Agentic OS: Die nächste UI-Revolution

Alle Bausteine für die nächste UI-Revolution liegen auf dem Tisch. Aber niemand hat sie richtig zusammengesetzt. Das erinnert an etwas.

Drei Brüche

In meiner bewussten Lebenszeit habe ich zwei fundamentale Brüche in der Mensch-Maschine-Interaktion miterlebt: Der erste Bruch war die grafische Oberfläche, die die Kommandozeile ablöste. Ich erinnere mich an den Moment, als ich zum ersten Mal Windows 95 benutzen konnte; vorher hatte ich nur einen alten 286er, den man ausschließlich per CLI bedienen konnte, was mich in der Grundschule eher überfordert hatte. Windows war danach etwas, das ich intuitiv bedienen konnte und mir damit eine völlig neue Welt eröffnete.

Der zweite Bruch war das Smartphone: Als ich Steve Jobs im Livestream der Apple-Keynote sah, war es einer der wenigen Momente in meinem Leben, in denen ich ein besonderes Gefühl distinkter Qualität hatte: Dieser Moment verändert die Welt.

Beide Revolutionen folgten in der Retrospektive demselben Muster: Die technologischen Bausteine existierten lange, bevor eine Kombination aller Bausteine als schlüssiges Gesamtsystem gefunden wurde. In beiden Fällen gab es rückblickend eine interessante Übergangsphase, in der eine neue Technologie in alte Metaphern gepresst wurde, bevor mit einigem Zeitversatz ein Produkt kam, das alles richtig zusammensetzte. Ich finde es immer witzig, wenn man bei Heise oder auf Reddit Kommentare liest, die all diese Erfindungen als ohnehin offensichtlich, trivial und gar nicht neu framen, obwohl die genaue Betrachtung zeigt, dass dieses Zusammensetzen viel schwerer ist, als man denkt.

Nun, ich bin mir sicher: Wir stehen vor einem erneuten Bruch der bestehenden Paradigmen. Agentic AI, Tool Use, emotionale Sprachinteraktion, autonome Agentensysteme — es liegen wieder sehr viele Bausteine auf dem Spielfeld. Das zusammengesetzte System aber fehlt noch.

Die Maus brauchte 27 Jahre

Den ersten Bruch habe ich nicht bewusst miterlebt, aber seine Geschichte ist dennoch lehrreich. Am 9. Dezember 1968 demonstriert Douglas Engelbart in San Francisco etwas, das später als „Mother of All Demos“ [1] bekannt wird: eine Maus, überlappende Fenster, Hypertext-Links, kollaboratives Arbeiten in Echtzeit. Die Zukunft des Computings in 90 Minuten.

Fünf Jahre später baut Xerox PARC den Alto [2], den ersten Rechner mit grafischer Oberfläche, Maus, Icons und Fenstern. Die Technologie funktioniert, aber der Alto ist kein Produkt, sondern ein Forschungsprojekt. Der Xerox Star folgt 1981 als kommerzielles Gerät, ist aber zu teuer und zu langsam. Als der Apple Macintosh 1984 erscheint, ist er der erste brauchbare Consumer-Computer mit einem echten Maus-first-Interface, und trotzdem bleibt er ein Nischenprodukt. Erst Windows 95, volle 27 Jahre nach Engelbarts Demo, fühlt sich für die breite Masse wie ein Betriebssystem an, das wirklich für die Maus gebaut wurde.

27 Jahre von der Erfindung bis zum massentauglichen Produkt. Und dazwischen: eine lange Phase, in der die Maus existiert, die Interfaces aber noch für die Tastatur gedacht sind.

Das ist kein Designfehler. Es ist ein Muster. Wenn eine neue Interaktionstechnologie entsteht, wird sie zuerst in die bestehenden Paradigmen eingefügt. Die Maus klickt auf Textmenüs. Der Touchscreen bedient miniaturisierte Desktop-Fenster. Und der AI-Agent tippt in Chatfenster.

Vor dem iPhone

Ich denke, es war die CeBIT 2002, als ich mit einem Freund in der Regiobahn nach Hannover gefahren bin. Dort hatte die Deutsche Telekom einen riesigen Stand aufgebaut, auf dem magentafarben gekleidete Menschen herumliefen, die einem ein Nokia 7650 — das erste Nokia mit eingebauter Kamera [3] — in die Hand drückten. Wir machten ein Foto und schickten es per MMS an meine E-Mail-Adresse weiter. Magisch und gleichzeitig vollkommen nutzlos.

Aber retrospektiv war das ein Moment, in dem wichtige neue Bausteine auf das Spielfeld fielen: eine Kamera im Telefon, ein mobiles Netzwerk, das Daten übertragen konnte, und das Internet, das in dieser Zeit die Fantasie aller beflügelte.

Die Jahre vor dem iPhone sind voll von solchen Momenten. Palm Pilot, 1997: ein stiftbasierter Organizer mit einer Handschrifterkennung namens Graffiti, die man erst lernen musste [4]. Windows Mobile: ein miniaturisiertes Desktop-Windows mit einem winzigen Stylus auf einem winzigen Bildschirm, bei dem man das Startmenü mit dem Stift aufklappen musste. Nokia mit Symbian: Internet über WAP, tastaturgesteuert. BlackBerry: E-Mail-Maschine mit physischer Tastatur, geliebt von Managern.

Alle Teile existierten. Lithium-Ionen-Akkus ermöglichten brauchbare Laufzeiten. UMTS brachte mobiles Internet. Touchscreens waren erfunden. Websites und E-Mail wurden breit genutzt.

Was fehlte, war nicht Technologie. Was fehlte, war jemand, der radikal sagte: kein Stylus, keine physische Tastatur, finger-first, Multi-Touch — und das gesamte Interface von Grund auf für diese Interaktion designt. Dieser Jemand war Steve Jobs am 9. Januar 2007 [11].

Das erste iPhone hatte nicht einmal UMTS, nur EDGE, was langsamer war als das, was die Konkurrenz zu dieser Zeit hatte. Es hatte kein Copy-and-paste, keine Apps von Drittanbietern, keinen MMS-Versand. Technisch war es in vielen Einzeldisziplinen unterlegen. Aber die UX war so fundamental richtig, dass nichts davon eine Rolle spielte.

Wir schicken uns selbst MMS

2026. Ich schaue auf die Bausteine der nächsten Revolution und habe dasselbe Gefühl wie damals am Telekom-Stand.

LLMs können Werkzeuge benutzen, und mit Agentic Tool Use ist die Kernfähigkeit erfunden, die alles Weitere ermöglicht. MCP (Model Context Protocol) standardisiert, wie Tools deklariert und aufgerufen werden. WebMCP bringt das in den Browser [5]. Hume AI hat gezeigt, dass emotionale, natürliche Sprachinteraktion möglich ist [6]. Agentische Anwendungen wie Claude Code und Cursor schreiben Software, OpenClaw gibt einen Ausblick auf autonome Agenten, AirPods sitzen in Millionen Ohren und 5G-Netze sind ausgebaut, obwohl noch niemand so recht weiß, wofür — was doch frappierend an UMTS vor dem iPhone erinnert.

Und was machen wir mit alldem? Wir tippen Text in Electron-Webapps.

Die ChatGPT-Desktop-App, Claude Desktop, Gemini im Browser: Das sind die Windows-Mobile-Phones der AI-Ära. Man hat ein Textfenster mit einem Cursor, tippt und wartet, während darunter eine Technologie arbeitet, die zu so viel mehr in der Lage wäre. Es funktioniert, für Power-User sogar hervorragend. Claude Code ist so etwas wie der Midnight Commander der Agentic-Ära: ein Werkzeug für ein Anwendungsgebiet, das extrem mächtig ist, aber eben kein vollständig neues Paradigma der Computernutzung.

Es gab erste Versuche, über das Chatfenster hinauszudenken. Der Humane AI Pin hatte im Kern die richtige These, nämlich dass man keinen großen Bildschirm braucht, wenn der Agent selbst die Schnittstelle ist und nicht das Display. Aber die Ausführung war so schlecht, dass HP die Assets Anfang 2025 für 116 Millionen Dollar aufkaufte und sämtliche Pins abschaltete [7]. Der Rabbit R1 kam mit vier App-Integrationen und einem Akku, der vier Stunden durchhielt, auf den Markt, was ungefähr so überzeugend war, wie es klingt [8]. Das sind die Palms und Pocket-PCs unserer Zeit. Die Richtung stimmt, aber die Umsetzung zeigt, wie schwer dieses Zusammensetzen wirklich ist.

Das nächste Paradigma

Wie sieht das Betriebssystem aus, das für Agenten gebaut ist?

Die ehrliche Antwort: Niemand weiß es. So wie 2006 niemand wusste, wie ein Smartphone aussehen sollte, das für Finger gebaut ist. Aber man kann die Richtung skizzieren.

Ein Agent, der im Hintergrund läuft, filtert, plant und handelt, braucht keinen großen Bildschirm. Was er braucht, sind eine Verbindung und ein Mikrofon. Gelegentlich braucht er ein Display, wenn man etwas sehen, vergleichen oder auswählen will. Aber für die meisten Interaktionen reicht Audio.

Das Gerät wäre vielleicht wieder kleiner als aktuelle Smartphones, tragbar wie eine Brosche und aufklappbar mit Faltbildschirm, wenn man doch einen Screen braucht. Es würde rund um die Uhr Audio und vielleicht auch Video aufnehmen und hätte damit alle wesentlichen Informationen stets zur Hand. Zusammen mit AirPods ergäbe das ein System, das die meisten Aufgaben erledigen kann, die heute einen Bildschirm erfordern.

Star Trek: The Next Generation ist hier, wie so oft, richtungsweisend. „Computer, wann ist mein nächstes Meeting?“ funktioniert wunderbar über Sprache. „Computer, zeig mir den Weg zum Turbolift auf Deck 7“ funktioniert dagegen besser mit einem Screen. Nicht Voice oder Touch allein ist die Lösung, sondern die Mischung aus beidem.

Und die Architektur wäre vielleicht ein radikaler Thin Client mit minimaler lokaler Rechenleistung, weil die Cloud alles Schwere übernimmt. Wenn selbst Spiele inzwischen besser gestreamt als lokal berechnet werden, wie Nvidia GeForce Now zeigt [9], dann ist es eigentlich Unsinn, in mobile Geräte noch große Rechenleistung zu packen. Was zählt, sind Batterielaufzeit und Größe. Und 5G, das bisher eine Lösung ohne Problem war, wäre die Infrastruktur, die das ermöglicht.

Die Attention-Umkehr

Die letzten 10 bis 15 Jahre der Tech-Industrie lassen sich in einem Satz zusammenfassen: Plattformen optimieren auf Zeit-auf-Plattform. Infinite Scroll, Autoplay, Push-Notifications, Dark Patterns, die dafür sorgen, dass dein Gesicht auf den Bildschirm gerichtet bleibt. Die gesamte Plattformökonomie basiert darauf, deine Aufmerksamkeit zu monetarisieren.

Ein agentisches Betriebssystem würde das invertieren. Nicht mehr die Plattform entscheidet, was du siehst, sondern dein Agent entscheidet, was deine Aufmerksamkeit verdient. Er filtert, kuratiert, fasst zusammen und handelt rund um die Uhr autonom im Hintergrund. Die Aufmerksamkeit könnte sich damit zum ersten Mal seit 30 Jahren wieder von den Geräten wegbewegen.

In meinem letzten Artikel über WebMCP habe ich beschrieben, wie sich die Oberfläche des werbefinanzierten Internets auflöst, wenn Agents direkt mit strukturierten Schnittstellen interagieren. Hier geht es um die Konsequenz: Wenn die Oberfläche verschwindet, verschwindet mit ihr das Geschäftsmodell, das auf Oberflächen basiert.

Aus meiner Sicht ist die Frage nicht, ob das passiert. Die Frage ist: für wen.

Dein Agent arbeitet für dich — oder für jemand anderen

Wer Geld hat, leistet sich schon heute mindestens eine bezahlte KI, wenn nicht sogar die besonders leistungsfähige Max-Variante. Wer auf Produktivität Wert legt, hat längst verstanden, dass Social Media den Benutzern schadet und diese Plattformen nicht dafür sorgen, dass es einem gut geht, auch wenn die wenigsten es schaffen, die Konsequenz daraus zu ziehen. Das ist kein Geheimnis, sondern eine Binsenweisheit, die trotzdem nichts ändert, weil die konditionierenden Attention-Mechanismen mächtiger sind als Einsicht.

Ein agentisches OS könnte das technisch aufbrechen. Aber die Frage ist das Geschäftsmodell.

Klasse eins: Dein Agent arbeitet für dich. Du bezahlst ein Abo, vielleicht 200 oder 300 Euro im Monat, und der Agent ist loyal, weil du sein Kunde bist. Er filtert Werbung, kuratiert, was relevant ist, kündigt Abos, die du nicht brauchst, verhandelt Preise und handelt grundsätzlich in deinem Interesse.

Klasse zwei: Dein Agent ist kostenlos, also bist du das Produkt. Nur dass es diesmal kein Feed ist, den du theoretisch schließen könntest, sondern ein autonomer Agent, der Entscheidungen für dich trifft. Der dir das Hotel „empfiehlt“, das die höchste Provision zahlt. Der „vergisst“, dein Abo zu kündigen. Der Nachrichten so zusammenfasst, dass bestimmte Perspektiven betont werden, und einem „passende“ Produkte vorschlägt.

Das wäre fundamental schlimmer als Social-Media-Dark-Patterns. Bei Instagram weißt du zumindest theoretisch, dass du manipuliert wirst. Ein Agent, der nicht in deinem Interesse handelt, aber so tut, als ob — das wäre eine neue Kategorie von Dark Patterns.

Die Marktstruktur treibt genau dorthin: Google und Meta müssen ihre Agenten werbefinanziert anbieten; das ist ihr Geschäftsmodell. Die Alternative wäre, das eigene Geschäftsmodell abzuschaffen, und das tut kein börsennotiertes Unternehmen freiwillig. Also werden kostenlose Agenten kommen, die nicht neutral sind. Die Frage ist nur, wie sichtbar das sein wird.

Das Apple-Dilemma

Apple ist aus meiner Sicht der einzige große Player, dessen Geschäftsmodell nicht allein von Attention abhängt, weil das Unternehmen von Hardwaremargen lebt statt von Werbeeinnahmen. Apple hat das Ökosystem, die Chips, die Integration, die zahlungsbereiten Kunden und die Privacy-Positionierung. Man sollte meinen: Wenn jemand das Agentic OS bauen kann, dann Apple.

Und gleichzeitig wirkt das Unternehmen orientierungslos: Mac Studios mit M-Chips, die aus Versehen so leistungsfähig sind, dass sie lokal LLMs ausführen können, sprechen Kundengruppen an, die man schon lange aus dem Fokus genommen hatte.

Das Problem ist offensichtlich nicht die Technologie. Das Problem ist, dass ein echtes Agentic OS das gesamte bestehende Geschäftsmodell auf den Kopf stellen würde. Der App Store, die iOS-UI-Philosophie, das Verhältnis zu Content-Anbietern, die ganze Homescreen-Metapher — das alles müsste fallen. CEO Tim Cook scheint bisher jemand zu sein, dem niemand etwas vormacht, wenn es darum geht, das Bestehende zu optimieren. Aber ich glaube nicht, dass er einen 180-Grad-Turn macht, der die eigene Plattform kannibalisiert, bevor er in den Ruhestand geht.

Steve Jobs war da anders. Er hat den Flash-Krieg geführt und sich mit der gesamten Musikindustrie angelegt. Er hätte jederzeit die eigene Plattform zerstört, um die nächste zu bauen. Cook ist kein Jobs, was keine Kritik an seiner Person sein soll, weil fast niemand Jobs ist und Jobs auch Cook brauchte, um aus Apple eine Geldmaschine zu machen. Aber es bedeutet, dass Apples Zukunft auf Messers Schneide steht.

Die offenen Fragen

Die Parallelen zur Smartphone-Revolution sind für mich offensichtlich: Die Bausteine existieren, frühe Versuche scheitern an ihrer Ausführung, nicht an der Idee, und die etablierten Player bewegen sich zaghaft und tun sich schwer, die richtige Kombination der Bausteine zu finden.

Aber es gibt auch Unterschiede: Das Smartphone war ein Consumer-Gerät mit einem sofort greifbaren Nutzen, weil es Telefon, Internet und Kamera in die Hosentasche brachte. Ein agentisches Gerät hat einen vageren Nutzen, weil es Dinge, die du vorher schon getan hast, lediglich besser macht. Und der Sprung von „Ich tippe eine Nachricht“ zu „Mein Agent regelt das“ ist konzeptuell und psychologisch weiter als der Sprung, Dinge, die man bisher am PC erledigt hat, nun auch mobil mit dem Smartphone zu machen.

Dazu kommen konzeptionelle Fragen, auf die es bisher noch keine guten Antworten gibt: Eine Rund-um-die-Uhr-Aufzeichnung ist technisch möglich und für einen guten Agenten fast notwendig, aber die Microsoft-Recall-Debatte [10] hat gezeigt, wie schnell so etwas kippen kann. Ein Gerät, das alles aufzeichnet, ist immer auch ein Überwachungsgerät, und die Grenze zwischen „Mein Agent erinnert sich für mich“ und „Mein Agent überwacht mich“ ist schmaler, als man denkt.

Dazu kommt, dass die Plattformen der letzten Jahre offene Protokolle eher ab- als aufgebaut haben. RSS ist de facto tot, Twitter hat seine API geschlossen, Reddit hat seine API kostenpflichtig gemacht. Offene Standards wären gerade jetzt unglaublich mächtig, aber die Anreize stimmen nicht, weil die großen Player kurzfristig mehr durch Offenheit verlieren, als sie gewinnen.

Und dann ist da die fundamentalste Frage, nämlich, wer das Ganze baut. Nicht die Technik — die existiert. Sondern das Produkt: das Ding, das rückblickend offensichtlich wirkt, so wie das iPhone rückblickend offensichtlich wirkt. Jemand muss Voice, Touch, Agent, Cloud, Hardware, Vertrauen und Konnektivität so zusammensetzen, dass es sich anfühlt, als könnte es nicht anders sein. Das ist keine Technologiefrage, sondern eine Designfrage, und es ist die größte seit 2007.

Die Antwort könnte von einem Unternehmen kommen, das heute noch nicht existiert. Oder von einem, das wir kennen, aber unterschätzen. Oder es könnte noch ein Jahrzehnt dauern, so wie es von Engelbarts Demo bis zum Macintosh 16 Jahre gedauert hat. Die Muster der Vergangenheit sagen: Es wird kommen. Die Muster der Vergangenheit sagen auch: Es wird überraschend aussehen.

Bis dahin schicken wir uns selbst MMS.