Wie du einen KI-Agenten für den privaten Gebrauch erstellst

OpenClaw und Ollama für den lokalen Betrieb vorbereiten

Prüfe zuerst, ob die verwendete OpenClaw-Version Ollama tatsächlich unterstützt. Der Name „OpenClaw“ wird nicht überall gleich verwendet, und frühere Bezeichnungen wie „Claudebot“ können in Anleitungen zu Verwechslungen führen. Nutze deshalb die offizielle Projektdokumentation und die dort genannten Installationswege. Lade keine Pakete aus unbekannten Foren herunter.

Installiere Ollama direkt auf deinem Rechner. Für Windows, macOS und Linux gibt es unterschiedliche Installationsdateien. Nach der Einrichtung kannst du im Terminal prüfen, ob der lokale Dienst antwortet:

ollama list

Eine leere Liste ist zunächst kein Fehler. Sie zeigt nur, dass noch kein Modell vorhanden ist. Für einen ersten Funktionstest lässt sich anschließend ein kleines Modell laden. Der genaue Modellname hängt von deiner Hardware und der aktuellen Ollama-Bibliothek ab.

Ollama stellt seine lokale Schnittstelle üblicherweise unter http://127.0.0.1:11434 bereit. Die Adresse 127.0.0.1 verweist auf den eigenen Rechner und sollte nicht ohne Grund durch eine öffentlich erreichbare Netzwerkadresse ersetzt werden. Prüfe außerdem, ob die Firewall eingehende Verbindungen blockiert.

Bevor OpenClaw verbunden wird, teste die Modellantwort unabhängig vom Agenten. So erkennst du, ob ein Problem beim Modell, beim lokalen Dienst oder bei der Agentenplattform liegt. Reagiert Ollama nicht, helfen meist diese Kontrollen:

• Läuft der Ollama-Dienst im Hintergrund?
• Ist der Modellname exakt geschrieben?
• Verfügt das Laufwerk über genügend freien Speicher?
• Wird der lokale Port 11434 von einem anderen Programm genutzt?
• Erreicht OpenClaw dieselbe lokale Netzwerkadresse wie Ollama?

Trage in OpenClaw anschließend den lokalen Anbieter, die Basisadresse und den Namen des geladenen Modells ein. Manche Versionen erwarten zusätzlich ein Format wie ollama/modellname. Gleiche solche Angaben mit der aktuellen Konfiguration ab, statt sie blind aus älteren Anleitungen zu übernehmen.

Beachte die Grenzen eines lokalen Betriebs. „Lokal“ bedeutet nicht automatisch, dass keinerlei Daten nach außen gelangen. Plugins, Suchfunktionen, Aktualisierungen oder externe Schnittstellen können Netzwerkzugriffe auslösen. Deaktiviere diese Funktionen zunächst und prüfe die Verbindungsprotokolle. Auch die Rechenleistung ist entscheidend: Ein Modell mit vier bis acht Milliarden Parametern läuft auf vielen Rechnern flüssiger als ein deutlich größeres Modell, liefert aber nicht bei jeder Aufgabe dieselbe Qualität.

Erstelle vor dem ersten Agentenlauf einen eigenen Testordner mit unkritischen Beispieldateien. Damit kannst du die Verbindung prüfen, ohne persönliche Originale zu verändern. Erst wenn Modell, Schnittstelle und OpenClaw-Aufruf sauber zusammenspielen, lohnt sich die weitere Einrichtung.

Wichtige Schritte für einen sicheren privaten KI-Agenten

Passendes Sprachmodell für deine Hardware auswählen

Die Modellgröße allein entscheidet nicht über die Qualität. Für einen privaten Agenten zählen vor allem Arbeitsspeicher, Grafikspeicher, Quantisierung, Kontextlänge und Antworttempo. Ein kleineres Modell, das stabil läuft, ist im Alltag oft nützlicher als ein großes Modell mit ständigem Nachladen.

Als grobe Orientierung gilt: Ein quantisiertes Modell mit 7 oder 8 Milliarden Parametern benötigt häufig etwa 5 bis 8 GB Speicher. Modelle mit rund 14 Milliarden Parametern liegen oft bei 9 bis 16 GB. Bei 30 bis 35 Milliarden Parametern können 20 bis 24 GB oder mehr nötig sein. Dazu kommen Betriebssystem, OpenClaw, Kontext und Werkzeuge. Plane also nicht mit dem gesamten verfügbaren Speicher.

Prüfe zuerst, ob dein Rechner eine dedizierte Grafikkarte besitzt. Mit ausreichend VRAM verarbeitet sie lokale Modelle deutlich schneller. Fehlt dieser Speicher, kann Ollama den Arbeitsspeicher nutzen. Das funktioniert, fühlt sich bei langen Aufgaben aber manchmal zäh an. 16 GB RAM sind ein brauchbarer Einstieg; 32 GB bieten spürbar mehr Spielraum für Agenten mit längeren Eingaben.

Wähle das Modell nach der Aufgabe:

• Textsortierung und kurze Zusammenfassungen: 3 bis 8 Milliarden Parameter reichen oft aus.
• Mehrsprachige Texte und anspruchsvollere Planung: etwa 8 bis 14 Milliarden Parameter sind meist die bessere Wahl.
• Programmierung und komplexe Arbeitsabläufe: nutze ein spezialisiertes Code-Modell, sofern deine Hardware es flüssig ausführt.
• Lange Dokumente: achte stärker auf die unterstützte Kontextlänge als auf die reine Parameterzahl.

Die Quantisierung reduziert den Speicherbedarf, indem Modellwerte mit weniger Bits gespeichert werden. Varianten wie Q4 benötigen weniger Platz und reagieren oft schneller. Q6 oder Q8 bewahren meist mehr Genauigkeit, verlangen aber mehr Speicher. Für Dateinamen, einfache Klassifikation und kurze Befehle ist Q4 oft ausreichend. Bei präzisen Codeänderungen oder anspruchsvoller Analyse kann eine höhere Qualität sinnvoll sein.

Teste nicht nur eine einzelne Frage. Erstelle einen kleinen Prüfdatensatz mit typischen privaten Aufgaben: einem langen Text, einer mehrdeutigen Datei und einer Anweisung mit mehreren Schritten. Miss dabei drei Dinge:

• Wie viele Antworten sind ohne Korrektur brauchbar?
• Wie lange dauert die erste Antwort?
• Bleibt das Modell auch bei längeren Eingaben stabil?

Ein praktischer Startpunkt ist ein 7- bis 8-Milliarden-Modell in einer moderat quantisierten Variante. Läuft es flüssig und löst deine Testaufgaben sauber, musst du nicht sofort auf ein größeres Modell wechseln. Erst konkrete Fehler rechtfertigen den nächsten Schritt.

OpenClaw mit Ollama verbinden

Öffne in OpenClaw die Einstellungen für den Modellanbieter und wähle Ollama als Backend. Je nach Version heißt der Bereich „Provider“, „Models“ oder „Runtime“. Trage dort die lokale API-Adresse und den exakten Modellbezeichner ein. Eine typische Basisadresse lautet http://127.0.0.1:11434.

Verwende möglichst keine Zugangsdaten, die du nicht selbst eingerichtet hast. Die lokale Schnittstelle benötigt im Standardbetrieb meist keinen API-Schlüssel. Falls OpenClaw dennoch ein Token-Feld verlangt, prüfe die Dokumentation der installierten Version. Ein erfundener Schlüssel löst das Problem nicht.

Wähle anschließend das Modell als Standardmodell für den Agenten aus. Achte auf die genaue Schreibweise einschließlich Tag, etwa einer Versions- oder Quantisierungsangabe. Schon ein fehlender Zusatz kann dazu führen, dass OpenClaw ein nicht vorhandenes Modell anfordert.

Starte danach einen Verbindungstest mit einer kurzen Anfrage. Eine erfolgreiche Antwort beweist nur, dass die Modellkommunikation funktioniert. Prüfe zusätzlich, ob OpenClaw die Antwort vollständig empfängt und Zeitüberschreitungen korrekt behandelt. Lokale Modelle brauchen bei der ersten Anfrage oft länger, weil sie zunächst in den Speicher geladen werden.

Bei einer Fehlermeldung hilft die Eingrenzung nach Ursache:

• Verbindung abgelehnt: Der Ollama-Dienst läuft nicht oder die Adresse ist falsch.
• Modell nicht gefunden: Der Modellname in OpenClaw stimmt nicht mit der lokalen Bezeichnung überein.
• Zeitüberschreitung: Das Modell ist zu groß, der Kontext zu lang oder die Hardware ausgelastet.
• Leere Antwort: Prüfe das Nachrichtenformat und die von OpenClaw verwendete Schnittstellenversion.

Lege für den Agenten eine eigene Konfiguration an, statt globale Einstellungen ungeprüft zu übernehmen. Dazu gehören das Standardmodell, die maximale Antwortlänge und ein Zeitlimit. Eine moderate Antwortlänge verhindert, dass eine einfache Aufgabe unnötig viele Ressourcen bindet.

Wenn OpenClaw zwischen mehreren Modelltypen unterscheidet, ordne jedem Zweck ein passendes Modell zu. Ein schnelles Modell kann kurze Klassifikationen erledigen, während ein stärkeres Modell nur für schwierige Planung verwendet wird. Dadurch sinkt die Rechenlast.

Beende die Einrichtung mit drei Kontrollfragen: Wird wirklich das lokale Modell aufgerufen? Werden Anfragen an die erwartete Adresse gesendet? Und kann OpenClaw bei einem Neustart die Verbindung wiederherstellen? Erst dann ist die Verbindung sauber eingerichtet.

Dateien, Code und Werkzeuge sicher freigeben

Gib einem privaten KI-Agenten niemals pauschal Zugriff auf dein gesamtes Benutzerkonto. Lege stattdessen einen eigenen Arbeitsbereich an, zum Beispiel KI-Arbeitsordner, und erlaube nur diesen Pfad. So bleibt der Zugriff räumlich begrenzt, auch wenn eine Anweisung missverstanden wird.

Trenne Lese- und Schreibrechte. Für Recherche, Sortierung oder Zusammenfassungen genügt zunächst ein Ordner mit Leserechten. Schreibzugriff kommt erst hinzu, wenn der Ablauf zuverlässig arbeitet. Kritische Verzeichnisse wie Systemordner, Passwortspeicher, Steuerunterlagen oder private Schlüssel gehören nicht in den freigegebenen Bereich.

Arbeite mit einer klaren Werkzeugliste. Jeder Eintrag sollte einen Zweck und eine Grenze haben:

• Dateien lesen: nur bestimmte Dateitypen und Ordner.
• Dateien schreiben: ausschließlich in einen Ausgabeordner.
• Dateien löschen: möglichst deaktivieren oder durch einen Papierkorb ersetzen.
• Code ausführen: nur in einer isolierten Umgebung mit begrenzter Laufzeit.
• Netzwerkzugriff: standardmäßig sperren und nur für einen konkreten Dienst öffnen.

Besonders heikel ist die Codeausführung. Ein Agent kann eine harmlose Textaufgabe mit einem gefährlichen Befehl verknüpfen, etwa wenn eine Datei manipulierte Anweisungen enthält. Nutze deshalb, falls verfügbar, eine Sandbox oder eine virtuelle Maschine. Entferne dort persönliche Zugangsdaten, beschränke die verfügbaren Programme und verhindere Schreibzugriffe auf das Hauptsystem.

Setze für riskante Aktionen eine Bestätigungsschranke. Der Agent darf dann einen Löschbefehl, eine Änderung an vielen Dateien oder eine externe Anfrage vorbereiten, aber nicht selbst ausführen. Eine gute Regel lautet: Lesen automatisch, Entwurf automatisch, dauerhafte Änderung nur nach Bestätigung.

Verwende keine geheimen Schlüssel direkt in Agentenanweisungen. API-Tokens, SSH-Schlüssel und Passwörter gehören in einen geschützten Schlüsselbund oder in Umgebungsvariablen mit minimalen Rechten. Ein Token für einen Kalenderdienst sollte beispielsweise keine E-Mails löschen können.

Prüfe außerdem symbolische Verknüpfungen und Pfadwechsel. Ein scheinbar erlaubter Ordner kann auf ein anderes Verzeichnis zeigen. Kontrolliere daher auch das tatsächliche Ziel und protokolliere jede Werkzeugaktion mit Zeitpunkt, Befehl und Ergebnis.

Starte mit ungefährlichen Beispieldateien. Teste danach gezielt verweigerte Aktionen: Darf der Agent eine Datei außerhalb des Arbeitsordners lesen? Kann er Programme starten? Erhält er Zugriff auf das Netzwerk? Ein sauberer Test endet auch bei der korrekt blockierten Aktion.

Einen Agenten mit klaren Regeln konfigurieren

Formuliere die Agentenregeln als kurze, prüfbare Arbeitsanweisung. Eine gute Konfiguration beantwortet vier Fragen: Welche Rolle hat der Agent? In welcher Reihenfolge arbeitet er? Wie geht er mit Unsicherheit um? Wann muss er den Vorgang stoppen?

Beginne mit einer festen Rollenbeschreibung. Schreibe nicht einfach „Du bist ein hilfreicher Assistent“, sondern lege den Arbeitsbereich fest: „Du prüfst private Notizen auf offene Aufgaben und erstellst daraus eine strukturierte Liste.“ Je enger die Rolle, desto weniger Raum bleibt für improvisierte Nebenaufgaben.

Definiere danach einen verbindlichen Ablauf. Verwende nummerierte Schritte, damit der Agent nicht sofort handelt:

• Eingabe lesen und relevante Informationen erkennen
• fehlende oder widersprüchliche Angaben markieren
• die geplante Änderung als Entwurf ausgeben
• nur bei eindeutiger Freigabe den letzten Schritt ausführen
• Ergebnis und mögliche Unsicherheiten kurz dokumentieren

Lege ein festes Ausgabeformat fest. Für strukturierte Ergebnisse eignet sich beispielsweise JSON mit den Feldern status, aktion, begründung und offene_frage. Bei längeren Texten helfen Überschriften oder eine feste Reihenfolge. Ein konstantes Format erleichtert die spätere Verarbeitung durch OpenClaw.

Baue Regeln für Unsicherheit ein. Der Agent soll keine Lücke erraten, wenn mehrere Deutungen möglich sind. Eine klare Vorgabe lautet: „Wenn wichtige Angaben fehlen, ändere nichts und stelle höchstens eine gezielte Rückfrage.“ Für unklare Fälle kannst du zusätzlich einen Status wie prüfung_erforderlich vorsehen.

Trenne Fakten, Annahmen und Vorschläge. Der Agent sollte kenntlich machen, ob eine Aussage direkt aus der Eingabe stammt oder nur eine Schlussfolgerung ist. Das ist besonders wichtig bei Rechnungen, Fristen und persönlichen Planungen.

Vermeide widersprüchliche Anweisungen. Ordne die Priorität ausdrücklich:

• Sicherheits- und Abbruchregeln gelten zuerst.
• Aufgabenregeln gelten vor Stilvorgaben.
• Stilvorgaben gelten nur, wenn sie den Arbeitsablauf nicht behindern.

Halte die Konfiguration kurz genug, damit das Modell sie zuverlässig beachtet. Prüfe jede Regel mit einem Gegenbeispiel: Was soll passieren, wenn eine Datei leer ist, ein Datum fehlt oder zwei Angaben nicht zusammenpassen?

Speichere die Konfiguration mit Versionsnummer und Änderungsdatum. Nach jeder Anpassung testest du dieselben Beispielaufgaben erneut. So erkennst du, ob eine neue Regel ein früher korrektes Verhalten unbeabsichtigt verschlechtert.

Beispiel: Persönliche Dateien automatisch organisieren

Ein nützlicher Testfall ist die automatische Ordnung eines Ordners mit unsortierten Dokumenten. Der Agent erkennt den Inhalt, schlägt eine Kategorie vor und erstellt einen neuen Dateinamen. Dafür nutzt du eine feste Ordnerstruktur:

• Eingang für neue Dateien
• Entwurf für vorgeschlagene Namen und Kategorien
• Archiv für bestätigte Dokumente
• Unklar für Fälle ohne eindeutige Zuordnung

Definiere zunächst ein Namensschema. Für Rechnungen kann es etwa JJJJ-MM-TT_Anbieter_Betrag.pdf lauten. Bei Fotos eignet sich JJJJ-MM_Ort_Ereignis_001.jpg. Der Agent soll fehlende Angaben nicht erfinden. Ist das Aufnahmedatum unbekannt, bleibt das Feld leer oder die Datei landet im Ordner Unklar.

Nutze für die Sortierung mehrere Merkmale statt nur den Dateinamen. Bei einem Dokument können Textinhalt, Dateiendung, Erstellungsdatum und vorhandene Metadaten zusammen betrachtet werden. Eine Rechnung mit dem Wort „Versicherung“ im Inhalt gehört nicht automatisch in den Ordner für Versicherungen, wenn der tatsächliche Aussteller ein Energieversorger ist.

Ein sinnvoller Ablauf sieht so aus:

• Neue Dateien aus Eingang erfassen
• Text und vorhandene Metadaten auslesen
• Kategorie, Datum und Bezeichnung als Vorschlag bestimmen
• Konflikte oder fehlende Werte markieren
• einen Bericht mit alter und neuer Bezeichnung erstellen
• erst danach bestätigte Dateien verschieben

Verwende eine eindeutige Kennung, damit der Agent eine Datei nicht doppelt verarbeitet. Das kann eine Kombination aus Dateipfad, Größe und Änderungszeit sein. Noch besser ist eine Prüfsumme, wenn sich Dateien häufig umbenennen. Speichere den Verarbeitungsstatus in einer kleinen Protokolldatei oder Datenbank.

Beispiel für einen Vorschlag:

Alt: scan_8472.pdf
Neu: 2026-09-12_Stadtwerke_86-40.pdf
Kategorie: Energie
Status: Prüfung erforderlich
Grund: Rechnungsdatum erkannt, Aussteller jedoch nicht eindeutig

Berücksichtige Sonderfälle wie doppelte Dateien, passwortgeschützte PDFs, beschädigte Scans und mehrere Dokumente in einer Datei. Bei gescannten Unterlagen kann eine Texterkennung nötig sein. Prüfe außerdem, ob ein PDF mehrere Rechnungen enthält. Ein automatisches Umbenennen auf Basis der ersten Seite wäre sonst schnell daneben.

Teste den Ablauf mit Kopien und mindestens drei schwierigen Beispielen. Erst wenn der Bericht zuverlässig ist, sollte der Agent bestätigte Dateien verschieben. So entsteht ein Ordnungshelfer, der seine Entscheidungen nachvollziehbar macht.

Wiederkehrende Aufgaben und Zeitpläne einrichten

Für wiederkehrende Aufgaben braucht dein Agent einen festen Auslöser. In einer lokalen OpenClaw-Ollama-Umgebung kann das ein Zeitplan, ein neu angelegtes Dokument oder ein manuell gestarteter Auftrag sein. Eine tägliche Zusammenfassung passt zu einer Uhrzeit, die Verarbeitung neuer Dateien eher zu einem überwachten Ordner.

Ein Zeitplan folgt meist der Cron-Schreibweise. Ein täglicher Start um 7:30 Uhr kann beispielsweise so aussehen:

30 7 * * *

Plane auch das Verhalten bei Verzögerungen. Ein Agent sollte nach einem Neustart nicht automatisch denselben Auftrag mehrfach ausführen. Speichere deshalb eine eindeutige Laufkennung oder den Zeitpunkt der letzten erfolgreichen Verarbeitung.

Für längere Aufgaben sind Wiederholungsregeln wichtig. Lege fest, ob ein fehlgeschlagener Lauf sofort, nach fünf Minuten oder erst am nächsten geplanten Termin erneut startet. Eine begrenzte Zahl von Versuchen verhindert, dass ein defekter Ablauf dauerhaft Ressourcen bindet.

• Maximal drei Wiederholungen pro Auftrag
• Wachsende Pause zwischen den Versuchen
• Abbruch bei unverändertem Fehler
• Zusammenfassung nach einem endgültigen Fehlschlag

Vermeide parallele Läufe derselben Aufgabe. Wenn die tägliche Dokumentenprüfung noch läuft, sollte kein zweiter Prozess denselben Bestand bearbeiten. Eine Sperrdatei oder eine interne Aufgabenwarteschlange verhindert solche Überschneidungen.

Lege für jeden Zeitplan eine kurze Betriebsbeschreibung an: Auslöser, erwartete Laufzeit, Ergebnis und Fehlerverhalten. Bei einem Notebook musst du außerdem beachten, dass ein geschlossener Rechner keine geplanten Aufgaben ausführen kann.

Beginne mit einem manuellen Testlauf. Danach verwendest du ein verkürztes Intervall, etwa alle zehn Minuten, und beobachtest zwei bis drei Durchläufe. Erst wenn der Ablauf zuverlässig endet, stellst du den endgültigen täglichen oder wöchentlichen Zeitplan ein.

Datenschutz, Zugriffsrechte und lokale Grenzen prüfen

„Lokal“ bedeutet nicht automatisch „unsichtbar“. Prüfe den gesamten Datenfluss deines Agenten: Eingabe, Zwischenspeicher, Protokolle, Modell, Erweiterungen und Ausgaben. Auch ein lokales Modell kann Informationen an einen externen Dienst weitergeben, wenn eine Suchfunktion, ein Plugin oder ein Update-Mechanismus aktiv ist.

Erstelle eine Datenflussliste. Notiere für jede Funktion, welche Daten sie verarbeitet, wo diese gespeichert werden und ob eine Netzwerkverbindung nötig ist. Besonders wichtig sind Chatverläufe, temporäre Dateien, Fehlermeldungen und automatisch erzeugte Protokolle, weil sie manchmal mehr persönliche Angaben enthalten als die eigentliche Eingabe.

Lege für OpenClaw ein eigenes Benutzerkonto ohne Administratorrechte an. Unter Linux kannst du zusätzlich einen eigenen Dienstbenutzer verwenden. Unter Windows und macOS helfen getrennte Benutzerprofile und eingeschränkte Freigaben.

Schütze den lokalen Dienst vor Zugriffen aus dem Netzwerk. Eine Schnittstelle, die nur auf dem eigenen Rechner lauscht, ist deutlich weniger exponiert als ein Dienst, der an alle Netzwerkadapter gebunden ist. Prüfe nach Änderungen, ob der Port weiterhin ausschließlich lokal erreichbar ist. Öffne ihn nicht über Router, Portweiterleitung oder öffentliche Tunnel, nur um bequem von außen darauf zuzugreifen.

Verschlüssele den Rechner und sichere die Arbeitsdaten regelmäßig. Die lokale Verarbeitung schützt nicht vor Verlust durch Diebstahl, Festplattenschaden oder einen kompromittierten Benutzeraccount. Für Sicherungen eignet sich eine verschlüsselte Kopie auf einem getrennten Datenträger. Bewahre den Wiederherstellungsschlüssel nicht im selben Ordner auf.

Behandle fremde Dokumente als potenziell unzuverlässige Eingaben. Text in einer PDF, E-Mail oder Webseite kann Anweisungen enthalten, die den Agenten zu einer unerwünschten Aktion bewegen sollen. Kennzeichne externe Inhalte deshalb als Daten, nicht als Befehle. Der Agent sollte solche Inhalte niemals automatisch in seine dauerhaften Regeln übernehmen.

Für private Nutzung sind außerdem diese Prüfungen sinnvoll:

• Deaktiviere unnötige Telemetrie und anonyme Nutzungsberichte.
• Kontrolliere, ob Protokolle persönliche Inhalte dauerhaft speichern.
• Lösche temporäre Dateien nach einem festgelegten Zeitraum.
• Verwende aktuelle Sicherheitsupdates für Betriebssystem, OpenClaw und Ollama.
• Prüfe Erweiterungen vor der Installation auf Herkunft, Rechte und Wartungszustand.

Rechtlich bleibt die Verantwortung bei dir. Verarbeitest du Daten anderer Personen, können Datenschutzpflichten gelten, auch wenn alles auf deinem eigenen Rechner läuft. Nach der Datenschutz-Grundverordnung zählen Zweck, Umfang, Zugriff und Aufbewahrungsdauer. Der EU AI Act sieht zudem Transparenzpflichten für bestimmte KI-Anwendungen vor; die konkrete Pflicht hängt vom Einsatzbereich ab. Dokumentiere daher kurz, wofür der Agent eingesetzt wird und welche Daten er verarbeitet.

Führe diese Kontrolle nach jedem größeren Update erneut durch. Neue Werkzeuge können zusätzliche Rechte oder Netzwerkzugriffe einführen.

Leistung, Kosten und Cloud-Dienste realistisch bewerten

Ein lokaler Agent hat keine klassische Anfragegebühr, verursacht aber Kosten für Anschaffung, Strom, Speicher und Wartung. Rechne nicht nur mit dem Kaufpreis der Hardware, sondern mit dem gesamten Betrieb über ein Jahr.

Für eine grobe Stromrechnung genügt diese Formel:

Leistung in Watt ÷ 1.000 × Betriebsstunden × Strompreis

Ein Rechner mit 180 Watt, der täglich sechs Stunden arbeitet, verbraucht im Jahr rund 394 Kilowattstunden. Bei 0,35 Euro pro Kilowattstunde sind das etwa 138 Euro. Der tatsächliche Wert hängt von Last, Energiesparmodus und Laufzeit ab.

Miss die Leistungsaufnahme möglichst an der Steckdose. Herstellerangaben beziehen sich oft auf einzelne Komponenten und nicht auf das komplette System. Berücksichtige außerdem SSD-Speicher für Modelle, Protokolle und Sicherungen. Ein Modell kann mehrere Gigabyte belegen; mehrere Varianten summieren sich schnell.

Bewerte die Leistung mit drei praktischen Kennzahlen:

• Zeit bis zur ersten Ausgabe: Wie lange wartet der Agent nach dem Auftrag?
• Antworttempo: Wie viele Text-Tokens verarbeitet er pro Sekunde?
• Erfolgsquote: Wie oft erledigt er typische Aufgaben ohne Nacharbeit?

Die Erfolgsquote ist meist wichtiger als ein beeindruckender Geschwindigkeitswert. Ein schneller Agent, der jede fünfte Datei falsch einordnet, kostet durch Korrekturen mehr Zeit als ein langsameres, zuverlässigeres Modell.

Setze für den Betrieb ein monatliches Budget. Darin können Strom, Ersatzteile, Festplatten, Sicherungen und gegebenenfalls externe Dienste enthalten sein. Für wenige kurze Aufgaben pro Woche ist ein vorhandener Rechner oft ausreichend. Für dauerhafte Nutzung kann ein sparsamer Mini-PC günstiger sein als ein leistungsstarker Desktop, der ständig läuft.

Cloud-Dienste benötigen keine lokale Hochleistungs-Hardware und bieten oft schnellere oder stärkere Modelle. Dafür können Gebühren pro Anfrage, monatliche Limits oder Kosten für zusätzliche Funktionen anfallen. Prüfe außerdem, welche Daten übertragen werden, wie lange sie gespeichert bleiben und ob die Nutzung für private Inhalte erlaubt ist.

Eine gemischte Lösung kann sinnvoll sein: einfache Klassifikation und private Standardaufgaben laufen lokal, besonders schwierige oder seltene Aufgaben werden nach einer bewussten Entscheidung extern verarbeitet. Wichtig ist, externe Aufrufe sichtbar zu machen und nicht stillschweigend vorauszusetzen.

Vergleiche beide Varianten anhand desselben Testauftrags. Miss Zeit, Kosten, Fehler und Nacharbeit. Erst diese vier Werte zeigen, ob dein lokaler Agent im Alltag wirklich einen Vorteil bringt. Schlagworte wie „kostenlos“ oder „unbegrenzt“ ersetzen diese Rechnung nicht.

Fazit: Mit einem kleinen sicheren Anwendungsfall starten

Ein privater KI-Agent muss nicht sofort den ganzen Alltag verwalten. Der bessere Start ist ein kleiner Ablauf mit klar erkennbarem Nutzen, etwa das Zusammenfassen eigener Notizen oder das Erstellen eines Entwurfs aus vorhandenen Texten. So erkennst du schnell, ob die Einrichtung im täglichen Gebrauch Zeit spart.

OpenClaw kann als Steuerung für Aufgaben und Werkzeuge dienen, während Ollama ein lokal ausgeführtes Sprachmodell bereitstellt. Die Kombination eignet sich besonders für Abläufe, bei denen Dateien gelesen, Inhalte verarbeitet und Ergebnisse in einem eigenen Arbeitsbereich abgelegt werden. Aussagen wie „keine Kosten“ oder „vollständige Datenhoheit“ solltest du jedoch nicht pauschal übernehmen. Strom, Wartung, Erweiterungen und mögliche externe Dienste gehören zur realen Bilanz.

Bewerte den ersten Anwendungsfall nach einigen Tagen mit drei Fragen:

• Erspart der Agent tatsächlich wiederkehrende Handarbeit?
• Sind die Ergebnisse ohne umfangreiche Nachbearbeitung brauchbar?
• Bleibt der Ablauf auch bei ungewöhnlichen Eingaben nachvollziehbar?

Wenn die Antworten positiv ausfallen, erweitere den Agenten nur um eine Funktion nach der anderen. Ein modularer Aufbau erleichtert Änderungen und verhindert, dass ein einzelner Fehler den gesamten Ablauf lahmlegt. Bleibt der Nutzen gering, passt die Aufgabe vielleicht besser zu einem einfachen Skript oder einer manuellen Vorlage.

Dokumentiere zum Abschluss Modell, OpenClaw-Konfiguration, Ollama-Version und die verwendeten Regeln. Diese kurze technische Notiz spart später Zeit, wenn du den Rechner wechselst oder eine Einstellung zurücksetzen musst. Für Transparenz in veröffentlichten Projekten solltest du außerdem kenntlich machen, wenn Inhalte automatisiert erzeugt oder verarbeitet wurden.

Der sinnvollste Weg lautet: klein beginnen, konkret messen und erst danach ausbauen. So wird aus einer lokalen Modellinstallation Schritt für Schritt ein privater KI-Agent, der eine echte Aufgabe zuverlässig erledigt.