Kurzfassung. Niemand hat das Rennen um den persönlichen KI-Agenten gewonnen. Die fünf am meisten beobachteten Produkte scheitern jeweils an etwas anderem. Der tiefere Grund ist, dass fast alle das falsche Problem lösen. Der Engpass ist nicht das Modell und nicht die Hardware. Es geht darum, ob der Agent in Ihren Arbeitsablauf eingebettet ist und Zugriff auf Ihre echten Daten hat. Genau um dieses Problem ist Ostler gebaut.

Bisher hat niemand gewonnen

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

Das Fazit ist deutlich. Niemand hakt alle Kästchen ab.

  • OpenClaw ist am flexibelsten und am stärksten, mit starken Messaging- und Sprachfunktionen. Der Preis ist Zuverlässigkeit. Etwa ein Zehntel der Zeit, die der Autor damit verbringt, geht darauf, es am Laufen zu halten.
  • Hermes tauscht Flexibilität gegen Stabilität. Es ist verlässlicher, kommuniziert Aufgaben klarer und führt Workflows selbstständig aus. Es fühlt sich weniger lebendig an als seine Rivalen, aber es bleibt oben.
  • Claude Code hat die beste Persönlichkeit und die stärkste Argumentation, und es ist eine Freude, damit zu arbeiten. Es hat auch Rate-Limits und Ausfallzeiten, die es erschweren, sich darauf zu verlassen.
  • Codex liefert eine schöne Desktop-App, großzügige Nutzung und die beste Browser- und Computersteuerung der fünf. Es hat keine mobile App, was der Autor schätzt, dass rund achtzig Prozent davon entfallen, wie er einen Agenten tatsächlich nutzen würde.
  • Gemini ist am besten für die breite Masse positioniert, weil es bereits innerhalb von Google Workspace lebt und Sprache und Video gut handhabt. Die Lücke ist, dass es Google Docs, Sheets oder Slides nicht bearbeiten kann, ausgerechnet die Produkte, neben denen es sitzt.

Jedes scheitert an einer anderen Sache. 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 im Stück am härtesten landet, ist der Maßstab, den der Autor gesetzt hat: „Sobald Sie einen Agenten haben, der 24/7 verfügbar ist und wirklich Arbeit für Sie erledigen kann, gehen Sie nie wieder zu einer normalen KI-Chat-Oberfläche zurück.“

Das ist die Latte. Keiner der fünf springt darüber.

Ein anders geformter Ausfall, dieselbe Grundursache

Ein Beitrag auf XDA aus derselben Woche betrachtet die Frage von der anderen Seite, von dem Entwickler, 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 reine Geschwindigkeit. Es ist das System um das Modell herum. Der Beitrag nennt drei echte Engpässe, und keiner davon ist Hardware: wie der Workflow entworfen ist, ob das Modell Zugriff auf Ihre echten Daten hat und wie der Betreiber das System strukturiert und nutzt. Ein Modell ohne Verbindung zu Ihrem Leben ist, in den Worten des Artikels, „der wahre Engpass ist nicht, wie schnell die KI denkt; es ist, wie viel sie über Ihre konkrete Welt weiß.“

Legt man die beiden Stücke nebeneinander, bekommt man eine saubere Diagnose. Den fünf am meisten beobachteten 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, dessen Werkzeugen und dessen Gewohnheiten, jederzeit verfügbar.

Bauen Sie etwas, das schnell denkt, aber in einem Chat-Tab lebt, und Sie haben, im Bild des XDA-Autors, einen Motor, der im Leerlauf läuft.

Was Ostler dagegen tut

Ostler ist auf die Antwort gebaut, um die beide Stücke kreisen. Ein lokaler Agent, der auf dem Mac des Kunden lebt, seine echten Daten aufnimmt und in seine echten Arbeitsabläufe integriert wird.

Eine kurze Liste, was das in der Praxis bedeutet.

  • Der Hub läuft auf einem Mac, der dem Kunden bereits gehört, Apple Silicon M1 oder neuer. Keine Flotte zu verwalten, keine zweite Maschine. Apple Silicons Unified Memory ist hier für lokale Inferenz wirklich nützlich, aber es ist Nebenrolle, nicht die Schlagzeile.
  • Tiefe Aufnahme der Daten, die für den Tag einer Person tatsächlich zählen. iMessage, WhatsApp, E-Mail, Fotos, Kalender, Safari-Browserverlauf, Sprachnotizen. Der Agent wird nicht gebeten, auf ein Leben zu handeln, das er nicht sehen kann.
  • Ein lokaler Stack, abgestimmt auf diese Aufgabe. 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 Message Bus. Ollama betreibt das lokale Qwen3 9B Reasoning-Modell (etwa 6,6 GB auf der Festplatte) und nomic-embed-text für Embeddings. Whisper übernimmt Speech-to-Text. SQLCipher hält die Datenbank im Ruhezustand verschlüsselt. Eine Rust-Agenten-Runtime treibt das Ganze an. Ein MkDocs-Compiler verwandelt den Graphen in ein privates Wiki.
  • Meinungsstarke Einzel-Maschinen-Architektur. Ein Mac, eine Installation, ein Ort, an dem die Daten leben. Die Komplexität steckt in der Pipeline, nicht in der Bereitstellung.
  • Standardmäßig ausgeschaltete Netzpfade. Alles, was die Maschine verlässt, ist Opt-in und umschaltbar. Die Standardposition ist, dass Ihre Daten das Gerät nicht verlassen.
  • Eine iOS-App für den Fall, dass Sie nicht am Schreibtisch sind. Der Hub macht die schwere Arbeit. Das Telefon ist die Fernbedienung.

Zwei vorläufige Patente wurden auf die Pipeline angemeldet.

In alledem steckt auch ein Finanzierungs-Architektur-Argument. Ein Produkt, das ganz auf der eigenen Maschine des Kunden läuft, ist umständlich zu bauen, wenn Ihr Cap Table verlangt, dass Sie pro Token abrechnen. Ein Produkt, das das ganze Leben einer Person aufnehmen muss, ist umständlich zu bauen, wenn Sie sie zugleich bitten, es auf Ihre Server hochzuladen. Ostler hat teilweise 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 wirklich Arbeit für Sie erledigt. Beide Artikel sind ehrlich darüber, wie weit die aktuelle Riege von dieser Latte entfernt ist. Yangs Stück, weil keiner der fünf genannten Spieler alle zehn Kästchen bekommt. Das XDA-Stück, weil rohes Modell und rohes Silizium von Anfang an nie das Problem waren.

Wir glauben, der Weg dorthin ist der unmodische. Setzen Sie den Agenten auf eine Maschine, die dem Betreiber bereits gehört. Geben Sie ihm Zugriff auf die Daten, die sein Leben tatsächlich beschreiben. Verdrahten Sie ihn mit den Werkzeugen, die er bereits nutzt. Halten Sie die Standardeinstellungen privat. Machen Sie die Pipeline zum Produkt.

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

Die Welt dreht sich SEHR WOHL um dich.™

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).