Wie OpenClaw-Agents Mitarbeiter Ersetzen, Nicht Aufgaben
Ich baue seit Monaten KI-Agents. Individuelle Pipelines, Claude Code-Automatisierungen, Multi-Agent-Systeme — den ganzen Stack. Und die meiste Zeit davon nutzte ich sie falsch.
Nicht falsch auf die offensichtliche Weise. Meine Agents funktionierten. Sie erledigten Aufgaben. Sie produzierten Ergebnisse. Aber jedes einzelne Mal, wenn ich etwas erledigt haben wollte, musste ich mich hinsetzen, den Prompt schreiben, die Ausführung beaufsichtigen, die Ausgabe überprüfen, und dann am nächsten Tag das Gleiche tun. Ich hatte die Arbeit automatisiert, aber nicht den Workflow.
Dann schaute ich mir Brian Castles Erklärung an, wie er sein Unternehmen mit OpenClaw-Agents führt, und etwas klickte, das ich vermisst hatte. Die Unterscheidung ist täuschend einfach, veränderte aber vollständig, wie ich über KI-Delegation denke: Es gibt einen massiven Unterschied zwischen einem Agent eine Aufgabe geben und ihm einen Job geben.
Eine Aufgabe ist "fass diesen Artikel zusammen." Ein Job ist "jeden Morgen um 7 Uhr diese zwölf Branchenquellen scannen, die drei relevantesten Ankündigungen identifizieren, ein Briefing erstellen und es an mein Telegram schicken."
Diese Neuformulierung — von Aufgaben zu Jobs — entsperrte etwas, womit ich wochenlang kämpfte.
Warum Die Meisten Leute Bei KI-Agents an Eine Decke Stoßen
Jedes Mal wenn du eine einmalige Aufgabe delegierst, zahlst du Einrichtungskosten: Kontext einstellen, Prompt schreiben, Ausgabe überprüfen. Für eine einzelne komplexe Aufgabe lohnen sich diese Kosten. Aber wenn du zwanzig Dinge pro Tag delegierst, jedes mit frischem Kontext, hast du dir im Grunde einen zweiten Job erschaffen — die Agents zu verwalten.
Brian Castle formuliert dieses Problem perfekt: Du behandelst Agents wie Auftragnehmer, die du für einen Auftrag einstellst, anstatt wie Mitarbeiter, die du für eine Rolle einstellst.
Als ich das für meine eigene Arbeit wirklich abbildete, fand ich siebzehn wiederkehrende Jobs, die ich manuell erledigt hatte. Siebzehn Jobs, die mich nicht brauchten.
Die Architektur Hinter Einem Sich Selbst Betreibenden Agent-Team
Brians System läuft auf einem Stack aus zweckgebauten Komponenten.
Die Grundlage ist OpenClaw selbst, das auf einem Mac Mini läuft.
Dort kommt BMHQ (Builder Methods HQ) ins Spiel. Es ist eine individuelle Rails-App, die Brian als seine Schaltzentrale gebaut hat: Aufgabenvorlagen, Planung, Versand, Statusverfolgung und Ausgabeüberprüfung — alles in einem Dashboard.
Das Telegram-Stück ist genial. Die Agents kommen zu ihm. Er geht nicht zu ihnen.
Skills: Der Teil, Den Alle Falsch Machen
Wenn du einen Agent einrichtest, um eine wiederkehrende Aufgabe zu erledigen, ist der natürliche Instinkt, alle Anweisungen direkt in den Aufgaben-Prompt einzubetten.
Das Problem: Wenn du den Prozess aktualisieren musst, musst du jede Aufgabe finden und modifizieren, die auf diese Anweisungen verweist.
Brians Lösung sind sogenannte Skills — modulare Prozessdokumentation, die als separate Markdown-Dateien gespeichert ist. Aufgaben enthalten die Anweisungen nicht. Sie verweisen auf einen Skill.
Die Skill-Datei ist die einzige Wahrheitsquelle dafür, wie eine bestimmte Art von Arbeit erledigt werden soll. Einen Skill aktualisieren? Jede Aufgabe, die darauf verweist, verwendet beim nächsten Ausführen automatisch den aktualisierten Prozess.
Das ist das DRY-Prinzip (Don't Repeat Yourself) auf das Agent-Management angewendet.
Was ich Baute (Und Was Kaputtging)
Mein Stack: Claude Code-Agents zur Ausführung. Ein einfacher Python-Scheduler mit APScheduler für wiederkehrenden Aufgabenversand. Markdown-Skill-Dateien in einem gemeinsamen Verzeichnis. Telegram-Bot für Benachrichtigungen. Obsidian-Vault für Ausgabespeicherung und -überprüfung.
Tag zwei: Drei von fünf Jobs liefen bei ihrer ersten automatisierten Ausführung erfolgreich.
Die Wettbewerbsanalyse scheiterte, weil die Skill-Datei auf eine Datenquelle verwies, die eine Authentifizierung erforderte, die ich nicht in der Umgebung des Agents konfiguriert hatte.
Der Sicherheitsbulletin-Job produzierte eine Ausgabe, aber sie war nutzlos. Die Skill-Datei war zu vage darüber, was ein "bemerkenswertes" Sicherheitsereignis ist.
Beide Misserfolge lehrten mich dieselbe Lektion: Skills müssen expliziter sein, als du denkst.
Die Ökonomie, über die Niemand Spricht
KI-Agents haben keine minimale tragfähige Arbeitslast. Ein Agent, der eine Aufgabe pro Tag ausführt, kostet dich ein paar Cent an API-Tokens.
Ich berechnete meine neun wiederkehrenden Agent-Jobs. Gesamte monatliche Token-Kosten über alle Agents: ungefähr $34. Gesamtzeit, die diese Jobs mich kosten würden, wenn ich sie manuell erledige: ungefähr 45 Stunden pro Monat. Bei einem bescheidenen Stundensatz von $50 ist das ein Wert von $2.250 für $34 an Infrastrukturkosten.
Was ich Vom Scratch Anders Machen Würde
Beginne mit drei Jobs, nicht neun.
Schreibe Skill-Dateien, als würdest du jemanden trainieren, der den Job noch nie gemacht hat.
Baue zuerst die Benachrichtigungsschicht.
Baue keine individuelle Tooling, bis du den Workflow manuell validiert hast.
Das Größere Bild: KI-Agents als Infrastruktur, Nicht als Features
Die meisten Gespräche über KI-Agents konzentrieren sich auf das, was sie tun können. Die wichtigere Frage lautet: Können sie zuverlässig auftauchen, jeden Tag, und Arbeit erledigen, die du sonst selbst erledigen oder jemanden dafür bezahlen müsstest?
Das ist eine Infrastrukturfrage. Und sie erfordert infrastrukturelles Denken.
Brians Rahmen hat bei mir geklickt, weil er KI-Agents als organisatorische Infrastruktur behandelt statt als individuelle Produktivitätstools. Die Agents machen ihn nicht produktiver an seinem Schreibtisch. Sie erledigen Arbeit, die stattfindet, egal ob er an seinem Schreibtisch ist oder nicht.
Mein Morgen beginnt nicht mit "Was soll ich heute delegieren?" Er beginnt mit "Was hat mein Team über Nacht produziert?"
Lass uns zusammenarbeiten
Möchtest du KI-Systeme aufbauen, Workflows automatisieren oder deine Tech-Infrastruktur skalieren? Ich helfe gerne.
- Fiverr (individuelle Lösungen & Integrationen): fiverr.com/s/EgxYmWD
- Portfolio: mejba.me
- Ramlit Limited (Enterprise-Lösungen): ramlit.com
- ColorPark (Design & Branding): colorpark.io
- xCyberSecurity (Sicherheitsdienstleistungen): xcybersecurity.io
