Was können KI-Agenten (AI Agents) aktuell schon?

Stellen Sie sich vor, Sie geben Ihrer KI eine Anweisung: „Buche mir einen Flug, lade die Reisedaten in meinen Kalender und informiere mein Team.“ In wenigen Augenblicken übernimmt ein KI-Agent, bewegt die Maus, tippt, klickt und führt den Auftrag aus. Klingt beeindruckend? Mit den neuen Agenten „Operator“ von OpenAI und „Computer Use“ von Anthropic (und Googles Deep Mind „Mariner“ – von dem ich aber noch zu wenig weiß) wird diese Vorstellung Realität. Doch was steckt wirklich dahinter?

Die neuen Fähigkeiten von OpenAI „Operator“ und Anthropic „Computer Use“

Mit Operator hat OpenAI ganz frisch (Stand 24.01.2025) eine Weiterentwicklung von ChatGPT eingeführt (LINK), die nicht nur den Computer des Nutzers steuern kann, sondern auch auf beeindruckende Benchmarks verweist. So schneidet Operator in Tests wie OSWorld (38,1%) LINK und WebVoyager (87%) LINK deutlich besser ab als Anthropic’s Claude (22% und 56%). Aber Vorsicht: Menschen erreichen auf OSWorld immer noch 72,4% – ein klarer Hinweis, dass die Technologie weit von menschlicher Perfektion entfernt ist.

Anthropic hingegen war Vorreiter in dieser Kategorie: Ihr Agent Claude hat schon früh gezeigt, wie eine KI durch Screenshots und Mausbewegungen den Desktop steuern kann (Veröffentlichung im Oktober 2024). Während Claude für grundlegende Automatisierungsaufgaben wie Formularausfüllung und Datenmanagement konzipiert wurde, geht Operator einen Schritt weiter und integriert umfassendere Funktionen, die über Browser- und Desktopaufgaben hinausgehen.

Was können die Agenten wirklich leisten?

Sowohl Operator als auch Claude wurden entwickelt, um verschiedene Aufgaben zu automatisieren:

Webseiten navigieren: Agenten können Links anklicken, Formulare ausfüllen oder komplexe Anmeldungen durchführen.
Daten verwalten: Berichte erstellen, E-Mails organisieren oder Dateien verschieben.
Recherchen und Analysen: Informationen suchen und strukturiert präsentieren.
Programmierunterstützung: Debugging und Skripterstellung.

Während Claude sich auf spezialisierte Desktopaufgaben konzentriert, möchte Operator als „Schweizer Taschenmesser“ auftreten: Er kombiniert Coding, Reiseplanung und E-Mail-Management in einem System. Doch trotz dieser Vielseitigkeit bleibt fraglich, wie nützlich die Funktionen tatsächlich im Alltag sind.

Der Unterschied zwischen Keyloggern und heutigen Agenten

Vielleicht erinnert sich noch der eine oder die andere an die Keylogger der 90er-Jahre, die Mausbewegungen und Tastatureingaben aufzeichnen konnten. Doch im Gegensatz zu den starren, fest programmierten Abläufen von damals, zeigen moderne Agenten bemerkenswerte Unterschiede:

Flexibilität: Agenten „überlegen“ sich eigenständig, wo sie klicken oder was sie eingeben müssen, basierend auf Echtzeit-Analysen des Bildschirms (konkret machen diese Agenten ständig Screenshot vom Computerbildschirm, analysieren das Bild und reagieren auf das, was verstanden wird – z.B., dass die Maus noch etwas mehr nach rechts muss…).
Autonomie: Sie erkennen Systemantworten und passen ihre Aktionen dynamisch an (also die Rückmeldung des Flugbuchungssystems zu den verfügbaren Abflugzeiten, Preisen und Verfügbarkeiten).
Lernfähigkeit: Statt stumpfer Wiederholung können Agenten durch Training immer bessere Ergebnisse erzielen.

Der Mensch sitzt staunend und mit leichtem Grusel daneben, während die KI die Kontrolle über den eigenen PC übernimmt und mal schnell den Flug per unserer Kreditkartendaten bucht. Dieses Staunen sollte mit Vorsicht genossen werden.

Sandbox-Umgebungen: Sicherheit als Priorität

Noch haben wir keine Ahnung, was da abläuft und wo das hinführt. Der Maschine die Kreditkartendaten zu geben, ist definitiv (noch) nicht sinnvoll.

Der autonome Zugriff auf einen Computer durch diese Agenten erfordert ein hohes Maß an Mut und damit hohe Anforderungen an eigene Sicherheit. Deshalb erzwingt sich der Einsatz von Sandbox-Umgebungen (LINK auf Wikipedia). Eine Sandbox ist eine isolierte Umgebung auf dem eigenen Computersystem (sozusagen ein abisoliertes eigenes Betriebssystem im Betriebssystem), in der die KI ihre Aufgaben ausführt, ohne das Hauptsystem zu gefährden. Sie bietet:

Sicherheit: Aktionen bleiben isoliert, Fehler oder Bugs beeinträchtigen das Hauptsystem nicht.
Überwachung: Jede Handlung der KI kann nachvollzogen werden.
Flexibilität: Entwickler können gefahrlos experimentieren.

Eine Sandbox kann mit Tools wie Docker eingerichtet werden, die für eine einfache Installation sorgen. Diese Maßnahme ist derzeit unerlässlich, da die Technologie noch in den Kinderschuhen steckt. Also Vorsicht, bei aller Begeisterung, wie die Maus wie durch Zauberhand über den Bildschirm flitzt.

Die Schattenseiten: Kritik und Einschränkungen

Ein Artikel in der Technology Review zeigt auf, dass die Technologie noch weit davon entfernt ist, alltagstauglich zu sein:

Limitierte Verfügbarkeit: Operator ist nur für ChatGPT Pro-Abonnenten in den USA verfügbar – für 200 Dollar im Monat.
Mangelnde Autonomie: Sicherheitseinschränkungen wie Nutzerbestätigungen bremsen die Effizienz.
Cloud-Abhängigkeit: Operator läuft ausschließlich auf OpenAI-Servern. Nutzer sind von deren Verfügbarkeit und Sicherheitsstandards abhängig.

Make.ai: Die bereits funktionierende Realität Stufe der Automatisierung

Während OpenAI und Anthropic sich auf direkte Interaktionen mit dem Desktop konzentrieren, verfolgt z.B. Make.ai (es gibt auch andere gute Anbieter für so etwas) einen Workflow-basierten Ansatz. Hier werden Prozesse in Teilaufgaben zerlegt, die über APIs miteinander verbunden sind. Beispielsweise könnte ein Blogartikel automatisch erstellt, in LinkedIn-Posts umgewandelt und schließlich auf verschiedenen Plattformen veröffentlicht werden – ohne menschliches Zutun.

Dieser Ansatz zeigt, wie mächtig Automatisierung sein kann, birgt jedoch Risiken. Ohne sorgfältige Planung könnten automatisierte Posts in peinlichen Situationen enden. Daher ist Vorsicht geboten.

Stehen wir also schon kurz vor dem Start von AGI?

Der Unterschied zwischen den derzeitigen KI-Agenten wie OpenAI Operator oder Claude und dem Konzept einer Allgemeinen Künstlichen Intelligenz (AGI) ist nicht nur technischer Natur – er ist grundlegend für unser Verständnis davon, wohin die KI-Reise führt. Lassen Sie uns diesen Unterschied genauer beleuchten und verstehen, was Agenten heute leisten, was AGI bedeutet und welche Meilensteine uns möglicherweise bevorstehen.

Die Unterschiede zwischen AI-Agenten und AGI

Was ist ein KI-Agent (AI Agent)?

Ein KI-Agent, wie Operator oder Claude, ist darauf ausgelegt, spezifische Aufgaben zu lösen. Agenten nutzen Algorithmen, um:

Umgebung zu analysieren: Sie nehmen Screenshots des Bildschirms oder analysieren Dateninputs, um ihre nächsten Schritte zu planen.
Ziele zu verfolgen: Sie führen Aufgaben aus, die oft aus mehreren Schritten bestehen, wie etwa das Ausfüllen eines Formulars oder das Navigieren durch Webseiten.
Entscheidungen zu treffen: Basierend auf Rückmeldungen der Umgebung können sie sich anpassen, etwa wenn eine Fehlermeldung auftritt.
Werkzeuge zu verwenden: Sie integrieren APIs, Browser-Interaktionen oder Betriebssystem-Funktionen, um komplexe Prozesse auszuführen.

Kurz gesagt, ein KI-Agent ist ein hochspezialisiertes Werkzeug, das innerhalb vorgegebener Grenzen arbeitet und durch seinen Kontext eingeschränkt ist. Seine Stärken liegen in Automatisierung und Effizienz, nicht in Kreativität oder eigenständigem Denken.

Was ist AGI?

AGI (Artificial General Intelligence), auch bekannt als Allgemeine Künstliche Intelligenz, ist eine weitreichendere Vision. Eine AGI wäre in der Lage:

Generelle Probleme zu lösen: Anders als Agenten, die auf spezifische Aufgaben beschränkt sind, könnte eine AGI in jedem Bereich kompetent handeln, in dem auch ein Mensch agieren könnte.
Kreativ zu sein: Eine AGI könnte neue Lösungsansätze entwickeln, selbst wenn sie nicht ausdrücklich darauf trainiert wurde.
Sich eigenständig weiterzuentwickeln: Sie könnte aus Erfahrungen lernen und ihre Fähigkeiten ohne menschliches Zutun erweitern.
Kontextübergreifend zu handeln: Eine AGI könnte Wissen aus unterschiedlichen Domänen verknüpfen und für neue Probleme anwenden.

Während KI-Agenten wie Operator oder Claude darauf angewiesen sind, dass ihre Umgebungen und Aufgaben gut definiert sind, hätte eine AGI keine solchen Einschränkungen. Sie würde menschlicher Intelligenz gleichkommen und möglicherweise sogar darüber hinausgehen.

Warum Agenten keine AGI sind – und was sie dennoch können

Agenten und AGI unterscheiden sich nicht nur durch ihre Fähigkeiten, sondern auch durch ihre zugrundeliegenden Ziele:

Spezialisierung vs. Generalisierung:
- Agenten: Für eine bestimmte Aufgabe optimiert (z. B. Maussteuerung oder Formularausfüllung).
- AGI: Keine Einschränkungen, einsetzbar für jede beliebige Aufgabe.
Lernfähigkeit:
- Agenten: Lernen meist in einem eng definierten Rahmen, z. B. durch Nachtrainieren auf spezifische Aufgaben.
- AGI: Wäre in der Lage, neues Wissen unabhängig zu generieren und auf neue Probleme anzuwenden.
Interaktion mit der Umgebung:
- Agenten: Benötigen oft menschliche Eingaben oder explizite Anweisungen.
- AGI: Könnte eigenständig Ziele setzen und verfolgen.

Ein Beispiel: Während ein KI-Agent wie Operator beeindruckend komplexe Aufgaben automatisieren kann – etwa das Durchführen einer Online-Recherche und das Speichern der Ergebnisse – würde eine AGI nicht nur die Aufgabe ausführen, sondern auch darüber nachdenken, ob die Anfrage sinnvoll ist, und möglicherweise alternative Vorschläge machen.

Der Weg von Agenten zu AGI: Bereiten Agenten die Bühne vor?

Die heutigen KI-Agenten sind zwar keine AGI, aber sie könnten eine entscheidende Rolle auf dem Weg dorthin spielen. Warum?

Testumgebung für Autonomie:
- Agenten zeigen, wie KI-Systeme in dynamischen, realen Umgebungen agieren können. Ihre Fähigkeit, Mausbewegungen auszuführen, Systeme zu analysieren und Aktionen anzupassen, ist ein kleiner, aber entscheidender Schritt zur allgemeinen Intelligenz.
Verbesserung der Schnittstellen:
- Die Arbeit an KI-Agenten führt zu Innovationen in der Art und Weise, wie KI-Systeme mit Menschen und Maschinen interagieren. Die Entwicklung leistungsfähigerer APIs und fortschrittlicher Bilderkennungsmodelle ist ein Fundament für zukünftige AGI.
Training von Sicherheitsmaßnahmen:
- Agenten wie Operator sind mit Sicherheitsvorkehrungen ausgestattet, die verhindern sollen, dass sie unbeabsichtigt Schaden anrichten. Diese Vorkehrungen sind nicht nur für Agenten, sondern auch für AGI entscheidend.
Erfahrungen mit Langzeitaufgaben:
- Agenten können bereits Aufgaben ausführen, die mehrere Stunden oder Tage in Anspruch nehmen, indem sie komplexe Prozesse überwachen und anpassen. Dies spiegelt die Ausdauer und Zielverfolgung wider, die wir von einer AGI erwarten.

Bleibt AGI eine ferne Vision?

Obwohl Agenten beeindruckende Fortschritte zeigen, bleibt AGI eine große Herausforderung. Die Entwicklung von Agenten bietet wertvolle Erkenntnisse, aber es sind noch viele ungelöste Fragen offen:

Kontrolle und Sicherheit: Wie können wir sicherstellen, dass AGI-Systeme nicht unkontrollierbar werden?
Bewusstsein und Ethik: Kann eine AGI ein Bewusstsein entwickeln, und was würde das bedeuten?
Wirtschaftliche Auswirkungen: Wie wird eine AGI die Arbeitswelt und Gesellschaft beeinflussen?

Agenten wie Operator oder Claude sind keine AGI, aber sie öffnen Türen. Sie demonstrieren, was möglich ist, und helfen uns, die notwendigen Technologien und ethischen Rahmenbedingungen zu entwickeln.

Ein Blick in die Zukunft

Die Unterscheidung zwischen Agenten und AGI ist nicht nur eine technische Frage, sondern ein Einblick in die Möglichkeiten und Grenzen unserer aktuellen Technologien. Während Agenten uns staunen lassen, erinnern sie uns auch daran, dass Intelligenz mehr ist als Mausbewegungen und Entscheidungsbäume.

Die Reise zur AGI hat gerade erst begonnen – und wir können gespannt sein, welche Meilensteine die nächsten Jahre bringen werden. Doch eines bleibt klar: Agenten sind Werkzeuge, keine Denker. Ob wir jemals eine Maschine erschaffen, die tatsächlich „versteht“, bleibt abzuwarten.