KI-Agenten werden immer besser darin, Dinge für uns zu erledigen.
Sie können recherchieren, Code schreiben, Dateien verwalten, E-Mails bearbeiten und mit Websites interagieren. Aber es gibt ein Problem, das mit zunehmender Leistungsfähigkeit der Agenten immer wichtiger wird:
Was passiert, wenn man einem KI-Agenten die Fähigkeit gibt, tatsächlich zu handeln?
Hier wird @NEAR Protocol AI's IronClaw 1.0 interessant.
IronClaw ist ein Open-Source-KI-Agent-Framework, das um eine einfache Idee herum entwickelt wurde: Das System, das entscheidet, was passieren soll, sollte nicht dasselbe System sein, das die Aktion direkt ausführt.
IronClaw trennt die Entscheidungsfindung von der Ausführung stattdessen über eine Sicherheits- und Koordinationsschicht namens „Guard“.
Das mag wie eine kleine architektonische Entscheidung klingen.
Das ist nicht so.
Der Guard verändert, wie ein KI-Agent arbeitet
Traditionelle KI-Agenten können dazu führen, dass das Modell direkt zwischen dem Nutzer und den Tools sitzt, auf die es zugreifen kann.
Das Modell denkt nach, ruft ein Tool auf, greift auf Informationen zu, führt eine Aktion aus und setzt von dort aus fort.
Das schafft eine sehr große Angriffs- bzw. Vertrauensoberfläche.
IronClaw verfolgt einen anderen Ansatz.
Das Modell kann entscheiden, was es tun möchte, aber Aktionen laufen durch die Guard-Schicht, bevor sie ausgeführt werden. Dadurch gehören explizite Freigaben und kontrollierte Ausführung zur Architektur – nicht zu etwas, das später als Patch hinzugefügt wird.
Für Unternehmen ist das relevant.
Ein KI-Agent, der E-Mails versenden, Dokumente bearbeiten, auf Unternehmenssysteme zugreifen oder mit Websites interagieren kann, braucht mehr als Intelligenz. Er braucht Leitplanken.
IronClaw versucht im Kern, diese Leitplanken zu einem Bestandteil des Agenten selbst zu machen.
Die Benchmark-Zahlen lohnen sich, genauer hinzusehen
IronClaw 1.0 ist nicht nur ein interessantes Sicherheits-Experiment. Es schneidet auch bei Agent-Benchmarks extrem gut ab.
Mit demselben DeepSeek-V4-Flash-Basismodell für den Vergleich führt IronClaw derzeit drei große Benchmarks an:
PinchBench: 93,5%
PinchBench bewertet Agenten anhand von 147 praxisnahen Aufgaben, die Dinge wie Terminplanung, E-Mail, Programmieren, Recherche und Dateiverwaltung abdecken.
ClawBench: 88,6%
ClawBench testet Agenten über mehr als 140 echte Websites hinweg und konzentriert sich auf komplexe, mehrstufige Aufgaben mit echter Web-Interaktion.
OfficeQA: 76,4%
OfficeQA-Tests beruhen auf begründetem Denken über große Bestände an Unternehmensdokumenten, einschließlich schwieriger PDFs, Tabellen und numerischer Informationen.
Der entscheidende Punkt hier ist, dass die Benchmark-Vergleiche dasselbe zugrunde liegende Modell verwenden. Das macht den Leistungsunterschied noch aussagekräftiger, weil es hervorhebt, was der Agent selbst beiträgt.
Mit anderen Worten: Das Modell ist wichtig – aber auch die Infrastruktur rund um das Modell.
Das ist eine Erkenntnis, die die KI-Branche langsam erst lernt.
Intelligenz ist nur ein Teil eines Agenten
Eine weitere Stärke von IronClaw ist der persistente Zustand.
Wenn ein Agent zur Hälfte durch eine komplizierte Aufgabe ist und etwas ihn unterbricht, verschwindet die Arbeit nicht einfach. IronClaw nutzt Checkpoints, damit der Agent fortsetzen kann, statt bei null zu starten.
Das klingt selbstverständlich, bis man sich vorstellt, einen Agenten für echte geschäftliche Abläufe einzusetzen.
Ein menschlicher Mitarbeiter vergisst nicht alles, nur weil der Laptop neu gestartet wurde.
Ein Unternehmens-KI-Agent sollte das ebenfalls nicht.
IronClaw unterstützt außerdem ein Omni-Channel-Memory-Modell über Umgebungen hinweg wie CLI, Web, Slack und Telegram. Das bedeutet, dass der Agent nützlich bleiben kann, während Nutzer zwischen verschiedenen Oberflächen wechseln, statt in jeder Umgebung zu einem völlig anderen Assistenten zu werden.
Außerdem gibt es Team-Isolationsfunktionen, die dafür ausgelegt sind, Arbeitsbereiche zu trennen und das Risiko zu verringern, dass Informationen zwischen verschiedenen Nutzern oder Teams „überlaufen“.
Für Organisationen sind das keine rein kosmetischen Funktionen.
Sie sind Teil davon, KI-Agenten auch jenseits von Demos nutzbar zu machen.
Wo NEAR AI in das größere Gesamtbild passt
IronClaw ist ein Teil einer viel größeren NEAR-AI-Vision.
NEAR AI beschreibt seine Mission rund um den Aufbau von KI, die privat, verifizierbar und nutzergemäß ist. Seine Infrastruktur nutzt vertrauliches Computing und Trusted Execution Environments, sodass KI-Workloads in hardware-gestützten Umgebungen laufen können – mit unabhängig verifizierbaren Attestierungen.
Das ist wichtig, weil dezentrale KI nicht einfach bedeutet, ein KI-Modell auf eine Blockchain zu setzen.
Die größere Herausforderung besteht darin, Infrastruktur aufzubauen, in der Nutzer die Kontrolle über ihre Daten, Berechnungen und Agenten behalten können – und gleichzeitig den Komfort moderner KI erhalten.
Hier kommt das Staking ins Spiel.
Im Juli 2026 führte NEAR AI Staking für KI-Dienste ein. Damit konnten Nutzer NEAR staken, um vertrauliche Inferenz zu nutzen und IronClaw-Agenten zu hosten. Das Modell verknüpft den Stake des Nutzers mit KI-Compute-Credits und dem Hosting von Agenten, statt Staking als reines Yield-Produkt zu behandeln.
Das schafft eine interessante Beziehung zwischen dem Netzwerk und der KI-Schicht.
Staking hilft, die zugrunde liegende NEAR-Infrastruktur zu sichern und wird zugleich Teil des wirtschaftlichen Mechanismus, über den Nutzer auf KI-Dienste zugreifen.
Wenn also Leute über Staking bei NEAR sprechen, finde ich, sollte man über das übliche „Wie viel APY?“ hinausblicken.
Die spannendere Frage ist:
Welche Infrastruktur helfen Sie zu sichern?
Wenn KI-Agenten zu einem bedeutenden Bestandteil davon werden sollen, wie Menschen mit Software, Finanzen und digitalen Diensten interagieren, dann brauchen diese Agenten zuverlässige Infrastruktur darunter.
IronClaw zeigt, wie die Agentenebene aussehen kann.
NEAR Protocol AI arbeitet an der vertraulichen und verifizierbaren Infrastruktur darum herum.
Und Staking hilft, die wirtschaftliche Absicherung des Netzwerks mit dieser entstehenden KI-Ökologie zu verbinden.
Die Zukunft von KI-Agenten wird nicht allein dadurch bestimmt, wer das klügste Modell baut.
Es wird außerdem davon abhängen, wer die sicherste, verlässlichste und am stärksten nutzerkontrollierte Infrastruktur rund um diese Modelle baut.
Das ist der Teil der NEAR-AI-Story, der für mich am interessantesten ist.
#NEARAI #IronClaw $NEAR