AutoClaw: Z.ais Agent, der nicht chattet, sondern arbeitet

Was ist AutoClaw überhaupt?

AutoClaw ist der Agent-Layer von Z.ai – derselbe Anbieter, hinter dem auch GLM-5.2 steht. Die Positionierung ist klar formuliert: „Your AI Partner That Does the Work." Kein Chatbot, der dir antwortet. Ein Agent, der tatsächlich Aufgaben ausführt.

Das Bedienkonzept ist absichtlich unspektakulär:

1. Ziel im Chat beschreiben – kein Dashboard-Labyrinth, kein Setup-Wizard.
2. AutoClaw zerlegt und führt aus – mit echten Tools, ohne ständiges Nachfragen.
3. Ergebnis im Chat zurück – inkl. Kontext und Next Steps, im selben Thread.

Unter der Haube läuft GLM-5.2 im Open Trial, und – das ist der für uns spannendste Teil – AutoClaw unterstützt Hermes Self-Evolution, also die Loop, in der der Agent eigene Strategien iterativ verbessert.

Was kann AutoClaw konkret?

Z.ai bewirbt vier primäre Anwendungsfelder, die im Test auch tatsächlich tragen:

Was AutoClaw von einem „ChatGPT mit Tools" unterscheidet: Es behält die Aufgabe über mehrere Schritte hinweg im Kopf, ohne dass du es jedes Mal antippen musst. Das ist genau die Long-Horizon-Disziplin, in der GLM-5.2 im Benchmark erstaunlich nah an Claude Fable 5 liegt.

Der Nutzen – ehrlich eingeordnet

Wir bauen seit Jahren Agenten-Infrastruktur (OpenClaw, TillClawn 🤡, NanoClaw). Aus dieser Brille ist der ehrliche Mehrwert von AutoClaw:

• Zero-Setup-Agent für Endnutzer. Wer nicht selbst hosten will, bekommt eine produktive Agenten-Erfahrung, ohne MCP-Server zu schrauben.
• Solides Default-Routing. Aufgaben landen bei GLM-5.2 – günstig, on-prem-fähig, qualitativ nah am US-Frontier. Genau das Modell, das wir aktuell für 80 % der Coding-Tasks empfehlen.
• Hermes-Loop ohne Bastelei. Self-Improving-Agents sind sonst ein Stack-Projekt. Hier sind sie ein Toggle.
• Chat als Interface. Kein zusätzliches Tool für die Organisation. Die Aufgabe lebt dort, wo sie eh besprochen wird.

Was AutoClaw nicht löst: Enterprise-Anbindungen an interne Systeme mit Audit, RBAC, SSO und DSGVO-konformem Self-Hosting. Dafür ist OpenClaw / TillClawn 🤡 weiterhin der Layer der Wahl – AutoClaw ist deutlich näher am „persönlichen AI-Mitarbeiter" als am „Agenten-Backbone fürs Unternehmen".

Beispiel: AutoClaw im Zusammenspiel mit unserem Agent Cluster

Konkretes Setup aus einem laufenden Projekt – datenschutzunkritische Markt-Recherche, danach Übergabe an interne Tools.

Aufgabe (im Chat an AutoClaw):

„Recherchiere alle DACH-Anbieter für lokale AI-Inferenz mit GPU-Hosting, vergleiche Pricing pro 1M Token für 70B-Modelle und schreibe das Ergebnis als Tabelle in unser Notion-Board ‚AI Infra Watch'."

Was passiert:

1. AutoClaw zerlegt die Aufgabe in drei Schritte: Recherche → Normalisierung → Übergabe.
2. Die Recherche läuft über GLM-5.2 mit Web-Tools – Output: Roh-Liste mit Anbietern und Preisen.
3. Die Normalisierung erfolgt im Agent Cluster: Ein Sub-Agent harmonisiert Token-Preise (per 1M Input/Output), ein zweiter holt fehlende Werte über gezielte Folge-Suchen nach.
4. Hermes-Evolution greift im Cluster: Strategien, die in Schritt 3 zu sauberen Ergebnissen geführt haben, werden für den nächsten Recherche-Run bevorzugt.
5. Übergabe an unser internes Notion via OpenClaw-Skill – RBAC, Audit-Log, Markdown-Format.
6. AutoClaw meldet im Chat: „Tabelle erstellt, 14 Anbieter, 3 mit fehlenden Werten markiert."

Der Punkt: AutoClaw übernimmt den Frontend-Loop, der Agent Cluster + OpenClaw übernehmen den operativen, audit-pflichtigen Teil. Beides spielt zusammen, weil GLM-5.2 unter beiden Layern dasselbe Modell ist – und die Tool-Aufrufe identisch geroutet werden.

Vergleich zu den anderen Claws

Die Lager-Logik dahinter: AutoClaw ist der Endnutzer-Layer, OpenClaw / TillClawn 🤡 die Infrastruktur, NanoClaw und ZeroClaw die Edge-Varianten. Sie konkurrieren weniger, als die Naming-Verwandtschaft suggeriert – sie besetzen unterschiedliche Schichten desselben Agenten-Stacks.

Wann lohnt sich AutoClaw heute?

Aus unserer Sicht sinnvoll, wenn:

• du schnell einen produktiven Agenten brauchst, ohne Infrastruktur zu betreiben,
• deine Tasks datenschutzunkritisch sind (Recherche, Reporting, Social Media, Marktanalysen),
• du Kosten im Blick behalten musst – GLM-5.2 ist deutlich günstiger als die US-Top-Modelle,
• du Hermes-Evolution ausprobieren willst, ohne einen Self-Improving-Stack selbst zu bauen.

Weniger geeignet, wenn:

• du DSGVO-kritische Daten verarbeitest und kein Self-Hosting hast,
• du tiefe Integrationen in interne Systeme mit Audit-Pflicht brauchst,
• du Latenz-kritische Voice- oder Live-Workflows abdecken willst.

Fazit

AutoClaw ist die saubere Endnutzer-Manifestation dessen, was Z.ai gerade unter der Haube baut: ein Agenten-Layer, der nicht so tut, als wäre er ein Chatbot. In Kombination mit GLM-5.2 entsteht ein Setup, das in der Praxis genau das tut, was viele teurere Tools nur versprechen – die Aufgabe übernehmen und das Ergebnis liefern.

Für unsere eigenen Projekte heißt das: AutoClaw kommt überall dort zum Einsatz, wo der Frontend-Loop wichtig ist und keine Enterprise-Anbindung nötig ist. Den Backbone bauen wir weiterhin auf OpenClaw und TillClawn 🤡. Beides zusammen ergibt ein Bild, das sich vor den US-Stacks nicht verstecken muss.

---

Weiterlesen:

• Z.ai GLM-5.2 – warum der nächste Frontier-Sprung aus China kommt
• Was ist OpenClaw?
• NanoClaw – der schlanke OpenClaw-Nachfolger
• „Claude Code hat OpenClaw gekillt" – Mythos eingeordnet