Das Versprechen
OpenClaw ist ein Framework für autonome Agenten unter MIT-Lizenz. Es soll die Lücke zwischen dem Reasoning von LLMs und der Ausführung von Aufgaben über mehr als 50 Dienste hinweg schließen.
Unter der Haube
OpenClaw erreichte im April 2026 350.000 GitHub-Sterne und festigte damit seine Stellung als dominierendes Open-Source-Projekt für agentische Workflows (Quelle: Linux Journal). Der Einfluss des Projekts ist so groß, dass NVIDIA kürzlich „NemoClaw“ vorgestellt hat, eine Governance-Schicht für Unternehmen, die OpenClaw-Installationen für Konzernumgebungen kapselt (Quelle: GTC 2026). Der ursprüngliche Gründer Peter Steinberger wechselte im Februar 2026 zu OpenAI, um dort die Strategie für persönliche Agenten zu leiten (Quelle: InfoWorld).
Das Framework weist derzeit kritische Sicherheitslücken auf. Anfang 2026 fanden Forscher fast 50.000 Instanzen, die für Remote Code Execution (RCE) und Übernahmen anfällig waren (Quelle: Infosecurity Magazine). Das System ist außerdem anfällig für indirekte Prompt Injection: Der Agent führt schädliche Befehle aus, die in E-Mails oder Webdaten eingebettet sind (Quelle: HN Thread). Die niederländische Datenschutzbehörde (AP) hat im Februar 2026 offiziell vor der Nutzung gewarnt (Quelle: Infosecurity Magazine).
Die Betriebskosten für leistungsstarkes Reasoning sind erheblich. Anthropic hat OpenClaw-Nutzer im April 2026 auf ein nutzungsbasiertes Modell umgestellt. Frontier-Modelle wie Claude 4.5 Opus in einer autonomen Schleife zu betreiben, kostet oft Hunderte US-Dollar an monatlichen API-Gebühren (Quelle: Linux Journal, PCMag). OpenClaw wird zwar als „lokal“ vermarktet. Dennoch ist dokumentiert, dass falsch konfigurierte Instanzen Topologien von Heimnetzwerken und Authentifizierungstokens an APIs von Drittanbietern übermittelt haben (Quelle: HN Thread).
Wir wissen noch nicht, wie sich der Wrapper-Ansatz von OpenClaw in strengen Benchmarks gegenüber den nativen „Computer Use“-Funktionen von GPT-5 schlägt.
Unsere Einschätzung
OpenClaw ist ein schnelllebiges technisches Experiment und bleibt für jeden produktiven Anwendungsfall ungeeignet, der Datenintegrität verlangt. Es stellt die Breite der Integrationen über die robuste Sicherheits-Sandbox, die für autonomen Systemzugriff nötig ist. Sofern Sie nicht gezielt RCE-Lücken testen oder die Rechenkosten von Anthropic durch versehentliche Token-Schleifen subventionieren wollen, lassen Sie es im Labor.