TL;DR. Niemand hat das Rennen um den persönlichen KI-Agenten gewonnen. Die fünf meistbeachteten Produkte scheitern jeweils an etwas anderem. Der tiefere Grund ist, dass fast alle das falsche Problem lösen. Der Engpass ist nicht das Modell, und er ist nicht die Hardware. Es ist die Frage, ob der Agent in Ihren Arbeitsablauf verdrahtet ist, mit Zugriff auf Ihre tatsächlichen Daten. Genau um dieses Problem herum ist Ostler gebaut.

Bisher hat niemand gewonnen

Peter Yangs Newsletter Creator Economy hat kürzlich fünf der meistbeachteten persönlichen KI-Agenten an zehn Fähigkeiten gemessen, die ein echter persönlicher Agent braucht: E-Mail, Kalender und Dokumente verwalten; wiederkehrende Aufgaben ausführen; sich an Sie erinnern; im Web und mobil funktionieren; Sprache; Persönlichkeit; Computersteuerung; Zuverlässigkeit; Sicherheit (Quelle).

Das Fazit ist unverblümt. Niemand hakt alle Kästchen ab.

  • OpenClaw ist das flexibelste und mächtigste, mit starkem Messaging und starker Sprachfunktion. Der Preis dafür ist die Zuverlässigkeit. Rund ein Zehntel der Zeit, die der Autor damit verbringt, geht dafür drauf, es am Laufen zu halten.
  • Hermes tauscht Flexibilität gegen Stabilität. Es ist verlässlicher, kommuniziert Aufgaben klarer und führt Arbeitsabläufe selbstständig aus. Es wirkt weniger lebendig als seine Rivalen, aber es bleibt verfügbar.
  • Claude Code hat die beste Persönlichkeit und das stärkste Reasoning, und die Arbeit damit macht Freude. Es hat auch Ratenbegrenzungen und Verfügbarkeitsprobleme, die im Weg stehen, wenn man sich darauf verlassen will.
  • Codex liefert eine schöne Desktop-App, großzügige Nutzungskontingente und die beste Browser- und Computersteuerung der fünf. Es hat keine mobile App, was nach Schätzung des Autors etwa achtzig Prozent dessen streicht, wie er einen Agenten tatsächlich nutzen wollen würde.
  • Gemini ist für den Massenmarkt am besten aufgestellt, weil es bereits in Google Workspace steckt und Sprache und Video gut beherrscht. Das Loch ist, dass es Google Docs, Sheets oder Slides nicht bearbeiten kann, also genau die Produkte, neben denen es sitzt.

Jedes scheitert an etwas anderem. Der Rahmen, den der Artikel verwendet, ist nicht Cloud gegen lokal. Es ist Zuverlässigkeit gegen Flexibilität gegen Oberfläche gegen Verfügbarkeit gegen Funktionsvollständigkeit.

Der Satz, der in dem Beitrag am härtesten trifft, ist der Maßstab, den der Autor gesetzt hat: “Sobald Sie einen Agenten haben, der rund um die Uhr verfügbar ist und tatsächlich Arbeit für Sie erledigt, gehen Sie nie wieder zu einer gewöhnlichen KI-Chat-Oberfläche zurück.”

Das ist die Latte. Keiner der fünf überspringt sie.

Ein anders geformtes Scheitern, dieselbe Grundursache

Ein Beitrag bei XDA aus derselben Woche betrachtet die Frage von der anderen Seite, von der des Entwicklers, der einen lokalen Stack baut. Sein Argument ist einfach und sehr nützlich (Quelle).

Der Engpass ist nicht die GPU.

Der Engpass ist überhaupt nicht die rohe Geschwindigkeit. Es ist das System rund um das Modell. Der Beitrag nennt drei echte Engpässe, und keiner davon ist Hardware: wie der Arbeitsablauf entworfen ist, ob das Modell Zugriff auf Ihre tatsächlichen Daten hat, und wie der Betreiber das System strukturiert und nutzt. Bei einem Modell ohne Verbindung zu Ihrem Leben gilt, in den Worten des Artikels: “Der eigentliche Engpass ist nicht, wie schnell die KI denkt; es ist, wie viel sie über Ihre spezifische Welt weiß.”

Legt man die beiden Beiträge nebeneinander, ergibt sich eine saubere Diagnose. Den fünf meistbeachteten Agenten fehlt an der Oberfläche jeweils etwas anderes, aber das fehlende Stück darunter ist dasselbe: ein Agent, der wirklich im Tag des Betreibers lebt, mit dessen Daten und dessen Werkzeugen und dessen Gewohnheiten, jederzeit verfügbar.

Baut man etwas, das schnell denkt, aber in einem Chat-Tab lebt, hat man, im Bild des XDA-Autors, einen Motor, der im Leerlauf dreht.

Was Ostler dagegen tut

Ostler ist auf der Antwort gebaut, um die beide Beiträge kreisen. Ein lokaler Agent, der auf dem Mac des Kunden lebt, dessen tatsächliche Daten aufnimmt und sich in dessen tatsächliche Arbeitsabläufe einfügt.

Eine kurze Liste dessen, was das in der Praxis bedeutet.

  • Der Hub läuft auf einem Mac, den der Kunde bereits besitzt, Apple Silicon M1 oder neuer. Keine Flotte zu verwalten, keine zweite Maschine. Der Unified Memory von Apple Silicon ist hier für lokale Inferenz wirklich nützlich, aber er ist Nebendarsteller, nicht die Schlagzeile.
  • Tiefe Erfassung der Daten, auf die es im Tag eines Menschen wirklich ankommt. iMessage, WhatsApp, E-Mail, Fotos, Kalender, Safari-Browserverlauf, Sprachnotizen. Vom Agenten wird nicht verlangt, auf einem Leben zu handeln, das er nicht sehen kann.
  • Ein lokaler Stack, der auf diese Aufgabe abgestimmt ist. Mein eigener Hub hält nach Monaten der Nutzung rund 148.000 Embeddings meines Lebens in Qdrant und etwa zwei Millionen RDF-Tripel in Oxigraph; eine frische Kundeninstallation startet leer und wächst aus den eigenen Daten jedes Kunden. Redis betreibt den Cache und den Nachrichtenbus. Ollama betreibt das lokale Reasoning-Modell Qwen3 9B (etwa 6,6 GB auf der Festplatte) und nomic-embed-text für die Embeddings. Whisper erledigt Sprache zu Text. SQLCipher hält die Datenbank im Ruhezustand verschlüsselt. Eine Rust-Agenten-Laufzeitumgebung treibt das Ganze an. Ein MkDocs-Compiler macht aus dem Graphen ein privates Wiki.
  • Eine meinungsstarke Einzelmaschinen-Architektur. Ein Mac, eine Installation, ein Ort, an dem die Daten liegen. Die Komplexität steckt in der Pipeline, nicht in der Bereitstellung.
  • Netzwerkpfade, die standardmäßig aus sind. Alles, was die Maschine verlässt, muss ausdrücklich zugeschaltet werden und ist umschaltbar. Die Standardposition ist, dass Ihre Daten nicht hinausgehen.
  • Eine iOS-App für die Zeiten, in denen Sie nicht am Schreibtisch sind. Der Hub erledigt die schwere Arbeit. Das Telefon ist die Fernbedienung.

Auf die Pipeline wurden zwei vorläufige Patente angemeldet.

Darin versteckt sich auch ein Argument zur Finanzierungsarchitektur. Ein Produkt, das vollständig auf der eigenen Maschine des Kunden läuft, ist unbequem zu bauen, wenn Ihre Beteiligungsstruktur von Ihnen verlangt, pro Token abzurechnen. Ein Produkt, das das ganze Leben eines Menschen aufnehmen muss, ist unbequem zu bauen, wenn Sie ihn zugleich bitten, es auf Ihre Server hochzuladen. Ostler hat zum Teil deshalb die Form, die es hat, weil es so finanziert ist, wie es finanziert ist.

Die Latte, die zu überspringen ist

Die Latte, die Yang setzt, ist die richtige: ein Agent, der jederzeit verfügbar ist und tatsächlich Arbeit für Sie erledigt. Beide Artikel sind ehrlich darüber, wie weit der aktuelle Jahrgang von dieser Latte entfernt ist. Yangs Beitrag, weil keiner der fünf genannten Kandidaten alle zehn Kästchen bekommt. Der XDA-Beitrag, weil das rohe Modell und das rohe Silizium von vornherein nie das Problem waren.

Wir denken, der Weg dorthin ist der unmodische. Setzen Sie den Agenten auf eine Maschine, die der Betreiber bereits besitzt. Geben Sie ihm Zugriff auf die Daten, die dessen Leben tatsächlich beschreiben. Verdrahten Sie ihn mit den Werkzeugen, die dieser ohnehin nutzt. Halten Sie die Voreinstellungen privat. Machen Sie die Pipeline zum Produkt.

Der Hub-Installer ist signiert, notarisiert, gestapelt und bereit. Die iOS-App wird über den App Store ausgeliefert. Die Architektur oben ist das, was Sie bekommen, wenn Sie es kaufen.

The world DOES revolve around you.™

Zitierte Quellen: Peter Yang, “The race to build a personal AI agent” (Creator Economy, Mai 2026); XDA Developers, “The real bottleneck of a self-hosted LLM stack is not the GPU” (Mai 2026).