Ein Agent erhält einen Screenshot des Bildschirms, klickt auf Schaltflächen und tippt in Formulare. Diese Fähigkeit, Computer zu bedienen, hat sich im vergangenen Jahr rasant verbessert – und doch bleibt die Frage, ob sie in Unternehmen wirklich verlässlich eingesetzt werden kann.
Die Zahlen zeigen einen Sprung: Beim Benchmark OSWorld-Verified stieg die beste Punktzahl von 42 auf 85 Prozent. Menschliche Testpersonen kommen auf etwa 72 Prozent. Damit schlagen die besten Modelle inzwischen die Menschen. Doch im echten Geschäftsleben zählt mehr als ein Benchmark: ob ein Agent über Monate hinweg zuverlässig arbeitet, ohne dass ein Mensch jeden Schritt kontrolliert. Genau dort liegt die eigentliche Herausforderung.
Der Stand der Dinge: Daten und was sie wirklich bedeuten
Die OsWorld-Verified-Zahlen stammen vom Leaderboard llm-stats.com (Stand Juni 2026). Sie messen den Anteil abgeschlossener Aufgaben in einer kontrollierten Desktop-Umgebung. Vor einem Jahr lag der beste Wert bei 42 Prozent – heute sind es 85 Prozent. Das klingt beeindruckend, aber ein Geschäftsprozess ist nur dann erfolgreich, wenn jeder einzelne Schritt klappt. Wenn ein Agent 15 von 100 Aufgaben vermasselt, bleibt für einen Backoffice-Workflow ein erhebliches Risiko. Zudem arbeiten die Modelle in der Praxis anders als im Benchmark: Sie bekommen Screenshots und liefern Klicks und Tastatureingaben zurück, oft ergänzt um DOM- oder Accessibility-Daten. Die eigentliche Magie passiert jedoch im Rahmen darum herum – der Sandbox, der Orchestrierung, der Verifikation und Wiederholungslogik.
Ein bezeichnendes Detail: Einer der größten Betreiber automatisierter Workflows – mit Millionen von Tasks pro Monat – konnte nicht sagen, welches Modell seine Agenten gerade ausführt. Der Anbieter tauscht die Modelle im Hintergrund aus, wie ein Cloud-Provider die Hardware wechselt. Sobald die Fähigkeiten eine gewisse Schwelle überschreiten, rückt das Modell in den Hintergrund. Was zählt, ist die Zuverlässigkeit des gesamten Systems.
Wo Computer-Use-Agenten heute schon produktiv arbeiten
Die praktischen Einsatzgebiete sind klar umrissen: Agenten übernehmen standardisierte, wiederholbare Aufgaben, bei denen sonst ein Mensch durch eine Benutzeroberfläche klickt. Typische Beispiele sind das Pflegen von CRM-Einträgen, das Abrufen von Daten aus Regierungs- oder Versicherungsportalen, die Verarbeitung von Aufträgen oder das Bearbeiten von IT-Tickets in ServiceNow. Entscheidend ist, dass der Pfad eindeutig und überprüfbar ist.
Ein konkretes Zahlenbeispiel: Eine CPG-Datenplattform wickelt 15 bis 20 Millionen automatisierte Portal-Interaktionen pro Monat ab. Ihre Agenten dienen als selbstheilender Fallback für handgeschriebene Scraper. Wenn ein Einzelhandelsportal sein Layout ändert, erkennt der Agent den Bruch, repariert die Automatisierung und sorgt dafür, dass die Daten weiterfließen – bevor ein Ingenieur überhaupt von dem Fehler erfährt. Ein globaler Systemintegrator berichtet von 27 aktiven Workflows, die täglich 1500 bis 2100 IT-Tickets bearbeiten, mit dem Ziel, 20 bis 25 Prozent des Personals auf höherwertige Aufgaben umzuschichten. Eine Agentur hat den gesamten Rekrutierungs-Workflow automatisiert: Nach einem Interview wird der Kandidat automatisch in das Bewerberverfolgungssystem eingetragen. Sie nutzen ein günstiges Nicht-Frontier-Modell, weil es „alles tut, was wir brauchen, und das gut“. Das Muster ist überall gleich: Je klarer die Regeln und je einfacher die Überprüfung, desto zuverlässiger funktioniert der Agent.
Die harte Realität: Wenn die Arbeit aus dem Rahmen fällt
Die größten Probleme treten auf, wenn ein Workflow mehrdeutig wird oder keine klare Erfolgskontrolle existiert. Ein Agent, der Zahlungsbedingungen aus Verträgen in ein ERP-System überträgt, könnte „net 60“ als „net 30“ lesen – der Fehler bleibt unentdeckt, bis eine Rechnung falsch rausgeht. Ebenso kritisch ist der Fall, in dem der Erfolg erst später sichtbar wird: Ein Agent reicht einen Versicherungsanspruch ein, der Bildschirm zeigt „erhalten“, die Aufgabe gilt als erledigt. Doch zwei Tage später meldet sich ein Sachbearbeiter telefonisch, weil eine Policennummer fehlt. Ein Mensch hätte das sofort geklärt, der Agent hat keinen Zugriff auf solche Nachzügler-Informationen. Der Prozess stockt still.
Diese Beispiele zeigen: Ein besseres Modell allein löst das Problem nicht. Die Lösung liegt in der Harness-Architektur – also in der Umgebung, die den Agenten umgibt und dafür sorgt, dass unerwartete Situationen erkannt und eskaliert werden. Genau hier setzen die Anbieter an, die in der Praxis erfolgreich sind. Sie bauen Systeme mit einer Feedback-Schleife, die auch subtile Fehler aufspürt, sei es durch Quervergleiche mit anderen Datenquellen oder durch manuelle Überprüfung an definierten Kontrollpunkten.
Infrastruktur schlägt Modell: Worauf Käufer wirklich achten
Im Gespräch mit Enterprise-Kunden wird deutlich: Das Modell ist selten das entscheidende Kriterium. „Die Modelle sind heute schon gut genug“, sagen sie. Entscheidend ist die Infrastruktur, die Skalierbarkeit, Sicherheit und nachweisbare Rendite bietet. Käufer interessiert nicht, ob ein bestimmtes Frontier-Modell eingesetzt wird, sondern ob die Lösung den Job zuverlässig und kosteneffizient erledigt. Deshalb entwerfen Architekten die Systeme mit Blick auf Fehlertoleranz.
Eine wiederkehrende Strategie: Der Agent führt den Workflow einmal aus, das System „cached“ ihn als deterministischen Code, und ab dann laufen alle weiteren Instanzen als preiswerte Skripte. Der Agent wird nur noch aktiv, wenn etwas schiefgeht – er diagnostiziert, repariert und erneuert den Cache. So sinken die Kosten pro Ausführung über die Zeit, und das System wird wirtschaftlich, selbst für Aufgaben mit hohem Volumen. Die Designphilosophie geht mit Unsicherheit um: Wo früher deterministischer Code einfach scheiterte, übernimmt der Agent die Flexibilität und passt sich an. Das ist „Design für den Fehlerfall“ in Reinkultur – und es erklärt, warum selbst ein mittelmäßiges Modell mit exzellenter Infrastruktur besser performt als ein Spitzenmodell ohne robustes Framework.
Der Markt fokussiert sich derzeit auf die niedrig hängenden Früchte: Workflows mit klaren Erfolgskriterien und überschaubarem Risiko. Die anspruchsvolleren Aufgaben – etwa komplexe Vertragsprüfungen oder Kundeninteraktionen mit emotionaler Komponente – bleiben vorerst menschlichen Spezialisten überlassen. Doch das Potenzial ist riesig: Jeder manuelle Klick in einem Altsystem ist ein Kandidat für die Automatisierung.
Kontext ist das neue Moat: Vom Klicken zum Verstehen
Für Gründer und Entwickler verschiebt sich der Fokus weg von der reinen Bedienung der Oberfläche. Früher musste man Selenium oder Playwright beherrschen, um einen Browser zu steuern – heute wird diese Schicht abstrahiert. Das eigentliche Know-how liegt plötzlich in der Kenntnis des spezifischen Unternehmenskontexts: die internen Abkürzungen, die bevorzugten Formulierungen, die Abhängigkeiten zwischen Abteilungen. Ein Agent, der ein SAP-System bedienen kann, ist austauschbar. Aber ein Agent, der weiß, wie die Buchhaltung in einem mittelständischen Maschinenbauer arbeitet, das ist ein echter Wettbewerbsvorteil.
Die langfristige Entwicklung ist klar: Computer-Use-Agenten werden zu einem Standardwerkzeug, so wie früher Makros oder Skripte. Die Differenzierung entsteht durch die Qualität der Integration – durch die Menge an Kontextwissen, das der Agent über den Prozess und das Unternehmen hat. Unternehmen, die dieses Wissen strukturieren und in ihre Agenten-Infrastruktur einbetten, werden ihre Effizienz dramatisch steigern. Wer es versäumt, riskiert, den Anschluss zu verlieren – denn die Konkurrenz findet gerade heraus, wie man mit weniger Klickarbeit und mehr Denkarbeit die Betriebskosten senkt.
Für dich als Entscheider heißt das: Wenn du über den Einsatz von Computer-Use-Agenten nachdenkst, lohnt es sich, nicht auf das neueste Modell zu schielen, sondern auf die Plattform und das Ecosystem, das den Agenten trägt. Frage nach den Referenzen, den Fehlerquoten, den Eskalationsmechanismen. Und sei dir bewusst: Der wahre Wettbewerbsvorteil liegt in deinem Firmenwissen, nicht in der KI-Technologie an sich. Diese Erkenntnis ist unspektakulär, aber sie entscheidet über den Unterschied zwischen einem Pilotprojekt und einem skalierenden Produktivsystem.
Quelle: a16z.com
