Ein praktischer Leitfaden zu den wichtigsten agentischen Systemen

Stand 19. Maerz 2026 entwickelt sich das Feld agentischer Systeme schnell genug, dass viele Teams vor allem eine Mischung aus Demos, Namen und Screenshots sehen, aber noch keinen klaren Weg haben, diese Systeme wirklich zu vergleichen. Die nuetzlichere Unterscheidung lautet meist nicht “welches Modell ist am kluegsten”, sondern “welche Betriebsflaeche bietet dieses Tool, wie viel Autonomie hat es, und welche Kontrollen liegen darum herum?”

Auf hoher Ebene sind OpenClaw, NanoClaw und NanoBot die Systeme, die wir direkt fuer Kunden produktiv machen. Claude Code, Claude Cowork und Codex sind breitere externe Systeme, die zeigen, wohin sich diese Toolklasse entwickelt. Sie gehoeren in dieselbe Familie, weil sie ueber einmaliges Prompting hinausgehen und delegierte mehrstufige Arbeit mit Tool-Zugriff, Datei-Zugriff, Anweisungen und reviewbarer Ausfuehrung ermoeglichen.

Hier ist eine praktische Vergleichstabelle, um die wichtigsten Unterschiede schneller einzuordnen:

OpenClaw laesst sich am besten als vollere Betriebsschicht verstehen. Es ist sinnvoll, wenn ein Team mehrere Workflows, gemeinsame Kontrollen, wiederverwendbare Muster und ein System will, das naeher am Tagesbetrieb sitzt. NanoClaw ist der leichtere Bruder dazu: flexibler als ein einzelner Spezial-Bot, aber kleiner und schneller auszurollen als ein breiteres Plattform-Setup. NanoBot ist noch enger gefasst. Es passt dann, wenn ein einzelner Workflow wie Intake-Triage, Dokumentenvorbereitung oder Lead-Qualifizierung einen fokussierten Agenten fuer sich verdient.

Claude Code ist ein starkes terminal-zentriertes Coding-System fuer Menschen, die den Agenten direkt im Repository und im Kommandozeilen-Workflow haben wollen. Anthropic betont in der Claude-Code-Dokumentation Subagents, Hooks, Permissions und Memory-Dateien, was es besonders stark macht, wenn Coding-Arbeit in einer strukturierten und inspizierbaren Umgebung stattfinden soll. Claude Cowork nutzt dieselbe agentische Architektur in Claude Desktop fuer breitere Wissensarbeit. Anthropic beschreibt es als Research Preview, die Aufgaben auf dem eigenen Rechner ausfuehrt, Sub-Agents koordinieren kann, in einer VM-Umgebung laeuft und Plugins, geplante Aufgaben und Datei-Zugriff fuer laenger laufende Arbeit jenseits des Codings unterstuetzt. Codex liegt auf der OpenAI-Seite in einer aehnlichen Kategorie: ein Coding-Agent-Oekosystem rund um agentische Coding-Modelle, AGENTS.md-Anweisungen, Skills, Subagents, Approval Policies und Sandboxing-Modi von Read-only bis zu gefaehrlichem Full Access.

Die Vor- und Nachteile ergeben sich aus dieser Positionierung. OpenClaw ist stark, wenn Sie eine ernsthafte Betriebsschicht wollen, verlangt aber mehr Setup und Workflow-Design. NanoClaw ist leichter einzufuehren und leichter zu kontrollieren, will aber bewusst nicht am ersten Tag eine unternehmensweite Plattform sein. NanoBot ist schnell und konkret, aber absichtlich eng. Claude Code und Codex sind hervorragend fuer engineering-lastige Umgebungen, weil sie gut mit Repositories, Shell-Tools, Anweisungen und wiederholbaren Workflows zusammenarbeiten, koennen fuer nicht-technische Teams aber zu schwergewichtig sein, wenn niemand das Betriebsmodell darum herum gestaltet. Cowork verbreitert den Zugang fuer Wissensarbeit, fuehrt aber durch lokalen Datei-Zugriff und laenger laufende Aufgaben ein anderes Risikoprofil ein und verlangt noch mehr Disziplin bei Berechtigungen und Aufsicht.

Es lohnt sich auch, die aktuelle Reibung offen anzusprechen. Setup ist noch schwieriger, als es sein sollte. Viele der staerksten Tools setzen weiterhin eine entwicklerfreundliche Umgebung voraus, und viele der heute besten Muster entstehen zuerst in Repositories, Terminals, strukturierten Dateien und skriptbaren Workflows, bevor sie in glatteren Business-Oberflaechen auftauchen. Das kann wie ein Argument fuers Warten wirken. Wir glauben meist das Gegenteil.

Die gemeinsamen Merkmale definieren diese Klasse von Systemen eigentlich erst. Meist gibt es eine Anweisungsschicht wie AGENTS.md, CLAUDE.md, Ordneranweisungen oder globale Regeln. Oft gibt es Subagents oder spezialisierte Worker zur Aufteilung von Aufgaben. Sie nutzen Tools, Dateisysteme, Connectoren oder Shell-Zugriff statt nur Text zu erzeugen. Zunehmend unterstuetzen sie wiederverwendbare Skills, Plugins, Slash Commands, geplante Aufgaben, Hooks oder Background Execution. Und sie funktionieren am besten, wenn die Umgebung strukturiert genug ist, dass der Agent den aktuellen Zustand inspizieren, Regeln anwenden und reviewbare Artefakte hinterlassen kann.

Das ist wichtig, weil ein nuetzlicher Agent nicht nur etwas ist, mit dem man bei Bedarf spricht. In vielen dieser Systeme koennen Agents auch wiederkehrende Aufgaben planen, den Status von Arbeit pruefen, Zusammenfassungen vorbereiten, Veraenderungen beobachten und dem Team regelmaessig Updates schicken. Praktisch bedeutet das: Ein Agent kann einen morgendlichen Statusbericht senden, pruefen, ob eine Release-Checkliste abgeschlossen wurde, Wettbewerbsveraenderungen in ein woechentliches Briefing ueberfuehren oder ein Team daran erinnern, dass ein Workflow haengen geblieben ist. Es geht also nicht nur um Interaktion, sondern um operative Nachverfolgung.

Auch die Kommunikationsoberflaechen sind wichtig. Manche Agents leben vor allem im Terminal oder in einer Desktop-App, aber das breitere Muster geht klar in Richtung Agents, die dem Team dort begegnen, wo die Arbeit ohnehin stattfindet. Das kann Team-Chat, ein Issue-Tracker, E-Mail oder auch privatere Kanaele wie WhatsApp sein. Sobald ein Agent Anweisungen empfangen, Rueckfragen stellen und Ergebnisse in denselben Kanaelen zurueckmelden kann, in denen Menschen bereits arbeiten, wirkt er weniger wie eine Neuheit und mehr wie eine zusaetzliche Betriebsschicht um die Arbeit herum.

Die Einschraenkungsschicht ist meist Text. Guard Rails werden oft als dauerhafte Anweisungen, Repo-Regeln, Ordneranweisungen, aufgabenspezifische Prompts, Skills, Plugins oder Runbooks geschrieben. Das klingt einfach, ist aber maechig, weil es editierbar ist. Wenn sich der Agent schlecht verhaelt, koennen die Regeln verschaerft werden. Wenn Kontext fehlt, kann er ergaenzt werden. Wenn ein Workflow sich bewaehrt, kann das Muster als wiederverwendbarer Skill codifiziert werden. Mit der Zeit haengt die Qualitaet des Systems also weniger von einem brillanten Prompt ab als davon, ob das Team die geschriebene Betriebsdisziplin rund um den Agenten weiter verfeinert.

Manche Systeme erlauben es Agents auch, Gelerntes in Dateien festzuhalten, auf die spaeter wieder zurueckgegriffen werden kann. Das kann eine Projekt-Memory-Datei, ein Scratchpad, ein Task-Log, eine wiederverwendbare Checkliste oder eine Repository-Anweisungsdatei sein. Gut genutzt wird wiederkehrende Arbeit dadurch zu einem wachsenden Vermoegenswert. Der Agent erledigt nicht nur eine Aufgabe, sondern hinterlaesst einen besseren Weg fuer die naechste. Schlecht genutzt entstehen jedoch schnell veraltete oder widerspruechliche Anweisungen, weshalb auch diese Lern-Dateien Review, Pflege und Verantwortung brauchen.

Genau dort zeigen sich aber auch die Risiken. Ein System mit breitem Datei-Zugriff, Shell-Zugriff, Internet-Zugriff oder Connector-Zugriff kann sehr schnell von nuetzlich zu gefaehrlich kippen, wenn die umgebenden Kontrollen schwach sind. Typische Fehlermuster sind Aenderungen an den falschen Dateien, zu fruehe destruktive Schritte, das Abfliessen sensibler Daten ueber Tools oder Web-Zugriff, die Automatisierung von Workflows, die nie stabil genug waren, oder teure Schleifen, in denen das Team sichtbare Aktivitaet mit echtem Fortschritt verwechselt.

Die Gegenmassnahmen sind nicht geheimnisvoll, verlangen aber Disziplin. Starten Sie mit eingegrenzten Berechtigungen, klaren Task-Grenzen und expliziten Verantwortlichen. Bevorzugen Sie anfangs Read-only oder auf den Workspace begrenzte Modi. Nutzen Sie Sandboxing, wo das Tool es anbietet. Fuegen Sie Freigaben vor destruktiven Aktionen, vor Netzwerkzugriff oder vor Write-Pfaden ausserhalb des geplanten Scopes ein. Nutzen Sie Skills, Plugins und Runbooks, damit das System den Workflow nicht jedes Mal neu erfindet. Halten Sie Anweisungen nahe an der Arbeit. Fuegen Sie Hooks, Tests, Validierungsschritte und menschliches Review an den Stellen hinzu, an denen Fehler wirklich ins Gewicht fallen. Und wenn Sie wiederkehrende Aufgaben oder chat-verbundene Agents einführen, definieren Sie klar, was sie schicken duerfen, an wen, wie oft und ab wann an einen Menschen eskaliert werden muss.

Hier beginnt auch das positive Argument dafuer, jetzt zu handeln. Wenn Sie bereit sind, ein kalkuliertes Risiko einzugehen, muessen Sie nicht erst Jahre auf eine rundere Tool-Generation warten, bevor Sie Nutzen ziehen. Sie koennen jetzt mit eingegrenzten Workflows, vernuenftigen Kontrollen und einer codifizierten Betriebsflaeche anfangen und frueher lernen, Koordinationskosten senken und institutionelle Erfahrung aufbauen, waehrend andere noch auf mehr Reife warten.

Darum kommen wir immer wieder auf die Logik in Why Code-Centric AI Workflows Will Outperform Traditional Business Tools zurueck. Das Geschaeft zu codifizieren ist kein Umweg. Es ist der Weg, der Kurve voraus zu sein. Sobald Arbeit in Formen vorliegt, die Agents inspizieren, versionieren, testen und verbessern koennen, wird die heutige Tool-Generation sofort deutlich nuetzlicher. Die Setup-Last ist real, aber genauso real ist der Vorteil, die operative Disziplin jetzt aufzubauen, statt spaeter in eine Welt einzusteigen, in der alle dieselbe glatte Oberflaeche haben.

Wenn Sie Hilfe bei der Wahl des passenden Einstiegspunkts wollen, starten Sie mit unserem Service OpenClaw Setup .