Kennst du das: Dein Team will einen "eigenen KI-Assistenten", aber die Recherche endet in drei völlig unterschiedlichen Welten. Atlassian liefert Rovo direkt in Jira und Confluence. Anthropic und OpenAI geben dir SDKs zum Selbstbauen. Und OpenClaw baut eine Open-Source-Szene um selbstgehostete, universelle Agenten. Die Namen ähneln sich, die Versprechen auch – aber Architektur, Governance und die Frage, wer haftet, wenn der Agent Mist baut, unterscheiden sich fundamental.
In diesem Artikel ordnen wir die drei Grundtypen persönlicher KI-Agenten ein, die 2026 im deutschsprachigen Enterprise-Umfeld am häufigsten vorkommen: Atlassian Rovo, OpenClaw und die Agent-SDKs von Anthropic und OpenAI. Am Ende weißt du, welcher Grundtyp zu deiner Situation passt – bevor du eine Entscheidung triffst.
Was ist ein persönlicher KI-Agent überhaupt?
Ein persönlicher KI-Agent ist ein Software-System, das eigenständig mehrschrittige Aufgaben ausführt – nicht nur antwortet, sondern handelt: E-Mails schreiben, Tickets anlegen, Code committen, Web-Recherchen durchführen, Termine koordinieren. Der Unterschied zum klassischen Chatbot ist die Agentenschleife: Der Agent plant, ruft Tools auf, bewertet das Ergebnis und plant weiter – oft über Minuten oder Stunden, mit minimaler menschlicher Rückfrage.
Warum die Tool-Wahl gerade jetzt schwerfällt
Der Markt für KI-Agenten explodiert – und mit ihm die Verwirrung, welches Modell zu welchem Unternehmenskontext passt.
- Tempo der Einführung überholt die Governance. Laut Gartner werden bis zum ersten Quartal 2026 rund 80 % aller neu ausgelieferten oder aktualisierten Enterprise-Anwendungen mindestens einen KI-Agenten einbetten – 2024 waren es erst 33 %. Das globale Marktvolumen für AI-Agenten wird 2026 auf 10,9 bis 12,1 Milliarden US-Dollar geschätzt, bei einer jährlichen Wachstumsrate von 44–46 % bis 2030.
- Governance hinkt hinterher. Nur 21 % der Organisationen haben laut Gartner ein ausgereiftes Governance-Modell für autonome Agenten. Über 40 % der Agentic-AI-Projekte sollen bis 2027 wieder eingestellt werden – wegen unklarem Business-Value, explodierenden Kosten oder fehlenden Risikokontrollen.
- "Ein Agent für alles" gibt es nicht. Teams verwechseln eingebettete Produktivitäts-Agenten mit universellen, selbstgehosteten Agenten. Das sind zwei völlig verschiedene Risikoprofile.
- Credit- und Token-Modelle verschleiern echte Kosten. Consumption-basierte Preise wirken günstig im Vertrieb, laufen im Alltag aber schnell heiß – wer nicht vorher durchrechnet, wie viele Prompts sein Team tatsächlich braucht, erlebt böse Überraschungen auf der Rechnung.
- Autonomie ohne Scoping ist ein Sicherheitsrisiko. Je mehr ein Agent selbstständig darf – Shell-Zugriff, E-Mail-Versand, Zahlungsfreigaben – desto wichtiger wird die Frage, wer die Berechtigungen setzt und wer sie regelmäßig prüft.
Der Lösungsansatz: Grundtyp vor Feature-Liste bewerten
Bevor du einzelne Features vergleichst, lohnt sich ein Schritt zurück: Zu welchem Grundtyp gehört das Tool, das du dir gerade ansiehst?
- Eingebettete Suite-Agenten wie Atlassian Rovo laufen innerhalb eines bestehenden Ökosystems und sind an dessen Datenmodell und Permissions gebunden – bequem, aber limitiert auf diesen Kosmos.
- Agent-SDKs von Modellanbietern wie Claude Agent SDK und OpenAI Agents SDK geben dir Bausteine, mit denen du selbst einen produktionsreifen Agenten baust – viel Kontrolle, aber du brauchst Entwickler-Ressourcen.
- Autonome Open-Source-Agenten wie OpenClaw liefern dir einen fertigen, universellen Agenten-Loop zum Selbsthosten – maximale Reichweite und Datenhoheit, aber auch maximale Eigenverantwortung fürs Scoping.
Wenn du diesen Grundtyp einmal verstanden hast, ergeben sich die meisten Detail-Unterschiede – Reichweite, Governance, Betriebsmodell – fast von selbst.
Drei Ansätze im direkten Vergleich
| Dimension | Atlassian Rovo | OpenClaw | Agent-SDKs (Claude / OpenAI) |
|---|---|---|---|
| Grundtyp | Eingebettete AI-Schicht in der Atlassian-Suite | Open-Source, self-hosted autonomer Agent | Modell plus Agent-Infrastruktur zum Selbstbauen (Claude Agent SDK / OpenAI Agents SDK und Responses API) |
| Agentischer Kern | Rovo Agents, Rovo Studio und Rovo Dev | Autonomer Loop mit mehr als 100 Skills | Agent-Loop, Subagenten und Handoffs, Sessions, Hooks sowie Guardrails – Claude betont Permission-Gating, OpenAI Agent Mode plus Workspace Agents |
| Was es tut | Sucht, fasst zusammen, handelt gebunden in Jira und Confluence | Handelt breit: Web, E-Mail, Dateien, Shell, APIs | Liest Dateien, führt Shell aus, sucht Web, editiert Code, ruft MCP auf – bei OpenAI zusätzlich virtueller Computer und Browser |
| Kontext-Fundament | Teamwork Graph mit mehr als 150 Milliarden Objekten, permissions-bewusst | Kein eigener Graph; Kontext wird live zugeführt | MCP-Server plus Kontextfenster, keine eigene Graph-Schicht; OpenAI ergänzt eine Connector Registry für Drive, SharePoint und Teams |
| Reichweite | Atlassian-Ökosystem plus 100+ Konnektoren | Universell, alles was man anbindet | Universell via MCP plus eingebaute Tools; OpenAI zusätzlich über Connectors breiter im Microsoft- und Google-Umfeld |
| Erweiterbarkeit | Forge und Rovo Studio | MIT-Skills, beliebig anpassbar | Agent Skills und MCP-Server bei Claude, Custom GPTs, Custom Tools und MCP bei OpenAI |
| Interface | Suchleiste, Chat-Panel, Agenten in den Apps | Messaging-first via WhatsApp, Telegram, Slack | CLI, SDK, IDE oder claude.ai bei Claude, ChatGPT, ChatKit-Embeds und API bei OpenAI |
| Lizenz und Modell | Proprietär, credit-basiert (25–150 Credits pro User) | MIT, kostenlos, BYO-LLM | Proprietär; die SDKs sind jeweils Open Source, Abrechnung token- und plan- beziehungsweise seat-basiert |
| Betrieb | Cloud von Atlassian gehostet | Lokal oder self-hosted | Beliebige Runtime, Modelle über die jeweilige Anbieter-Cloud; die Agent-Runtime von OpenAI ist ebenfalls selbst hostbar |
| Governance und Sicherheit | Enterprise-Grade mit Guard, DLP, Audit-Logs und Rovo Chat Security | Große Angriffsfläche, Scoping liegt beim Nutzer | Claude mit Human-in-the-loop-Checkpoints, Hooks und Permission-Gating. OpenAI mit Guardrails für PII und Jailbreak sowie Connector-Governance |
| Autonomie-Grad | Wachsend, aber auf bounded und supported actions begrenzt | Hoch, breiter Systemzugriff | Hoch – Claude mit echtem Agent-Loop und Stop-Conditions, OpenAI mit Agent Mode, aber begrenzten Nachrichten-Kontingenten |
| Zielgruppe | Teams, die tief in Atlassian arbeiten | Tinkerer und Devs, die self-hosted arbeiten wollen | Entwickler, die Produktions-Agenten bauen (Claude) sowie Entwickler und No-Code-Teams (OpenAI) |
Atlassian Rovo: der gebundene Spezialist
Rovo ist keine eigenständige App, sondern eine AI-Schicht, die direkt in Jira, Confluence und Jira Service Management sitzt. Ihr größter Vorteil ist der Teamwork Graph – ein permissions-bewusstes Datenmodell aus Tickets, Seiten, Personen und Code, das Rovo Kontext gibt, den ein reines LLM nie hätte. Dafür zahlst du mit Reichweite: Rovo handelt nur innerhalb des Atlassian-Kosmos plus rund 100 Konnektoren und rechnet über ein Credit-System ab. Auf dem Standard-Plan sind 25 Credits pro Nutzer enthalten; ein Chat-Prompt oder eine Agent-Ausführung kostet jeweils 10 Credits. Rechnerisch ist das Budget nach 7 bis 8 Interaktionen pro Monat aufgebraucht. Wer mehr will, braucht ein höheres Paket oder Rovo Dev separat ab 20 US-Dollar pro Entwickler und Monat.
OpenClaw: der universelle Selbsthoster
OpenClaw verfolgt den gegenteiligen Ansatz: MIT-lizenziert, self-hosted, bring-your-own-LLM. Statt eines fest verdrahteten Graphen bekommt der Agent seinen Kontext live zugeführt und arbeitet über einen offenen Skill-Mechanismus, der von Web-Recherche über Shell-Kommandos bis zu Messaging reicht. Das macht OpenClaw zum mit Abstand flexibelsten Werkzeug in diesem Vergleich – und zugleich zu dem mit der größten Angriffsfläche. Es gibt keine eingebaute Enterprise-Governance-Schicht; Scoping, Berechtigungen und Audit-Disziplin liegen komplett beim Betreiber.
Agent-SDKs: Claude und OpenAI als Baukasten-Modell
Anthropic und OpenAI verfolgen architektonisch denselben Grundgedanken: Du bekommst kein fertiges Produkt, sondern eine Bibliothek, mit der Entwickler und Entwicklerinnen ihren eigenen Agenten bauen. Anthropics Claude Agent SDK liefert einen Agent-Loop mit Kontext-Kompaktierung für lange Sessions, Subagenten für fokussierte Teilaufgaben, Hooks zum Einklinken eigener Logik und ein Permission-System für Tool-Aufrufe – inklusive Human-in-the-loop-Stopppunkten für kritische Aktionen. OpenAI kombiniert die Responses API mit eingebauten Tools wie Web-Search, File-Search und Computer Use mit dem Agents SDK, das Handoffs zwischen mehreren spezialisierten Agenten und Guardrails für Ein- und Ausgaben ermöglicht. Seit dem Update vom April 2026 kann der Agent zusätzlich Dateien inspizieren, Kommandos ausführen und Code in einer kontrollierten Sandbox editieren, inklusive MCP-Unterstützung, Skills und einem AGENTS.md-Konzept. Beide binden externe Datenquellen über das Model Context Protocol an. Der praktische Unterschied liegt im Detail: Claude setzt stärker auf explizites Permission-Gating und Stop-Conditions, OpenAI punktet mit der Connector Registry für Unternehmen, die bereits tief in Microsoft 365 oder Google Workspace stecken.
Praxisbeispiel: Wie wir bei XALT selbst testen
Bei XALT betreiben wir seit einigen Monaten einen eigenen persönlichen Agenten auf Basis von OpenClaw intern – Spitzname "Henry". Er läuft self-hosted, ist an unsere eigenen Atlassian-, Slack- und Messaging-Kanäle angebunden und übernimmt wiederkehrende Aufgaben wie Recherche, Terminvorbereitung und Status-Updates. Der Grund, warum wir uns für den Selbsthosting-Ansatz statt eines reinen SaaS-Agenten entschieden haben: volle Datenhoheit und die Möglichkeit, Skills exakt auf unsere internen Prozesse zuzuschneiden, statt uns an ein fixes Feature-Set zu binden. Gleichzeitig ist das genau der Punkt, an dem Governance zur Pflichtaufgabe wird – jede neue Berechtigung, jeder neue Kanal wird bei uns bewusst freigegeben und dokumentiert, nicht automatisch gewährt.
Die Frage ist nicht mehr, ob dein Team einen KI-Agenten bekommt, sondern wie viel Kontrolle du über ihn behältst.
- Der Grundtyp entscheidet mehr als das Feature-Blatt. Eingebettete Suite-Agenten, Entwickler-SDKs und autonome Selbsthoster lösen unterschiedliche Probleme – vergleiche nicht Äpfel mit Birnen.
- Reichweite und Governance sind ein Trade-off. Je mehr ein Agent kann, desto mehr Verantwortung liegt beim Betreiber, das sauber zu scopen.
- Consumption-Pricing verdient eine echte Vorab-Rechnung. 10 Credits pro Prompt klingen harmlos, bis das monatliche Kontingent nach einer Woche aufgebraucht ist.
- Governance-Reife ist 2026 der Flaschenhals, nicht die Technologie. Mit nur 21 % ausgereiften Governance-Modellen laut Gartner ist die Frage "Wer prüft, was der Agent darf?" wichtiger als jedes neue Feature.
- Teams, die tief in Atlassian arbeiten, starten meist am einfachsten mit Rovo – wer Datenhoheit und maximale Flexibilität will, schaut sich Open-Source-Agenten oder ein eigenes SDK-Projekt an.
