Rechtsabteilung arbeiten kann. Das ist der Layer, der gerade entsteht - wir können z.B. über MCP-Server auch die komplexeren Agenten in Langdock anbinden.

Das sind die Fragen, die entscheiden ob aus dem Hype Realität wird. Nicht: Kann ein Agent mein Morning Briefing machen? Sondern: Wie kriegen wir ein Agent-System in eine Organisation mit 50, 500, 5000 Mitarbeitern? Mit echten Daten, echten Verantwortlichkeiten, echten Konsequenzen wenn etwas schiefgeht.

Einordnung

Der Hype ist real - und er findet aktuell vor allem auf der Consumer-Ebene statt. Leute bauen persönliche Assistenten, experimentieren, zeigen ihre Setups auf Social Media. Das ist in Ordnung. So entsteht Adoption.

Aber der eigentliche Umbruch passiert woanders. Er passiert dort, wo Unternehmen anfangen, diese Technologie ernsthaft einzusetzen. Mit Governance, mit Strategie, mit einem Plan für die Integration in bestehende Workflows.

Die Skeptiker haben recht, dass vieles was gerade gehyped wird, simpel ist. Aber sie unterschätzen fundamental, was passiert wenn diese Systeme in professionelle Kontexte kommen. Und die Enthusiasten haben recht, dass die Technologie transformativ ist - aber sie überspringen den schwierigsten Teil: den Rollout in die Realität.

Die Frage für Unternehmen ist nicht ob AI Agents kommen. Die Frage ist: Wie gut sind Unternehmen vorbereitet?