Zusammenfassung

KI-Agenten werden am besten als zielgerichtete Systeme verstanden, die mehr tun, als nur Text zu generieren: Sie entscheiden, wann Werkzeuge verwendet werden, rufen Wissen ab, koordinieren Teilaufgaben und ergreifen manchmal Aktionen in externer Software oder Infrastruktur. Die OpenAI-eigene Entwicklerdokumentation stellt Agenten als Systeme dar, die „Aufgaben“ über einfache Ziele und komplexe Arbeitsabläufe hinweg ausführen und dabei von Modellen, Toolkits und Überwachungsprimitiven unterstützt werden.

Von 2022 bis 2026 machten drei Schichten „agentische“ Systeme für Mainstream-Teams nutzbar. Erstens verbinden Aufforderungs- und Trainingsmethoden explizit Argumentation mit Aktion und Werkzeugaufruf (z. B. ReAct und Toolformer) und verbessern so die Zuverlässigkeit, wenn ein Agent Dinge nachschlagen oder in interaktiven Umgebungen arbeiten muss. Zweitens haben Plattformen die „Agentenschleife“ (Tools, Speicher, Orchestrierung, Beobachtbarkeit) produziert, sodass Teams Agenten mit Governance und Metriken anstelle von Ad-hoc-Skripten ausliefern können. Drittens verlagerte sich die Sicherheitsdiskussion von allgemeiner „LLM-Sicherheit“ hin zu agentenspezifischen Bedrohungsmodellen, einschließlich Lieferkettenrisiken aus Plug-in- und Skill-Ökosystemen und neuen „agentischen“ Kategorien in Sicherheitsrichtlinien.

Die Preisgestaltung im Maklermarkt ist nicht eindimensional. Die meisten Käufer sind mit einem hybriden Kostenstapel konfrontiert: (1) SaaS-Pläne pro Arbeitsplatz (üblich für Verbraucher- und Arbeitsplatzassistenten), (2) nutzungsbasierte Inferenz (Tokens, Tool-Aufrufe, Nachrichten, Ablaufverfolgungen) und (3) Unternehmens-Governance und -Support (SSO, Prüfprotokolle, Datenresidenz, Entschädigungen), die häufig gebündelt oder individuell angeboten werden. Repräsentative Listenpreise verdeutlichen die Spanne: ChatGPT Go/Plus/Pro für 8 $/20 $/200 $ pro Monat, Claude Pro für 20 $ pro Monat (und Max ab 100 $), Microsoft Copilot Studio für 200 $ pro 25.000 Credits pro Monat oder 0,01 $ pro Nachricht bei nutzungsbasierter Abrechnung, LangSmith für 39 US-Dollar pro Sitzplatz und Monat zuzüglich Spurenüberschreitungen und Perplexity Enterprise Max für 271 $ pro Sitzplatz und Monat bei jährlicher Abrechnung.

OpenClaw verdient besondere Aufmerksamkeit, da es sich an der Schnittstelle zwischen persönlicher Automatisierung und Open-Source-Erweiterbarkeit befindet: Es vermarktet sich selbst als „die KI, die tatsächlich Dinge erledigt“ durch Chat-Apps, bietet persistenten Speicher und Tool-Ausführung und unterstützt einen öffentlichen Marktplatz für Fertigkeiten (ClawHub). Seine Offenheit und sein tiefer Zugriff sind auch die größte Risikofläche: Mehrere Sicherheitsberichte und Nachrichtenuntersuchungen aus dem Jahr 2026 fanden bösartige Fähigkeiten und Missbrauch der Lieferkette im Ökosystem, was zu Reaktionen wie der Integration von VirusTotal-Scans und optionalem Sandboxing und Richtlinienkontrollen in den Dokumenten führte.

Was ist ein KI-Agent und wie hat sich das Konzept entwickelt?

Ein KI-Agent ist im modernen Produkt- und Engineering-Einsatz ein LLM-zentriertes System, das (a) ein Ziel interpretieren, (b) über Zwischenschritte entscheiden, (c) selektiv Tools oder Integrationen verwenden und (d) Ausgaben oder Aktionen mit einer nachvollziehbaren Ausführungsaufzeichnung erzeugen kann. Der Agentenleitfaden von OpenAI betont ausdrücklich Toolkits (AgentKit), Modelle mit „Agentenstärken“ und „Dashboard-Funktionen“ zur Überwachung und Optimierung. Das Claude Agent SDK von Anthropic beschreibt in ähnlicher Weise Produktionsagenten, die autonom Dateien lesen, Befehle ausführen, das Web durchsuchen, Code bearbeiten und Kontext verwalten können.

Ein praktischer Punkt für Entscheidungsträger ist, dass „Agent“ keine binäre Bezeichnung ist. Moderne Systeme umfassen ein Spektrum von chatzentrierten Assistenten bis hin zu hochautonomen Arbeitsabläufen mit delegierten Subagenten und Computernutzungsfunktionen, und der Grad der Autonomie verändert direkt das Risiko, die Beobachtbarkeitsanforderungen und die Kostenvorhersehbarkeit.

Die Zeitleiste wird durch primäre und häufig zitierte Referenzen verankert: Weizenbaums ELIZA-Artikel (1966), dokumentierte Geschichten von ALICE (1995) und Siris Mainstream-Einführung (2011), OpenAIs ChatGPT-Start (30. November 2022) und Forschungsmeilensteine ​​ReAct (2022) und Toolformer (2023). Die Zeit des „AutoGPT-Stils“ spiegelt sich im anschließenden Benchmarking und der akademischen Analyse von Auto-GPT-Agenten (2023) sowie in Multiagenten-Frameworks wie AutoGen (2023) wider, die die konversationsbasierte Orchestrierung zwischen spezialisierten Agenten formalisieren. OSWorld (öffentliche Benchmark-Site und Konferenzreferenzen in den Jahren 2024–2025) erfasst den Wandel hin zur Bewertung von Agenten in realen Web- und Desktop-Umgebungen statt rein textueller Aufgaben. Die öffentliche Einführung von APIs und SDKs zur Agentenerstellung durch OpenAI (Responses API + Agents SDK-Abdeckung und Dokumentation) markiert die Kommerzialisierung dieser Ideen auf Entwicklerplattformen.

Definition und Taxonomie von KI-Agenten

Eine nützliche Taxonomie für Beschaffungs- und Architekturprüfungen unterteilt Agenten nach Autonomieniveau, Aufgabenumfang und Koordinationsmuster. Dies steht im Einklang mit der Positionierung der Plattformen (Konsumenten-Chat, Arbeitsplatz-Copiloten, Entwickler-SDKs oder Multi-Agent-Orchestrierung).

Chatbots

Chatbots sind konversationsorientierte Systeme, die sich auf interaktive Fragen und Antworten, Entwürfe und einfache Unterstützung konzentrieren. Sie umfassen möglicherweise Toolfunktionen (Websuche, Dateianalyse), belassen aber im Allgemeinen den Menschen auf dem Fahrersitz und verfügen über eine klare Turn-by-Turn-Kontrolle. In den Planbeschreibungen von ChatGPT werden beispielsweise Nachrichten/Uploads, umfassende Recherche, „Agentenmodus“ und Speicher als abgestufte Funktionen in einem Chat-Produkt hervorgehoben. Claudes Verbraucherpläne fördern in ähnlicher Weise den geräteübergreifenden Chat, die Websuche, die Codeausführung, Dateien, „Speicher über Konversationen hinweg“ und optionale Erweiterungen/Konnektoren.

Aufgabenspezifische Agenten

Aufgabenspezifische Agenten sind engere Systeme, die für einen begrenzten Bereich optimiert sind: Kundensupport-Triage, Rechnungsverarbeitung, Wissensdatenbankabfrage, interner IT-Helpdesk oder Code-Refactoring. Sie verwenden häufig Abruf- und Toolaufrufe, schränken jedoch die Aktionen ein, um das Risiko zu reduzieren und Kostenschwankungen zu kontrollieren. Die Agentenführung von OpenAI stellt AgentKit als Toolkit zum Erstellen von Arbeitsabläufen mit Modellen, Tools, Wissen und Logik in einer einzigen Benutzeroberfläche dar, was ein gängiges Muster für aufgabenbezogene Agenten ist. Microsoft positioniert Copilot Studio-Agenten als eine Möglichkeit, Geschäftsagenten mit Konnektoren, Abläufen und Governance-Richtlinien zu erstellen, einschließlich der Möglichkeit, Wissensquellen, Konnektoren als Tools und Veröffentlichungskanäle über Datenrichtlinien zu blockieren.

Autonome Agenten

Autonome Agenten versuchen, Ziele in Teilaufgaben zu zerlegen und mehrstufige Pläne mit begrenztem oder asynchronem menschlichem Input auszuführen. Sie können Hintergrundjobs ausführen, Ereignisse auslösen und über lange Zeiträume hinweg agieren, was bedeutet, dass sie eine stärkere Beobachtbarkeit, Schutzmaßnahmen und Kostenkontrolle benötigen. Die „Subagenten“-Funktion von OpenClaw unterstützt explizit die Ausführung von Agenten im Hintergrund für parallele Recherchen oder lange Aufgaben und weist auf die Kostenauswirkungen hin, da jeder Subagent seinen eigenen Kontext und seine eigene Token-Nutzung hat. Die breitere Forschungsrichtung (ReAct, Toolformer) untermauert, warum Autonomie praktikabler wurde: Die Verschränkung von Argumentation mit Werkzeugaktionen reduziert Halluzinationen und ermöglicht fundierte Schritte.

Multiagentensysteme

Multiagentensysteme koordinieren mehrere spezialisierte Agenten, die zusammenarbeiten, Ergebnisse delegieren, kritisieren oder überprüfen. Dies verbessert häufig die Robustheit (Selbstprüfung) und den Durchsatz (Parallelität), allerdings auf Kosten einer höheren Orchestrierungskomplexität und eines nichtlinearen Token-Verbrauchs. Das Agents SDK von OpenAI positioniert sich als Framework für die Erstellung von Multi-Agent-Workflows und umfasst integriertes Tracing und ein Traces-Dashboard für Debugging und Überwachung. Die Forschung und Dokumentation von AutoGen beschreibt ein Multi-Agenten-Konversations-Framework, bei dem Agenten LLMs, Tools und menschliche Eingaben über einen automatisierten Agenten-Chat integrieren. In den Dokumenten von OpenClaw werden „Multi-Agent-Routing“ und Sicherheitsprofile pro Agent (Sandbox-Konfiguration und Tool-Einschränkungen) separat beschrieben, was die betriebliche Notwendigkeit widerspiegelt, Rollen in einem Multi-Agent-Setup zu isolieren.

Kernfunktionen und die Referenzarchitektur sollten Entscheidungsträger bewerten

Anbieterübergreifend laufen „Agentenplattformen“ auf einer gemeinsamen Referenzarchitektur zusammen. Bei den Unterscheidungsmerkmalen geht es weniger darum, ob eine Funktion vorhanden ist, sondern eher um Standardeinstellungen, Governance, Ergonomie und darum, was in der Produktion beobachtbar oder überprüfbar ist.

Fähigkeiten und Orchestrierung

Zu den Fähigkeiten gehören Argumentation, Planung und Aktionsauswahl. In der Praxis betten moderne Agenten eine „Agentenschleife“ ein, die zwischen der Entscheidung, was zu tun ist, und der Ausführung von Tools wechselt, was sowohl dem Forschungsrahmen (ReActs Verschränkung von Denken und Handeln) als auch den SDKs der Anbieter entspricht, die diese Schleife für Entwickler bündeln. Zu den Orchestrierungsprimitiven gehören typischerweise (1) Werkzeugauswahl und -ausführung, (2) Übergaben oder Delegierung an spezialisierte Agenten und (3) Fallback-Verhalten wie Wiederholungsversuche, Modell-Fallback-Ketten oder Human-in-the-Loop-Genehmigungen. Die Agent-API-Modelldokumentation von Perplexity unterstützt explizit Modell-Fallback-Ketten für hohe Verfügbarkeit, und OpenClaw bietet Mechanismen zum Spawnen von Subagenten und zum Konfigurieren nicht vertrauenswürdiger Tooloberflächen nach Tiefe und Richtlinie.

Integrationen und Tool-Nutzung

Der Einsatz von Werkzeugen ist das entscheidende Merkmal, das einen gesprächigen Assistenten von einem operativen Agenten unterscheidet. In den Dokumenten von Anthropic wird die Werkzeugnutzung beschrieben, bei der Claude entscheidet, ob Werkzeuge helfen können, strukturierte Werkzeugnutzungsanfragen sendet und vom Kunden erwartet, dass er Werkzeuge ausführt und Ergebnisse zurückgibt. Die Preisgestaltung der OpenAI-Plattform macht deutlich, dass die Tool-Nutzung häufig über separate Messgeräte verfügt (z. B. Web-Suchtool-Aufrufe, Dateisuch-Tool-Aufrufe und Sitzungen zur Ausführung von Container-Code), was für die Budgetierung und die Einheitsökonomie von Bedeutung ist. Das Copilot Studio-Ökosystem von Microsoft basiert stark auf Konnektoren: Die offizielle Dokumentation beschreibt Power Platform-Konnektoren als „Wrapper“ um APIs, die es Copilot Studio (und Power Automate/Apps/Logic Apps) ermöglichen, mit anderen Diensten zu kommunizieren, und beschreibt gleichzeitig Datenrichtlinien zum Blockieren von Konnektoren oder Wissensquellen, um eine Exfiltration zu verhindern.

Ein bemerkenswerter Trend im Zeitraum 2025–2026 ist die „Computernutzung“ (Agenten, die auf die Benutzeroberfläche klicken, tippen und navigieren, wenn keine API vorhanden ist). Mit Copilot Studio von Microsoft wurde die „Computernutzung“ für die Interaktion mit Websites und Desktop-Apps eingeführt, die so positioniert ist, dass sie die Automatisierung auch ohne API ermöglicht. Diese Kategorie erklärt auch, warum Benchmarks im OSWorld-Stil wichtig wurden: Sie messen die Erfolgsraten bei realen Computeraufgaben und nicht bei kuratierten Nur-Text-Tests.

Erinnerung

„Speicher“ umfasst mindestens zwei unterschiedliche Ebenen: den kurzfristigen Gesprächsstatus (was in der aktuellen Sitzung enthalten ist) und die langfristige Persistenz über Sitzungen hinweg (Benutzerpräferenzen, Projektkontext, Wissensdatenbanken). In der Dokumentation von LangGraph wird explizit zwischen Kurzzeitgedächtnis als Thread-bezogenem Zustand, der über Prüfpunkte beibehalten wird, und Langzeitgedächtnis als sitzungsübergreifender Speicher unterschieden, der über Threads hinweg abgerufen werden kann. Die Speichertools von OpenClaw zeigen eine konkrete Implementierung: semantische Suche über Markdown-Speicherdateien, kontrollierte Pfade, lokale vs. Remote-Einbettungsanbieter und optionale Batch-Einbettung für große Indizierungsaufgaben.

Beobachtbarkeit und Bewertung

Agenten scheitern auf eine Weise, die bei Standard-Apps nicht der Fall ist: unsichtbare Schleifen, Missbrauch von Tools, steigende Kosten, Teilerledigung von Aufgaben und subtile Regressionen. Daher behandeln viele Plattformen die Nachverfolgung und Auswertung mittlerweile als erstklassig. Das OpenAI Agents SDK umfasst integrierte Ablaufverfolgung und ein Ablaufverfolgungs-Dashboard, das Ereignisse wie LLM-Generierungen, Tool-Aufrufe, Übergaben und Leitplanken aufzeichnet, wobei die Ablaufverfolgung standardmäßig aktiviert ist. LangSmith setzt diesen Bedarf mit verfolgungsbasierter Abrechnung und Funktionen wie Überwachung, Alarmierung, Bewertungsworkflows und einem „Agent Builder“ direkt um. OpenClaw stellt betriebliche „Kosten- und Nutzungs“-Oberflächen im Chat über Slash-Befehle zur Verfügung, einschließlich Snapshots der Sitzungskosten und Fußzeilen zur Nutzung pro Antwort, was bei verbraucherähnlichen Agentenerlebnissen ungewöhnlich und für die Kostenkontrolle wertvoll ist.

Sicherheit, Schutz und Governance

Bei der Agentensicherheit geht es nicht nur um Modellergebnisse, sondern auch um Werkzeugprivilegien, Identität und Lieferkettenrisiken. In der eigenen Dokumentation von OpenClaw werden Fertigkeiten Dritter als nicht vertrauenswürdiger Code behandelt, Sandboxing empfohlen und hervorgehoben, dass Fertigkeiten für einen Agenten Geheimnisse in den Hostprozess einschleusen können, was Bedenken hinsichtlich der Betriebssicherheit aufkommen lässt. Dies ist nicht theoretisch: In Berichten von Anfang 2026 wurde Malware in OpenClaw-Skills gefunden, die über den ClawHub-Marktplatz verbreitet wurde, und dokumentiert, wie die Erweiterbarkeit von Agenten zu einer Angriffsfläche werden kann.

Die Governance-Geschichte von Microsoft ist eher unternehmensspezifisch: In der offiziellen Dokumentation werden die Sicherheits- und Governance-Kontrollen von Copilot Studio beschrieben, z. B. geografische Datenresidenz, DLP-Richtlinien und Zertifizierungen. und es bietet konkrete Verwaltungsmechanismen zum Blockieren von Konnektoren, Wissensquellen oder Kanälen. Die Sicherheitsrichtlinien der Branche haben auch damit begonnen, „agentische“ Risikokategorien zu formalisieren: Das GenAI-Sicherheitsprojekt von OWASP hat eine Top 10 für Agentenanwendungen eingeführt, die sich auf die einzigartigen Sicherheitsrisiken autonomer, werkzeugverwendender Systeme konzentriert.

Zielgruppen und Kaufkriterien

Dieselbe Plattform kann „teuer“ oder „billig“ aussehen, je nachdem, welche Zielgruppe kauft und welcher Kostenposten vorherrscht (Plätze, Token, Werkzeugzähler, Verwaltungsaufwand oder Vorfälle). Quellen aus den eigenen Planseiten der Anbieter veranschaulichen diese Segmentierung: Verbraucherebenen legen Wert auf Nutzung und Komfort, während Team- und Unternehmensebenen Administratorkontrollen, Konnektoren und Compliance hervorheben.

Entwickler priorisieren typischerweise: API-Ergonomie, Modellflexibilität, Beobachtbarkeitsprimitive, reproduzierbare Auswertungen und die Fähigkeit, lokal oder in ihrer eigenen Infrastruktur ausgeführt zu werden. Die Agents SDK- und AgentKit-Materialien von OpenAI betonen Entwickler-Workflows, Ablaufverfolgung und Bereitstellungsmuster; LangGraph/LangSmith legen Wert auf kontrollierbare Arbeitsabläufe, Speicher, Haltbarkeit und Debugging.

Unternehmen priorisieren: Identität, Zugriffskontrolle, Überprüfbarkeit, Datenresidenz, DLP- und Compliance-Status sowie Anbieterunterstützung. Copilot Studio und Microsoft 365 Copilot von Microsoft legen Wert auf unternehmensweite Kontrollen und eine getaktete Abrechnung im Zusammenhang mit Azure-Abonnements, und offizielle Leitlinien beschreiben die Richtliniendurchsetzung und Compliance-Grundlagen. Perplexity Enterprise bewirbt Sicherheits- und Compliance-Ansprüche (SOC 2 Typ II, HIPAA, DSGVO, PCI DSS) direkt auf seinen Preisseiten, was einen ähnlichen Fokus auf Unternehmenskäufer widerspiegelt.

KMU wünschen sich oft eine „ausreichend gute Governance“, können aber die hohen Integrationskosten nicht verkraften. Sie bevorzugen Tools mit schneller Einrichtung, vorhersehbaren Preisen pro Arbeitsplatz und starken Integrationen. Beispiele hierfür sind ChatGPT Business (pro Arbeitsplatz mit Administratorkontrollen und internen Toolverbindungen), Claude Team (pro Arbeitsplatz mit SSO und Konnektoren) und schlüsselfertige Plattformen wie Replit die den Aufbau und die Bereitstellung mit Credits für die Agentenautomatisierung bündeln.

Verbraucher entscheiden sich im Allgemeinen aufgrund von Komfort, Möglichkeiten und Grenzen, nicht aufgrund der Architektur. Die offiziellen Preis- und Planseiten für ChatGPT und Claude zeigen eine klare Leiterbahn von kostenlosen zu höheren Nutzungsstufen, mit Preispunkten, die praktisch zu Marktankern geworden sind (8 bis 20 US-Dollar bis 100 bis 200 US-Dollar).

Forscher und fortgeschrittene Analysten tendieren zu Tools, die (a) eine umfassende Recherche mit Zitaten unterstützen, (b) Dateien und interne Wissensquellen integrieren können und (c) eine gewisse Anpassung ermöglichen. Perplexity positioniert sich explizit als besser für komplexe Fragen und „Berichtserstellung“, mit tiefergehender Beschaffung einschließlich proprietärer Datenpartner und bietet gleichzeitig eine Agent-API mit tokenbasierter, anbieterdirekter Preisgestaltung.

Preismodelle und Kostentreiber

Die Agentenpreise lassen sich am besten nach Abrechnungseinheiten (Platz, Token, Nachricht, Ablaufverfolgung, Aktion) und danach, was sich im Laufe der Skalierung erweitert (Benutzer, Integrationen, Toolaufrufe, langer Kontext, Aufbewahrung und Governance), analysieren. In den folgenden Abschnitten werden repräsentative Listenpreise von offiziellen Seiten verwendet. Unternehmensrabatte und Mindestverpflichtungen variieren erheblich je nach Anbieter und Kundengröße und sollten als instationäre Inputs behandelt werden.

Die Balken sind repräsentative Anker aus weit verbreiteten Plänen: Eintritt 8 $ und Pro 20 $ und Ultra 200 $ entsprechen den Listenpreisen von ChatGPT Go/Plus/Pro; Max. 100 $ entsprechen dem Startpreis von Claude Max; Team/SMB 30 $ entspricht den üblichen Team-Sitzpreisen wie dem monatlichen ChatGPT Business-Preis (30 $ pro Sitzplatz) und ähnlichen Stufen; und Enterprise-High 271 $ entspricht Perplexity Enterprise Max bei jährlicher Abrechnung.

Abonnementpreise

Typische Struktur: feste monatliche oder jährliche Gebühren pro Benutzer (manchmal mit Richtlinien und Drosselungen zur „angemessenen Nutzung“), oft mit Feature-Gating (tiefe Recherche, höhere Argumentation, Speicher) und optionale Add-on-Credits.

Repräsentative Preisspannen (Listenpreise):

• Individuelle Einstiegsstufen: etwa 8 $ pro Monat (Beispiel: ChatGPT Go).
• Einzelne Pro-Stufen: etwa 17 bis 20 US-Dollar pro Monat (Beispiele: Claude Pro für 20 US-Dollar pro Monat; Perplexity Pro für 17 US-Dollar pro Monat bei jährlicher Abrechnung).
• Einzelne Stufen mit hoher Nutzung: etwa 100 bis 200 US-Dollar pro Monat (Beispiele: Claude Max ab 100 US-Dollar; ChatGPT Pro für 200 US-Dollar).

Abrechnungseinheiten: Benutzermonat (Sitzplatz), häufig mit jährlichen Verpflichtungen für einen niedrigeren effektiven monatlichen Preis (Claude Pro-Jahresrabatt; angezeigte jährliche Perplexity-Abrechnung).

Hauptkostentreiber:

• Einschließlich Nutzungsbeschränkungen und Drosselungsverhalten (höhere Stufen bieten „mehr Nutzung“ und Priorität).
• Feature-Gating (tiefe Recherche, Agentenmodus, Codeausführung, Speicher).
• Add-on-Credits für die stoßweise Nutzung in einigen Plänen (OpenAI-Credits für die flexible Nutzung im Geschäfts-/Unternehmenskontext).

Nutzungsbasierte Preisgestaltung

Die nutzungsbasierte Preisgestaltung dominiert die Entwicklerplattformen und die dosierten Enterprise-Agent-Funktionen. Es ist in der Regel tokenbasiert (Ein- und Ausgänge) und verfügt über separate Messgeräte für Toolaufrufe, Speicherung und manchmal auch die Containerausführung.

Typische Preisspannen (zur Veranschaulichung, pro 1 Mio. Token):

• Effiziente Textmodelle können nur 0,25 $ pro 1 Million Eingabe-Tokens und 2,00 $ pro 1 Million Ausgabe-Tokens (OpenAI GPT-5 mini) oder 0,25 $/2,50 $ für das Sonarmodell von Perplexity kosten.
• Modelle mit mittlerer bis hoher Leistungsfähigkeit kosten oft etwa 1,75 US-Dollar pro 1 Mio. Eingabe und 14 US-Dollar pro 1 Mio. Ausgabe (OpenAI GPT-5.2) oder 3 US-Dollar/15 US-Dollar für die Preisklasse Claude Sonnet 4.6.
• Erstklassige „Pro“-Argumentationsmodelle können 21 US-Dollar pro 1 Mio. Eingaben und 168 US-Dollar pro 1 Mio. Ausgaben erreichen (OpenAI GPT-5.2 Pro).

Abrechnungseinheiten: Eingabe-Token, Ausgabe-Token und manchmal zwischengespeicherte Token zu ermäßigten Preisen (OpenAI listet die Preise für zwischengespeicherte Eingaben auf; Perplexity-Modelltabellen enthalten Cache-Lesepreise; OpenClaws Token-Kostenschätzung unterstützt Cache-Lese-/Schreibkategorien in der Konfiguration).

Hauptkostentreiber:

• Modellauswahl und Ausgabelänge (Ausgabetokens sind oft viel teurer als Eingaben für High-End-Modelle).
• Kontextlänge und „toolreiche“ Schleifen, die Tokens aufblähen (Toolaufrufe fügen oft Zwischenmodellaufrufe und Kontext hinzu).
• Caching- und Batch-Strategien (die Batch-API von OpenAI bietet einen Rabatt von 50 % auf Ein- und Ausgänge; OpenClaw weist auf die reduzierte Wirtschaftlichkeit der Batch-Einbettung hin; Perplexity umfasst Cache-Leseraten).
• Werkzeugzähler, die über Token hinausgehen (Aufrufe von OpenAI-Websuchtools, Aufrufe von Dateisuchtools, Vektorspeicher und Codeausführungssitzungen unterliegen gesonderten Gebühren).

Abgestufte Plus-Nutzung (Hybrid)

Beim Hybridpreis handelt es sich um ein Basisabonnement mit enthaltenen Credits oder Zulagen und expliziten Überschreitungszählern. Dieses Modell ist weit verbreitet, da Agenten eine stoßweise Nutzung und „unbekannte Unbekannte“ haben und Anbieter sowohl einen vorhersehbaren ARR als auch variable Einnahmen wünschen, die an den tatsächlichen Verbrauch angepasst sind.

Repräsentative Strukturen:

• Replit Core beinhaltet ein Abonnement plus monatliches Guthaben von 25 $ und nutzungsabhängige Überschüsse; Teams umfasst ein monatliches Guthaben von 40 $ und eine zentrale Abrechnung.
• LangSmith berechnet pro Sitzplatz, aber auch pro Nutzungseinheit (Traces), inklusive Trace-Kontingenten pro Plan und Überschreitungen pro 1.000 Traces.
• Microsoft Copilot Studio verkauft Kapazitätspakete mit Credits (200 US-Dollar pro 25.000 Credits pro Monat) und bietet auch nutzungsbasierte Verbrauchszähler an; Microsoft 365 Copilot-Pay-as-you-go-Zähler berechnen „0,01 US-Dollar pro Nachricht“ für die Agentennutzung.

Abrechnungseinheiten: Credits, Traces, Bereitstellungsläufe, Nutzungsguthaben, Nachrichten und andere plattformspezifische Zähler.

Hauptkostentreiber:

• Burst-Volumen über die enthaltenen Berechtigungen hinaus (Ablaufverfolgungen, Gutschriften, Nutzungsgutschriften).
• Aufbewahrungs- und Compliance-Upgrades (in der LangSmith-Dokumentation werden Compliance-Status und höhere Anforderungen wie BAAs für Unternehmenspläne erörtert; eine längere Aufbewahrung ist häufig eine Anforderung von Unternehmen und kann die Wirtschaftlichkeit einer Einheit verändern).
• Automatisierungshäufigkeit (Ereignisauslöser, geplante Abläufe, Ausführung von Hintergrundagenten), die „Aktionen pro Aufgabe“ stillschweigend vervielfachen kann.

Unternehmenslizenzierung und ausgehandelte Verträge

Unternehmenslizenzen bündeln in der Regel Governance-Funktionen (SSO, SCIM, Administratorrollen, Audit-Protokolle, DLP, Datenresidenz, Entschädigungen) und Support-SLAs. Viele Anbieter veröffentlichen keine Listenpreise für ihre höchsten Stufen, einige veröffentlichen jedoch High-End-Stufen pro Sitzplatz (z. B. Perplexity Enterprise Max).

Repräsentative Reichweitensignale von offiziellen Preisseiten:

• Die veröffentlichten Enterprise-Sitzstufen können zwischen zehn und mehreren Hundert US-Dollar pro Sitzplatz und Monat liegen (Perplexity Enterprise Pro für 34 US-Dollar pro Sitzplatz und Monat bei jährlicher Abrechnung; Enterprise Max für 271 US-Dollar pro Sitzplatz und Monat bei jährlicher Abrechnung).
• „Vertrieb kontaktieren“ oder „benutzerdefiniert“ ist bei Unternehmensangeboten immer noch üblich (LangSmith Enterprise listet benutzerdefinierte Preise auf; ChatGPT Enterprise ist vertriebsorientiert; Replit Enterprise ist benutzerdefiniert).

Abrechnungseinheiten: häufig pro Sitzplatz mit jährlichen Verpflichtungen, manchmal plus Nutzungszähler für Agentenaktionen, Tool-Anrufe oder Add-on-Gutschriften.

Hauptkostentreiber:

• Identitäts- und Governance-Bereich (SSO/SCIM, RBAC, Audit-Protokolle, DLP-Richtlinien, Administratorkontrollen).
• Datenresidenz und Hosting-Modell (SaaS vs. VPC/selbstgehostete Angebote).
• Unterstützen Sie SLAs und „Forward Deployment“-Engineering.

Open Source plus Supportkosten

Bei Open-Source-Agent-Stacks ist die Softwarelizenz normalerweise kostenlos, die tatsächlichen Kosten entstehen jedoch durch Infrastruktur, APIs, Sicherheitsarbeit und interne Engineering-Zeit.

Repräsentative Betriebskostensignale aus den eigenen Dokumenten von OpenClaw und den angrenzenden Bereitstellungsleitfäden:

• OpenClaw bietet offizielle Leitlinien zur Verfolgung der Token-Nutzung und der geschätzten Kosten und listet auf, für welche Funktionen „Schlüssel ausgegeben“ werden können (Modellantworten, Einbettungen, Websuche, Medienverständnis, Fähigkeiten).
• Im Fly.io-Installationsdokument werden für eine empfohlene Konfiguration ungefähre Infrastrukturkosten von etwa 10 bis 15 US-Dollar pro Monat angegeben, was die Basis-Hosting-Komponente für kleine Bereitstellungen veranschaulicht.
• In Kostenaufstellungen für die externe Bereitstellung wird häufig betont, dass die Installation von OpenClaw kostenlos ist, die Kosten jedoch durch VPS-Ressourcen und Modellnutzung entstehen; selbst konservative Spannen können je nach Auslastung und Konfiguration von einstelligen Beträgen bis hin zu Hunderten von Dollar pro Monat reichen.

Abrechnungseinheiten: Ihre Cloud-Rechnung (VM-Stunden, Speicher, Bandbreite), API-Tokens und Tool-Aufrufe (von den von Ihnen angeschlossenen Anbietern) zuzüglich Arbeitsaufwand (Technik, Sicherheitsüberprüfung, Reaktion auf Vorfälle).

Hauptkostentreiber:

• Berechtigungsstufe des Tools (lokale Ausführung, Dateizugriff, Browserautomatisierung), da höhere Berechtigungen eine stärkere Isolierung und Überprüfung erfordern.
• Hygiene des Plugin- oder Skill-Ökosystems (Scannen der Lieferkette, Signieren, Zulassungslisten), hervorgehoben durch die OpenClaw-Malware-Vorfälle und -Reaktionen im Jahr 2026.

Plattformvergleich für technische Entscheider

Diese Tabelle fasst die angeforderten Plattformen zusammen und konzentriert sich dabei auf die kommerzielle Form und die Betriebseigenschaften und nicht nur auf die Modellqualität.

OpenClaw Deep Dive: offizielle Funktionen, Preise, Zielbenutzer und Wettbewerbspositionierung

Was OpenClaw ist, basierend auf offiziellen Quellen

OpenClaw positioniert sich als persönlicher KI-Assistent, der „tatsächlich Dinge erledigt“, wie E-Mail- und Kalenderaktionen, über Chat-Kanäle wie WhatsApp und Telegram arbeitet und von einer konfigurierbaren Agentenlaufzeit unterstützt wird. Es vereint drei Produktideen, die strategisch wichtig sind:

1. Eine lokale oder selbst gehostete Laufzeit mit Tool-Ausführung, einschließlich optionalem Docker-basiertem Sandboxing zur Reduzierung des Explosionsradius.
2. Persistente Speicherprimitive, einschließlich semantischer Speichersuche über lokale Markdown-Speicherdateien mit kontrollierten Lesepfaden und der Option, Remote-Einbettungen oder lokale Einbettungen zu verwenden.
3. Ein öffentlicher Kompetenzmarktplatz (ClawHub) zur Verteilung erweiterbarer Fähigkeiten als „Skill-Bundles“.

Die Dokumente von OpenClaw betonen auch die Beobachtbarkeit und das Kostenbewusstsein innerhalb der Chat-UX selbst. In den Referenzen „API-Nutzung und -Kosten“ und „Token-Nutzung und -Kosten“ wird aufgeführt, wo Kosten angezeigt werden (/status, /usage-Fußzeilen), welche Funktionen API-Schlüssel ausgeben können (Kernantworten, Speichereinbettungen, Websuche, Medienverständnis, Fähigkeiten) und wie die Kostenschätzung konfigurierte USD-pro-1-Millionen-Token-Raten pro Modell erfordert.

Preisgestaltung: Was ist „offiziell“ und was ist von Natur aus variabel?

OpenClaw präsentiert sich nicht als traditionelles SaaS pro Arbeitsplatz mit einem veröffentlichten Abonnement für die Kernlaufzeit. In der Praxis lässt sich der „offizielle Preis“ am besten wie folgt beschreiben:

• Softwarelizenz: Keine Gebühr im Vertriebsstatus; Die Betriebskosten dominieren.
• Hosting-Kosten: hängt davon ab, wo Sie es betreiben; Die offizielle Installationsanleitung für Fly.io bietet eine konkrete Basisschätzung von etwa 10 bis 15 US-Dollar pro Monat für eine empfohlene Konfiguration.
• Modell- und Tool-API-Kosten: vollständig abhängig von den Anbietern und Tools, die Sie konfigurieren (LLM-Anbieter-Tokens, Einbettungen, Websuche, Medienverarbeitung, Fähigkeiten von Drittanbietern).

Dadurch ähnelt das Kostenprofil von OpenClaw eher einer Entwicklerplattform als einem Verbraucherassistenten: Ihre Rechnung richtet sich nach der Automatisierungshäufigkeit, den Tool-Aufrufen und der langen Kontextnutzung und nicht nur nach der „Anzahl der Benutzer“.

Zielbenutzer

Die offiziellen Dokumente und Funktionen von OpenClaw implizieren drei Hauptbenutzersegmente:

• Power-User, die „persönliche Automatisierung“ über Chat-Kanäle mit echter Tool-Ausführung und persistentem Speicher suchen.
• Builder, die Fähigkeiten, Tools und Multi-Agent-Routing zusammenstellen möchten, einschließlich Hintergrund-Subagenten für parallele Arbeit.
• Sicherheitsbewusste Betreiber, die bereit sind, in Sandboxing, Tool-Richtlinien, Zulassungslisten und Genehmigungen zu investieren, um die Ausführung eines persönlichen Agenten mit hohen Privilegien sicherer zu machen.

Vor- und Nachteile: eine evidenzbasierte Sichtweise

Vorteile (starke Unterscheidungsmerkmale):

• Hohe Handlungsfähigkeit und tiefe Integration: Das Design von OpenClaw legt Wert darauf, die Absicht des Benutzers in die Ausführung umzusetzen (einschließlich lokaler Tool-Ausführung und optionaler Multi-Agent-Muster), was den „agentischen“ Sprung darstellt, den sich viele Benutzer über den Chat hinaus wünschen.
• Integrierte Kostentransparenz in der Chat-Schleife (Statuskarten, Fußzeilen pro Antwort und explizite Dokumente darüber, wo „Schlüssel ausgegeben werden“), die im Vergleich zu vielen Verbraucherassistenten ungewöhnlich direkt ist.
• Es gibt strenge, explizit dokumentierte Sicherheitskontrollen (Sandboxing, Zulassen/Verweigern von Tools, erhöhte Fluchtluken, Genehmigungen von Führungskräften), die segmentierte Sicherheitsprofile pro Agent ermöglichen.

Nachteile (wesentliche Risiken und Kompromisse):

• Das Risiko der Qualifikationslieferkette ist nicht hypothetisch. Mehrere Untersuchungen im Jahr 2026 ergaben, dass bösartige Fähigkeiten über das ClawHub-Ökosystem verbreitet wurden, darunter Angriffe im Infostealer-Stil und Social Engineering, die das Vertrauen der Benutzer und die den Agenten gewährten Privilegien ausnutzten.
• Die Leistung der Plattform erhöht den Explosionsradius: In den eigenen Dokumenten von OpenClaw wird davor gewarnt, dass Fähigkeiten von Drittanbietern als nicht vertrauenswürdiger Code behandelt werden sollten und dass Geheimnisse in den Host-Prozess eingeschleust werden können, damit ein Agent an der Reihe ist, was die Auswirkungen von Vorfällen erhöht, wenn die Governance schwach ist.
• Sicherheit erfordert kontinuierliche Bedienerarbeit. Während OpenClaw Schutzmaßnahmen wie VirusTotal-Scans für Fertigkeiten und offizielle Sandboxing-Anleitungen hinzufügte, deuten externe Berichte darauf hin, dass viele Organisationen OpenClaw immer noch als riskant genug betrachten, um es einzuschränken oder zu verbieten, was auf Reifelücken im Vergleich zu Standardstandards für Unternehmen hinweist.

Das OpenClaw-Team und das Ökosystem haben mit konkreten Maßnahmen auf den Sicherheitsdruck reagiert. OpenClaw kündigte eine Partnerschaft zur Integration des VirusTotal-Scans für Fertigkeiten an, und VirusTotal selbst fügte native Unterstützung für die Analyse von OpenClaw-Fertigkeitspaketen über Code Insight hinzu, um aufkommende Missbrauchsmuster zu erkennen. Dies sind sinnvolle Schritte, aber sie beseitigen nicht grundlegende Agentenrisiken wie Prompt-Injection und Privilegienmissbrauch, was im Einklang mit den umfassenderen Sicherheitsrichtlinien der Branche für Agentensysteme steht.

Wie OpenClaw im Vergleich zu den aufgeführten Konkurrenten abschneidet

Im Vergleich zu OpenAI-Agenten:

• Der Agent-Stack von OpenAI ist für Arbeitsabläufe von Produktionsentwicklern mit erstklassiger Ablaufverfolgung und expliziten Tool-Metern (Websuchaufrufe, Dateisuchaufrufe, Vektorspeicher, Containersitzungen) konzipiert. Dadurch werden die Debugbarkeit und die Kostenrechnung verbessert, die Wirtschaftlichkeit wird jedoch direkt mit den API-Nutzungseinheiten verknüpft.
• OpenClaw bietet eine starke Kostentransparenz im Chat und ein offenes Ökosystem, aber seine lokale Ausführung und der Einsatz von Kompetenzen Dritter erhöhen die betriebliche Sicherheitsbelastung im Vergleich zu verwalteten Plattformstandards.

Im Vergleich zu Anthropic Claude Agents:

• Das Agent SDK von Anthropic bündelt eine Agentenschleife und Tools, die den „Claude Code“-Funktionen ähneln, wobei der Schwerpunkt auf Datei- und Befehlszugriff, Websuche und Codebearbeitung in einer von Entwicklern nutzbaren Bibliothek liegt.
• Die kostenpflichtigen Pläne von Claude umfassen außerdem ausdrücklich Konnektoren und Unternehmensverwaltungsfunktionen in Teamebenen (SSO/SCIM/Audit-Protokolle), was den Governance-Aufwand für Organisationen reduzieren kann, die agentenähnliche Funktionen wünschen, ohne eine privilegierte lokale Laufzeit auszuführen.

Im Vergleich zu Microsoft Copilot/Agents:

• Copilot Studio und Microsoft 365 Copilot von Microsoft sind tief in die Governance-Kontrollen von Unternehmen integriert: Durchsetzung von DLP-Richtlinien, Datenresidenz sowie vom Administrator verwaltete Konnektoren und Wissensquellen sind erstklassige dokumentierte Konzepte.
• Der Kompromiss besteht in der Preisgestaltung und der betrieblichen Komplexität: Agenten werden häufig gemessen (Credits/Nachrichten sind an Azure gebunden), und Unternehmen müssen die Berechtigungen für Microsoft Graph und Konnektoren verwalten.

Im Vergleich zu LangChain-basierten Plattformen:

• LangGraph plus LangSmith ist ein auf „Kontrolle und Beobachtbarkeit“ ausgerichteter Stack: starke Zustands- und Speicherabstraktionen sowie Arbeitsabläufe zur Produktionsverfolgung und -auswertung mit klaren Preisen pro Arbeitsplatz und pro Ablaufverfolgung.
• OpenClaw ist eher „Persönliche Agenten-Laufzeit + Marktplatz“, während das Ökosystem von LangChain eher „Entwickler-Framework + LLMOps“ ist. Dies kann ein entscheidender architektonischer Unterschied sein: OpenClaw steuert eine Laufzeitumgebung; LangChain-Tools instrumentieren und strukturieren Ihre App.

Im Vergleich zu AutoGPT:

• Beide sprechen Bauherren an, die Autonomie und Erweiterbarkeit wünschen. AutoGPT wird häufig als Open-Source-Ausgangspunkt verwendet und hat die Agentenlandschaft und das akademische Benchmarking beeinflusst.
• OpenClaw unterscheidet sich durch seine dokumentierten Sicherheitskontrollen, seine expliziten Kostenbeobachtbarkeitsoberflächen und seine Channel-First-Ausrichtung „Assistent in Ihrer Chat-App“, während AutoGPT eher eine Framework-Plattform ist, deren Produktionsstatus davon abhängt, welches Verteilungs- und Hosting-Muster Sie verwenden.

Im Vergleich zu Perplexity:

• Perplexity eignet sich hervorragend für Recherche, Beschaffung und Unternehmensdatensuche, mit expliziten Compliance-Ansprüchen bei Unternehmenspreisen und einer Agent-API zum Token-Preis, die mehrere Modelloptionen und Fallback-Ketten von Drittanbietern offenlegt.
• Bei OpenClaw geht es mehr um die Ausführung von Aufgaben (lokal/privilegiert) als um die Erstellung zitierter Forschungsergebnisse, obwohl es Websuchtools unterstützt, für die separate API-Kosten anfallen können.

Im Vergleich zu Replit Ghost:

• Der „Agent“ von Replit ist in erster Linie ein autonomes Codierungs- und Erstellungssystem innerhalb einer gehosteten IDE, das eng mit Bereitstellung und Hosting verbunden ist und durch ein Abonnement plus Credits abgesichert ist.
• OpenClaw zielt auf umfassendere persönliche Arbeitsabläufe (Nachrichten, Kalender, Posteingang, lokale Automatisierung) ab und behandelt das Betriebssystem und die Chat-Kanäle als primäre Schnittstellen und nicht als Code-Projekte als Schwerpunkt.

Empfehlungen und Alternativen nach Benutzertyp

Bei den folgenden Empfehlungen wird davon ausgegangen, dass ein Käufer Wert auf Zuverlässigkeit, Sicherheitslage und vorhersehbare Skalierung legt und den „Agenten“ als Produktionssystem und nicht als Demo behandelt.

Für Entwickler, die produktive Agenten erstellen:

• Beste Standardeinstellung: OpenAI Agents SDK + AgentKit, wenn Sie eine starke Nachverfolgung, explizite Tool-Meter und einen Weg von Prototyp-Workflows zur Produktionsoptimierung wünschen.
• Starke Alternative: Anthropic Claude Agent SDK, wenn Ihre Kernarbeitslasten „Produktionscodierung und Datei-/Befehlsagenten“ ähneln und Sie eine gepackte Agentenschleife in Python/TypeScript wünschen.
• Framework-First-Alternative: LangGraph + LangSmith, wenn Sie maximale Orchestrierungskontrolle, dauerhaften Zustand sowie Beobachtbarkeit und Evaluierungsworkflows auf Unternehmensniveau mit klarer Trace-basierter Wirtschaftlichkeit benötigen.

Für Unternehmen, die interne Agenten standardisieren:

• Am besten geeignet, wenn Sie sich auf Microsoft konzentrieren: Microsoft Copilot Studio und Microsoft 365 Copilot, da Governance, DLP-Richtlinien, Konnektoren und Compliance-Grundlagen ausführlich dokumentiert und in Entra und Purview integriert sind.
• Am besten geeignet, wenn es um Recherche und Beschaffung geht: Perplexity Enterprise (Pro/Max-Stufen), wenn Sie webbasierte Antworten, unternehmensweite Wissenssuche und explizite Compliance-Ansprüche sowie optionalen API-Zugriff benötigen.
• Wo OpenClaw passt: Nur wenn Ihr Sicherheitsmodell eine stark privilegierte Laufzeit toleriert und Sie Sandboxing, Tool-Richtlinien und eine strenge Fähigkeitsüberprüfung durchsetzen können. Behandeln Sie es wie die Bereitstellung einer Mini-Endpunkt-Automatisierungsplattform und nicht wie die Bereitstellung eines Chat-Assistenten.

Für KMUs und Startups (Time-to-Value zählt mehr als perfekte Governance):

• Wenn Sie schnell „agentische Produktivität“ mit Administratorkontrollen wünschen: ChatGPT Business (Preise pro Arbeitsplatz) oder Claude Team (Preise pro Arbeitsplatz mit Konnektoren und Administratorfunktionen) können einfacher sein als das Erstellen und Hosten Ihrer eigenen Laufzeit.
• Wenn Sie Softwareprodukte erstellen und möchten, dass der Agent Code versendet: Replit Core/Teams ist für die durchgängige Erstellung und Bereitstellung mit einem autonomen Agenten innerhalb der Entwicklungsumgebung optimiert.
• Wenn Sie auf Open Source bestehen: OpenClaw kann attraktiv sein, aber das KMU sollte ein Budget für Isolation, Konfigurationshärtung und laufende Überprüfung von Fähigkeiten und Privilegien einplanen, um die Sicherheitsvorfälle im Jahr 2026 widerzuspiegeln.

Für Verbraucher und Privatpersonen:

• Wenn Sie einen allgemeinen Assistenten mit einer klaren Preisliste wünschen: ChatGPT Go/Plus/Pro bietet explizite Listenpreise (8 $/20 $/200 $) und verknüpft höhere Stufen mit tiefergehender Recherche, Speicher und „Agentenmodus“.
• Wenn Sie ein starkes „Work-with-Files“-Assistenten- und Coding-Agent-Erlebnis wünschen: Die Claude Pro/Max-Stufen bündeln explizit „Claude Code“ und „Cowork“, wobei die Max-Stufen ab 100 $ pro Monat und die Pro-Stufen ab 20 $ monatlich kosten.
• Wenn Sie in erster Linie zitierte Recherche wünschen: Die Stufen „Perplexity Pro“ und „Enterprise“ legen Wert auf die Erstellung von Berichten und die Tiefe der Beschaffung.

Für Forscher und Gutachter:

• Verwenden Sie Plattformen, die messbare Einheiten (Token-Anzahl, Trace-Protokolle, Tool-Call-Meter) verfügbar machen und kontrollierte Experimente mit der Tool-Nutzung und dem Fallback-Verhalten ermöglichen. Die Agent-API von Perplexity gibt die explizite Token-Nutzung zurück und unterstützt Modell-Fallback-Ketten; OpenAI- und LangSmith-Ökosysteme bieten umfassendes Trace-basiertes Debugging.
• Behandeln Sie „Computernutzung“ als eigenständiges Bewertungsproblem; Benchmarks im OSWorld-Stil und anschließende Effizienzstudien zeigen, dass Agenten korrekt, aber langsam und schrittweise ineffizient sein können, was sich direkt auf die Kosten und das UX-Risiko für reale Bereitstellungen auswirkt.