An einem Freitagabend im November 2025 baute Peter Steinberger die erste Version von OpenClaw.
Der Prototyp dauerte nur etwa eine Stunde, doch innerhalb weniger Wochen übertraf OpenClaw 145.000 GitHub-Sterne und wurde damit das am schnellsten wachsende Open-Source-Softwareprojekt in der Geschichte von GitHub.
Die Plattform wurde größtenteils von KI-Agenten erstellt und markierte den Wandel von Chatbots hin zu autonomen, aufgabenorientierten KI-Systemen.
Und dieser Wandel beschleunigt sich. KI generiert mittlerweile 75 % des neuen Codes von Google und bis zu 30 % des neuen Codes von Microsoft. Die täglichen Claude Code Commits auf GitHub überstiegen Anfang 2026 die Marke von 134.000 – ein Anstieg von nahezu null zum Zeitpunkt des Starts im März 2025.
Dies ist ein struktureller Wandel in der Art und Weise, wie Software und zunehmend auch Wissensarbeit erledigt wird.
KI-Agenten gestalten die Grenzen dieses Wandels.
Was also genau ist ein KI-Agent und wie unterscheidet er sich von einem Chatbot oder einem LLM? Was macht diesen Wandel strukturell und nicht nur vorübergehend? Und während sich der Stack weiterentwickelt: Wo entsteht Wert und wo wird er zur Ware?
Das sind die Fragen, die wir uns gestellt haben.
Das Ergebnis ist ein Fünf-Schichten-Modell dafür, was ein Agent eigentlich ist, wohin die Technologie sich entwickelt und wer in jeder Schicht die besten Chancen hat.
Einige der Antworten sind bereits in den Zahlen sichtbar. Anthropic stieg in siebzehn Monaten von 1 Milliarde auf 44 Milliarden US-Dollar annualisierte Umsätze – fast ausschließlich durch Code-Agenten. Gleichzeitig verarbeiten Open-Source-Agenten-Frameworks jetzt monatlich zig Billionen Tokens. Beide Zahlen deuten auf denselben Ort hin: die Framework-Schicht.
Dennoch machen Agenten immer wieder offensichtliche Fehler. Im Dezember 2025 löschte ein Amazon-Code-Agent eigenständig eine Live-Produktionsumgebung und erstellte sie neu, wodurch AWS in China für 13 Stunden offline war. Im April 2026 löschte ein von Claude betriebener Cursor-Agent in 9 Sekunden die gesamte Datenbank eines Unternehmens.
Vier Fehlermodi treten in der Produktion immer wieder auf, und die meisten tauchen auf keinem Preisblatt eines Anbieters auf.
McKinseys „State of AI“-Umfrage 2025 ergab, dass weniger als 10 % der Organisationen Agenten in nennenswertem Umfang einsetzen. Die meisten nutzen sie überhaupt nicht.
Die Kluft zwischen dem, was technisch möglich ist, und dem, was operativ eingesetzt wird, ist die Chance.
Das 84-seitige Grundlagenpapier auf unserem Substack ist unser Versuch, hoffentlich eine Karte zu liefern. Hier ist, was Sie darin finden:
- Die fünf Schichten eines Agenten und wie sie zusammenpassen
- Sechs Fallstudien, wie Early Adopter Agenten heute einsetzen, einschließlich meines Unternehmens 8090
- Die vier Arten, wie Agenten in der Produktion zuverlässig versagen
- Die Schicht, von der wir erwarten, dass sie den dauerhaftesten Wert ansammelt, während Modelle zur Ware werden
- Wer in der Lage ist, jede der fünf Schichten zu kontrollieren
Abonnieren Sie, um zu lesen, und lassen Sie mich in der Gruppe wissen, was Sie denken:
