KI-Computernutzung & agentische Automatisierung 2026: Agenten, die Software bedienen

Den Großteil des KI-Booms saß das Modell auf der anderen Seite einer Mauer: Es konnte die E-Mail schreiben, aber ein Mensch musste sie absenden; es konnte die Schritte beschreiben, aber ein Mensch musste sie klicken. Computernutzung (computer use) ist die Fähigkeit, die diese Mauer einreißt. Geben Sie dem Agenten einen Bildschirm, eine Maus und eine Tastatur, und er kann tun, was ein Mensch tut — die Oberfläche lesen, entscheiden, was zu klicken ist, in das Feld tippen und eine Aufgabe über Apps hinweg zu Ende bringen, die nie dafür gebaut wurden, miteinander zu sprechen. 2026 hat sich dies von der Labordemo zu etwas entwickelt, das Teams vorsichtig in Produktion betreiben. Hier ist, was es tatsächlich leistet, wo die Benchmarks es einordnen und wie man es einführt, ohne sich die Finger zu verbrennen.

Was „Computernutzung" tatsächlich bedeutet

Der Mechanismus ist täuschend einfach. Der Agent erhält einen Screenshot und ein Ziel. Er überlegt, was er sieht, und gibt dann eine Aktion aus — klicke auf diese Koordinaten, tippe diesen Text, scrolle nach unten, drücke Enter. Die Aktion wird ausgeführt, ein neuer Screenshot kommt zurück, und die Schleife wiederholt sich, bis die Aufgabe erledigt ist oder der Agent entscheidet, dass er feststeckt. Anthropic lieferte Ende 2024 die erste allgemeine Computernutzungs-Fähigkeit für Claude aus; OpenAI folgte mit seinem Operator-Agenten, und bis 2026 hat jedes führende Labor eine Version. Die entscheidende Verschiebung ist, dass der Agent Software so bedient, wie es ein Mensch tut — über die sichtbare Oberfläche — also braucht er keine API, keine Integration und keine Kooperation der Zielanwendung.

Warum es wichtig ist: die letzte Meile der Automatisierung

Der Grund, warum Computernutzung eine große Sache ist, ist der „lange Schwanz" der Softwarearbeit. Klassische Automatisierung — RPA und geskriptete Integrationen — lohnt sich nur dort, wo ein Prozess hohes Volumen hat, stabil ist und den technischen Aufwand der Anbindung wert ist. Das lässt die enorme Mitte übrig: Aufgaben, die zu vielfältig, zu gelegentlich oder über zu viele nicht zusammenpassende Systeme verstreut sind, um eine maßgeschneiderte Integration zu rechtfertigen. Eine bestimmte Lieferantenbestellung, das Abgleichen einer Zahl zwischen einem Altportal und einer Tabelle, das Ziehen eines Berichts aus einer App ohne API — das sind die Jobs, die still menschliche Stunden fressen. Ein Agent, der einfach auf den Bildschirm schauen und es erledigen kann, erreicht diesen Schwanz ohne eine einzige Zeile Integrationscode.

Wo es funktioniert — und wo es noch scheitert

Seien wir ehrlich über den Stand der Technik. Im OSWorld-Benchmark — echten Desktop- und Web-Aufgaben quer durch ein Betriebssystem — schließen die besten Agenten 2026 rund sechs von zehn Aufgaben ohne Hilfe ab, gegenüber etwa sieben von zehn für einen kompetenten Menschen. Das ist ein echter Sprung von den mittleren Zehnerwerten zwei Jahre zuvor und genügt für beaufsichtigte, klar abgegrenzte Arbeit. Es genügt nicht, einem Agenten ein offenes Ziel zu geben und wegzugehen. Die Fehlermodi sind vorhersehbar: Er liest eine überladene Oberfläche falsch, klickt das falsche Element in einer dichten Tabelle, verirrt sich nach einem unerwarteten Pop-up oder gerät in eine Schleife, wenn sich eine Seite nicht wie erwartet verhält. Das richtige mentale Modell für 2026 ist ein schneller, unermüdlicher Junior-Operator, der klare Anweisungen und einen Aufseher braucht — kein autonomer Mitarbeiter.