Die Demos sind faszinierend. Eine KI navigiert durch einen komplexen Buchungsprozess, wechselt zwischen Anwendungen, füllt behördliche Formulare aus und erledigt mehrstündige Aufgaben autonom. 2024–2025 zeigten Anthropics Computer Use, OpenAIs Operator, Googles Project Mariner und zahlreiche Start-ups Agenten, die Computer wie Menschen bedienen.
Im Jahr 2026 sind diese Werkzeuge real und funktionsfähig. Einige Unternehmen setzen sie erfolgreich produktiv ein. Diese Einsätze sehen jedoch nicht wie die Demos aus: Sie sind enger gefasst, stärker eingeschränkt und von Schutzmechanismen umgeben. Dieser Artikel behandelt die Muster, die einen Produktiveinsatz von einer Demo unterscheiden.
Die Grundlagen haben wir in einem Artikel für Fortgeschrittene behandelt. Hier gehen wir tiefer: produktionsbewährte Muster, wiederkehrende Fehler, Wirtschaftlichkeit und die Frage, wie Sie ein Computer-Use-System ausliefern, das im großen Maßstab tatsächlich nützlich ist.
Die Produktionsrealität
Einige Muster, die wir in realen Produktiveinsätzen beobachten:
Muster 1: Eng begrenzte Aufgaben dominieren. Produktiveinsätze funktionieren bei konkreten, klar definierten Aufgaben. Nicht „alles erledigen“. Nicht „jede Website bedienen“. Sondern bestimmte Workflows auf bestimmten Websites.
Muster 2: Strikte Eingrenzung. Aufgaben sind eng begrenzt. Der Agent darf nur bestimmte Aktionen auf bestimmten Websites ausführen. Alles außerhalb dieses Rahmens führt zum Abbruch, nicht zur Improvisation.
Muster 3: Aufgezeichnete Workflows statt autonomer Erkundung. Viele Produktiveinsätze verwenden aufgezeichnete Workflows – einmal definierte Schritte, die mit Anpassungen wiederholt werden – statt vollständig autonomer Agenten. Das ist zuverlässiger und leichter zu warten.
Muster 4: Menschliche Kontrolle bei folgenreichen Aktionen. Jede Aktion mit erheblichen finanziellen, rechtlichen oder kundenbezogenen Folgen wird von einem Menschen geprüft.
Muster 5: Konsequente Überwachung. Jede Aktion wird protokolliert. Anomalien werden erkannt. Not-Aus-Schalter stehen bereit. Das Betriebsteam überwacht Dashboards.
Muster 6: Kostenkontrolle. Die Wirtschaftlichkeit spielt eine Rolle. Viele „KI macht alles“-theoretische Implementierungen rechnen sich nicht gegenüber menschlichen oder RPA-Alternativen.
Muster 7: Spezialisiert statt allgemein. Produktiveinsätze verwenden eher spezialisierte Modelle oder Konfigurationen als ein allgemeines Computer-Use-Modell für alles.
Diese Muster entsprechen dem typischen Bild produktiver KI: ein engerer Umfang und stärkere Schutzmechanismen, als das Marketing vermuten lässt.
Wo Computer-Use-Agenten im Produktiveinsatz überzeugen
Für bestimmte Aufgabenkategorien ist Computer Use das richtige Werkzeug:
1. Datenextraktion von Websites ohne APIs
Viele Unternehmenswerkzeuge, Behördenportale und kleinere B2B-Dienste haben keine APIs oder nur APIs mit erheblichen Lücken. Computer-Use-Agenten können Daten über die Benutzeroberfläche extrahieren.
Beispiele in der Produktion:
- Rechnungen aus mehr als 50 Lieferantenportalen abrufen.
- Falldaten aus Websites von Gerichten extrahieren.
- Preisseiten von Wettbewerbern auslesen.
- Daten aus Portalen für Compliance-Berichte zusammenführen.
Wenn ein Mensch diese monotonen Klickfolgen erledigen müsste, ist Computer Use klar im Vorteil.
2. Formularausfüllung in großem Maßstab
Dieselbe Art von Formular auf vielen verschiedenen Websites einreichen. Jede Website ist etwas anders; eine API wäre ideal, existiert aber nicht.
Beispiele:
- Behördliche Anträge (jede Behörde hat ihr eigenes Portal).
- Compliance-Einreichungen.
- Kunden-Onboarding in Systemen von Anbietern.
- Kontoerstellung für SaaS-Tools.
3. UI-Testen und Qualitätssicherung
Computer-Use-Agenten eignen sich gut als QA-Tester. Sie können durch Anwendungen navigieren, Benutzerabläufe durchspielen und Probleme melden.
Beispiele:
- Ende-zu-Ende-Tests von Webanwendungen.
- Visuelle Regressionstests.
- Barrierefreiheitsaudits.
- Validierung von Benutzerabläufen auf mehreren Geräten.
Das ähnelt RPA, bietet aber zusätzlich die Flexibilität von KI, um Änderungen an der Benutzeroberfläche zu bewältigen.
4. Anwendungsübergreifende Workflows
Aufgaben, die mehrere Anwendungen ohne gemeinsamen Integrationspunkt umfassen.
Beispiele:
- Daten aus einem CRM ziehen, formatieren und in ein Analysetool hochladen.
- Support-Tickets übernehmen, Aufgaben in einem Projektwerkzeug erstellen und den Status in einem CRM aktualisieren.
- Berichte aus mehreren internen Tools aggregieren.
Wenn Sie die Anwendungen nicht direkt integrieren können oder wollen, bietet ein Agent eine flexible Brücke.
5. Repetitive, mehrstufige Prozesse
Aufgaben, die derselbe Mensch immer wieder erledigt.
Beispiele:
- Neukunden mit einem 30-stufigen Prozess einarbeiten.
- Daten zwischen zwei Systemen wöchentlich abgleichen.
- Regelmäßige Berichte aus mehreren Quellen erstellen.
Ist ein Prozess klar definiert, wird häufig wiederholt und derzeit manuell durchgeklickt, ist er ein Kandidat.
Wo sie noch scheitern
Die Kehrseite: Für diese Aufgaben sind Computer-Use-Agenten noch nicht produktionsreif.
1. Aufgaben, die Urteilsvermögen erfordern
„Finden Sie mir einen guten Anbieter.“ Agenten können durch Websites von Anbietern navigieren, aber nicht beurteilen, welcher Anbieter Ihre konkreten Anforderungen am besten erfüllt.
2. Aufgaben mit neuen UI-Mustern
Auf einer unbekannten Website fällt es Agenten schwer, ungewöhnliche UI-Konventionen zu erschließen. Mit gängigen Mustern wie Formularen, Listen und Navigationsmenüs kommen sie besser zurecht als mit individuellen Designs.
3. Aufgaben mit starken Anti-Bot-Maßnahmen
Viele Websites erkennen und blockieren Automatisierung aktiv. Agenten können solche Maßnahmen mitunter aufwendig umgehen, doch daraus entsteht ein fortwährendes Katz-und-Maus-Spiel. Häufig lohnt sich das nicht.
4. Hochriskante Einzelhandlungen
Eine Zahlung auslösen, ein Rechtsdokument unterzeichnen oder im Namen einer Person öffentlich posten: Die möglichen Auswirkungen einer Fehlhandlung sind groß, daher ist menschliche Prüfung unverzichtbar.
5. Aufgaben, die echte Weltkontext erfordern
Der Agent sieht nur, was auf dem Bildschirm angezeigt wird. Er kennt weder Ihre Beziehung zu diesem Kunden noch den aktuellen Kontext Ihres Teams oder die politische Lage. Aufgaben mit unzureichendem Kontext scheitern.
6. Offene Erkundung
„Finden Sie das beste Angebot“ oder „Recherchieren Sie diese Person gründlich“ sind Aufgaben ohne klare Abschlusskriterien. Agenten drehen sich dabei entweder im Kreis oder hören zu früh auf.
Die Architektur
Ein produktives Computer-Use-System besteht aus diesen Schichten:
┌─────────────────────────────────────┐
│ Orchestration │ Schedules, retries, escalations
├─────────────────────────────────────┤
│ Task definition + scope │ What the agent does and doesn't do
├─────────────────────────────────────┤
│ Agent runtime (Computer Use SDK) │ Anthropic / OpenAI / Browserbase
├─────────────────────────────────────┤
│ Browser / desktop environment │ Isolated, sandboxed
├─────────────────────────────────────┤
│ Authentication and session │ Credentials, cookies, MFA handling
├─────────────────────────────────────┤
│ Result handling │ Capture, validate, store
├─────────────────────────────────────┤
│ Monitoring + alerts │ Real-time observability
└─────────────────────────────────────┘
Wir gehen jede davon durch.
Aufgabendefinition
Dies ist der wichtigste Schritt: Definieren Sie eng, was der Agent tut.
Eine gute Aufgabendefinition enthält:
Auslöser. Was löst die Aufgabe aus? (Zeitplan, Ereignis, manuell.)
Eingaben. Welche Daten stehen dem Agenten zur Verfügung? (Bestimmter Datensatz, strukturierte Formulardaten.)
Umfang. Welche Websites, welche Aktionen, welche Pfade durch die Benutzeroberfläche.
Erfolgskriterien. Woran ist der erfolgreiche Abschluss erkennbar?
Abbruchbedingungen. Was beendet die Aufgabe vorzeitig?
Ausgabe. Welche Daten gibt der Agent zurück?
Fehlersemantik. Wie werden Fehler kategorisiert und gemeldet?
Eine schlecht definierte Aufgabe: „Reichen Sie unseren wöchentlichen Compliance-Bericht ein.“
Eine gut definierte Aufgabe:
Task: Submit weekly compliance report to portal X.
Trigger: Cron, every Monday at 9 AM.
Inputs:
- Report data file (CSV) from /reports/weekly.csv
- Submitter info from environment variables (name, ID).
- Credentials from secrets manager.
Scope:
- Site: https://portal.example.gov/submit (and subpaths)
- Allowed actions: navigate, click, type, upload, submit, screenshot.
- Forbidden: visit external sites, change account settings, navigate away from submission flow.
Success criteria:
- Receive confirmation page with submission ID.
- Capture submission ID.
Stop conditions:
- Confirmation received: success.
- CAPTCHA: escalate to human.
- Login failure: escalate to human.
- Form validation error: report and stop.
- Timeout 5 minutes: report and stop.
Output:
- Submission ID.
- Screenshot of confirmation page.
- Timestamp.
Errors:
- Validation: log, notify owner, do not retry.
- Auth: log, notify ops, do not retry.
- Network: retry once, then escalate.
So konkret sieht ein Produktiveinsatz aus. „Reichen Sie den Bericht ein“ entspricht dagegen einer Demo.
Durchsetzung des Aufgabenumfangs
Der Aufgabenumfang ist nicht nur eine Beschreibung, sondern wird zur Laufzeit technisch durchgesetzt.
URL-Positivliste. Der Agent kann nur zu URLs navigieren, die einem definierten Muster entsprechen. Außerhalb der Positivliste wird die Navigation blockiert.
Aktionsfilter. Nur bestimmte Aktionstypen sind erlaubt. An die Stelle einer pauschalen Berechtigung zum Bedienen des Computers treten konkret freigegebene Aktionen.
Elementfilter. Manche Seiten enthalten Elemente, mit denen der Agent niemals interagieren darf, etwa Einstellungen, Abmeldung oder riskante Schaltflächen. Diese lassen sich aus seiner Wahrnehmungsschicht herausfiltern.
Zeitlimits. Aufgaben haben feste Höchstlaufzeiten. Sind sie nach N Minuten nicht abgeschlossen, werden sie abgebrochen.
Schrittlimits. Aufgaben haben eine feste Höchstzahl an Schritten. Es gilt dasselbe Prinzip wie bei Agentenschleifen.
Die Umsetzung unterscheidet sich je nach Plattform – Anthropic Computer Use, OpenAI Operator und Browserbase verwenden jeweils andere Mechanismen. Das Prinzip ist universell: Setzen Sie den Umfang zur Laufzeit durch, statt ihn nur im Prompt zu beschreiben.
Authentifizierung
Eine dauerhafte Herausforderung: Im Produktiveinsatz muss die Sitzung des Agenten authentifiziert werden.
Vorab authentifizierte Sitzungen. Ein Mensch meldet sich einmal an, die Sitzungscookies oder Token werden erfasst und der Agent arbeitet innerhalb dieser Sitzung. Bei Bedarf wird sie erneuert.
Dienstkonten. Eigene Konten für den Agenten, sofern die Website sie unterstützt. Dazu gehören begrenzte Berechtigungen und Audit-Protokollierung.
Bereitstellung von Zugangsdaten. Der Agent erhält die Zugangsdaten zur Laufzeit, meldet sich damit an und verwirft sie anschließend. Sichere Speicherung und Verarbeitung sind zwingend erforderlich.
MFA-Handhabung. Eine echte Herausforderung. Zu den Optionen gehören:
- TOTP-Secrets verwenden, die der Agent berechnen kann.
- MFA zur Freigabe an einen Menschen weiterleiten.
- Konten/Websites verwenden, die API-Token anstelle von MFA erlauben.
OAuth. Bei modernen Websites funktionieren OAuth-Abläufe gut: Der Agent erhält über einen einmalig von einem Menschen genehmigten Ablauf ein Token.
Das Grundmuster lautet: Agenten dürfen niemals denselben umfassenden Kontozugriff wie Menschen erhalten. Ihre Zugangsdaten müssen in ihrem Umfang begrenzt, auditierbar und jederzeit widerrufbar sein.
Ergebnisvalidierung
Wenn der Agent einen Erfolg meldet, müssen Sie ihn validieren.
Artefakte erfassen. Screenshots, heruntergeladene Dateien und Ausgabedaten. Vertrauen Sie nicht allein dem Bericht des Agenten, sondern prüfen Sie die Belege.
Erfolgsbedingungen überprüfen. Wurde das Formular tatsächlich abgeschickt? Liegt eine Bestätigung vor? Waren die Daten korrekt?
Gegenprüfung. Wenn Sie den Erfolg über einen anderen Kanal prüfen können – etwa per API, E-Mail-Bestätigung oder Datenbankabfrage –, tun Sie es.
Anomalieerkennung. War dieser Lauf ungewöhnlich lang, kurz oder teuer? Untersuchen Sie Ausreißer.
Das Grundmuster: Gehen Sie davon aus, dass der Agent sich irren kann. Verifizieren Sie Ergebnisse unabhängig von seiner Selbstauskunft.
Fehlerbehandlung
Computer-Use-Aufgaben können auf vielfältige Weise scheitern. Kategorisieren und behandeln Sie jede Fehlerart:
Netzwerkfehler. Website nicht erreichbar, Zeitüberschreitung. Mit zunehmendem Zeitabstand erneut versuchen.
Authentifizierungsfehler. Anmeldung fehlgeschlagen, Sitzung abgelaufen. Zugangsdaten erneuern oder an einen Menschen eskalieren.
UI-Änderungen. Die Website wurde geändert, ein erwartetes Element fehlt. Anhalten und das Wartungsteam benachrichtigen.
Validierungsfehler. Formulareingaben wurden abgelehnt. Protokollieren, benachrichtigen und nicht blind erneut versuchen.
Anti-Bot-Erkennung. CAPTCHAs oder Sperren. Eskalieren und die Website gegebenenfalls für weitere Automatisierung sperren.
Orientierungsverlust des Agenten. Der Agent bleibt hängen, gerät in eine Schleife oder weicht vom vorgesehenen Ablauf ab. Beenden, protokollieren und untersuchen.
Kontingent oder Ratenbegrenzung. Die Website begrenzt die Anfragerate des Agenten. Mit zunehmendem Zeitabstand erneut versuchen oder den Lauf auf später verschieben.
Jede Kategorie erfordert eine andere Reaktion. Schlechtes Muster: „Agent fehlgeschlagen, erneut versuchen.“ Gutes Muster: „Agent ist mit Fehlerkategorie X fehlgeschlagen; Vorgehen X anwenden.“
Überwachung
Jede Aktion wird protokolliert, jeder Lauf nachverfolgt und jede Anomalie sichtbar gemacht.
Protokolle je Lauf:
- Start-/Endzeitstempel.
- Alle durchgeführten Aktionen.
- Alle Screenshots.
- Ergebnis (Erfolg/Fehler/Eskalation).
- Kosten.
- Leistungsmetriken.
Dashboard je Lauf: Das Betriebsteam sieht aktive Läufe, kürzlich aufgetretene Fehler und die Warteschlangentiefe.
Aggregierte Metriken:
- Erfolgsrate pro Aufgabentyp.
- Latenzverteilung.
- Kosten pro Lauf.
- Anomalierate.
Warnungen:
- Erfolgsrate fällt unter Schwellenwert.
- Kosten pro Lauf steigen sprunghaft.
- Bestimmte Fehlerarten treten häufiger auf.
- Die Benutzeroberfläche einer Website könnte sich geändert haben (mehrere aktuelle Fehler beim selben Schritt).
Diese Überwachung erkennt Probleme, bevor daraus Vorfälle werden.
Die Wirtschaftlichkeit
Die nüchterne Frage lautet: Ist Computer Use günstiger als die Alternative?
Kosten:
- Kosten pro Lauf: typischerweise €0,50–€5 je nach Aufgabenkomplexität (Aufrufe von Vision-Modellen sind teuer).
- Infrastruktur: verwaltete Laufzeit (Browserbase, ähnlich) oder selbstgehostet.
- Wartung: Aufgaben fallen aus, wenn Websites geändert werden. Es entsteht laufender Aufwand.
Alternativen:
- Menschliche Bearbeitung zu €30/Stunde: Eine 10-minütige Aufgabe kostet €5, eine einminütige Aufgabe €0,50.
- RPA-Werkzeuge: geringere Kosten pro Lauf, erfordern jedoch strukturierte Automatisierung.
- Direkte API-Integration: viel günstiger pro Aufruf, aber die API muss existieren.
- Auslagerung in Niedriglohnregionen: €5–10/Stunde; die Rechnung ähnelt der für interne Mitarbeitende.
Computer Use ist wirtschaftlich vorteilhaft, wenn:
- Die Website keine API hat.
- Die Aufgabe lang genug ist, um die Fixkosten zu amortisieren.
- Das Volumen so hoch ist, dass sich der manuelle Zeitaufwand summiert.
- Die Website relativ stabil ist (geringe Wartungslast).
Computer Use ist wirtschaftlich nicht vorteilhaft, wenn:
- Eine API existiert (nutzen Sie sie einfach).
- Die Aufgabe kurz und selten ist.
- Die Website sich ständig ändert.
- Die Aufgabe zu viele Randfälle hat (hohe Wartung).
Eine nützliche Übung: Schätzen Sie die Kosten je Aufgabe für Computer Use und manuelle Bearbeitung. Multiplizieren Sie beide mit dem Volumen und vergleichen Sie.
Produktionsmuster, die funktionieren
Einige Muster aus erfolgreichen Produktiveinsätzen:
Muster 1: Der Ansatz mit „aufgezeichnetem Ablauf“
Zeichnen Sie bei eng begrenzten Aufgaben mit hohem Volumen den Workflow einmal mit expliziten Schritten auf. Lassen Sie den Agenten ihn anschließend für jede Eingabe mit geringfügigen Anpassungen wiederholen.
Das ähnelt klassischer RPA, ergänzt aber die Flexibilität der KI für kleine Abweichungen, etwa eine leicht verschobene Schaltfläche oder ein zusätzliches Bestätigungsfenster.
Dieser Ansatz ist wesentlich zuverlässiger als ein rein autonomer Betrieb.
Muster 2: Trennung von „Extrahieren und Einreichen“
Viele Workflows haben zwei Phasen:
- Daten aus einer Quelle extrahieren.
- Daten an einem Ziel einreichen.
Die Aufteilung in separate Agentenläufe oder Abläufe ist sauberer. Jede Phase hat klarere Erfolgskriterien. Fehler in einer Phase wirken sich nicht kumulativ auf die andere aus.
Muster 3: Der menschliche Prüfpunkt
Der Agent erledigt die Vorarbeit autonom und stellt dann einen Status „zur Ausführung bereit“ zur menschlichen Freigabe bereit. Ein Mensch prüft und genehmigt; anschließend führt der Agent die Aktion aus.
Dieses Muster eignet sich für Zahlungen, öffentliche Beiträge und sensible Einreichungen. Der Agent spart Zeit bei der Vorbereitung; der Mensch fängt Fehler ab.
Muster 4: Spezialisierte Agenten
Verwenden Sie statt eines allgemeinen Agenten spezialisierte Agenten für konkrete Aufgaben. Jeder wird auf seinen jeweiligen Workflow abgestimmt, getestet und gewartet.
Ein allgemeiner Agent zum „Bedienen jeder Website“ ist schwer zu warten. Ein Agent zum „Einreichen unseres wöchentlichen Compliance-Berichts“ ist überschaubar.
Muster 5: Rückgriff auf RPA
Greifen Sie bei Aufgaben, die keine KI-Flexibilität benötigen – stabile Website, fester Workflow – auf klassische RPA zurück, etwa Playwright-Skripte oder Selenium. Das ist in diesen Fällen günstiger, schneller und zuverlässiger.
Setzen Sie Computer Use gezielt dort ein, wo die Flexibilität der KI einen Mehrwert schafft.
Muster 6: Gebündelte Ausführung
Starten Sie Agenten bei hohem Volumen nicht für jede Anfrage einzeln. Bündeln Sie die Arbeit und führen Sie Agenten nach Zeitplan parallel aus.
Statt „Ein Benutzer sendet eine Anfrage; der Agent startet sofort“ stellen Sie Anfragen beispielsweise in eine Warteschlange und verarbeiten sie alle 15 Minuten gebündelt. Das glättet die Last und vereinfacht die Architektur.
Was schief laufen kann
Eine kurze Liste häufiger Fehlerbilder:
Die Website hat sich geändert. Der Agent funktionierte sechs Monate lang einwandfrei. Eine Neugestaltung der Website legt alles lahm. Ohne Überwachung erfahren Sie es von verärgerten Nutzern.
Die Anti-Bot-Erkennung hat aufgeholt. Die Website führt eine Bot-Erkennung ein. Agentenläufe schlagen immer häufiger fehl. Schließlich wird das Konto gesperrt.
Kostenexplosion bei einer festgefahrenen Aufgabe. Der Agent hängt auf einer verwirrenden Seite fest. Jeder Zyklus verursacht einen Aufruf des Vision-Modells. So entstehen €100 in einer Stunde.
Falsche Aktion ausgeführt. Der Agent klickt auf die falsche Schaltfläche, storniert eine Bestellung, statt sie zu bestätigen, oder sendet eine Nachricht an die falsche Person.
Bei MFA festgefahren. Der Agent kommt nicht über die MFA-Prüfung hinaus. Produktive Läufe stauen sich, die Warteschlange wächst.
Konto gesperrt. Die Website erkennt ungewöhnliche Aktivitäten und sperrt das Konto. Alle vergleichbaren Aufgaben fallen aus, bis das Konto wiederhergestellt ist.
Offenlegung von Zugangsdaten. Der Agent gibt Zugangsdaten versehentlich in einem Protokoll oder Screenshot preis. Das ist ein Sicherheitsvorfall.
Datenschutzproblem. Der Agent erfasst versehentlich personenbezogene Daten in Screenshots, die protokolliert werden.
Die meisten dieser Probleme lassen sich mit den oben beschriebenen Mustern vermeiden. Dennoch ist jedes davon bereits in realen Produktiveinsätzen aufgetreten. Richten Sie entsprechende Schutzmaßnahmen ein.
Die Wirtschaftlichkeit: ein durchgerechnetes Modell
Dies ist ein Modellszenario, kein Kundenfall, und wird bewusst so bezeichnet: Ein ROI-Modell, das Sie mit Ihren eigenen Zahlen neu berechnen können, ist aussagekräftiger als ein nicht überprüfbarer „anonymisierter Fall“.
Aufgabe: Regelmäßige Compliance-Berichte bei 12 verschiedenen Behördenportalen einreichen. In Estland sind damit etwa Portale gemeint, die weiterhin eine formularweise Eingabe verlangen: e-MTA-Meldungen, Fragebögen von Statistics Estonia und Einreichungen auf EU-Ebene.
Manuelle Ausgangsbasis: 12 Portale × 90 Minuten = 18 Stunden/Woche. Bei Vollkosten von €30/Stunde sind das €540/Woche.
Automatisiert:
- Agentenläufe: 12 × ~€2 (Vision-Modell + Browser-Infrastruktur) = €24/Woche.
- Wartung: ~2 Entwicklungsstunden/Monat zu €100/Stunde ≈ €46/Woche. Portale ändern sich; planen Sie dafür ein Budget ein, sonst fällt die Automatisierung unbemerkt aus.
- Fehlerbehandlung: Bei einer autonomen Erfolgsquote von 92 % muss ungefähr ein Lauf pro Woche an einen Menschen eskaliert werden. Planen Sie 30 Minuten Prüfung ein: €15/Woche.
- Gesamt: ~€85/Woche, Einsparung ~€455/Woche ≈ €23.500/Jahr.
Nun die beiden Zahlen, die entscheiden, ob irgendetwas davon real ist.
Erstens: die Erfolgsquote. Unter ungefähr 85 % zehrt die menschliche Betreuung die Einsparungen auf. Messen Sie die Quote in einer zweiwöchigen Schattenbetriebsphase, bevor Sie sich darauf verlassen; übernehmen Sie sie nicht aus einer Anbieterpräsentation.
Zweitens: der zunehmende Wartungsaufwand. Jede Neugestaltung eines Portals kann einen Ausfall verursachen, und bei 12 Portalen treten mehrere Änderungen pro Jahr auf. Wenn Sie nicht benennen können, wer solche Ausfälle innerhalb eines Arbeitstags behebt, war der manuelle Prozess günstiger.
Checkliste für die Bereitstellung
Wenn Sie ein Computer-Use-System produktiv bereitstellen:
- Aufgabe ist eng und gut definiert.
- Umfang zur Laufzeit durchgesetzt, nicht nur beschrieben.
- Schritt-, Zeit- und Kostenbudgets vorhanden.
- Authentifizierungsstrategie mit sicheren Zugangsdaten.
- Anti-Bot-Überlegungen (legitime Konten verwenden; Rate-Limits respektieren).
- Fehlerkategorisierung und -behandlung.
- Ergebnisvalidierung unabhängig vom Agenten-Selbstbericht.
- Überwachung und Alarmierung.
- Not-Aus-Schalter.
- Menschliche Freigabe für folgenreiche Aktionen.
- Audit-Protokollierung.
- Sichere Verarbeitung personenbezogener Daten.
- Wirtschaftlichkeit gegenüber Alternativen nachvollziehbar.
- Wartungsplan, wenn Websites sich ändern.
Jeder Punkt ist anspruchsvoll. Wer einen davon auslässt, schafft ein Risiko.
Technologie an die Aufgabe anpassen
Computer-Use- und Browser-Agenten sehen im Produktiveinsatz anders aus als in viralen Demos: eng begrenzte Aufgaben, starke Schutzmechanismen, intensive Überwachung, menschliche Prüfpunkte und realistische Wirtschaftlichkeitsannahmen.
Für die richtigen Aufgaben sind sie tatsächlich nützlich: Datenextraktion aus Websites ohne APIs, Formularausfüllung in großem Maßstab, anwendungsübergreifende Workflows und repetitive UI-Arbeit. Reale Produktiveinsätze sparen messbar Zeit und Geld.
Für ungeeignete Aufgaben – offene Beurteilungen, unbekannte Benutzeroberflächen und hochriskante Einzelaktionen – sind sie noch nicht bereit. Erzwingen Sie ihren Einsatz dort nicht.
Die entscheidende Fähigkeit besteht darin, die Technologie passend zur Aufgabe auszuwählen. Richtig umgesetzt sind Computer-Use-Agenten ein nützliches Werkzeug im produktiven KI-Stack. Schlecht umgesetzt sind sie eine teure Möglichkeit, neue Fehlerbilder einzuführen.
Wählen Sie eng begrenzte Aufgaben. Bauen Sie Schutzmechanismen ein. Überwachen Sie konsequent. Sorgen Sie für kontinuierliche Wartung. So verdienen sich Computer-Use-Agenten ihren Platz in Produktivsystemen.
