Praktische Lehren aus dem Einsatz von OpenClaw in fünf Unternehmen

Ein Entwickler mit fünf OpenClaw-Instanzen im Produktivbetrieb auf Hetzner VPS teilt konkrete Erkenntnisse aus echten Geschäftseinsätzen.

Infrastrukturentscheidungen

Der Entwickler testete lokale Bereitstellung (am einfachsten, aber nicht skalierbar) und AWS (teuer), bevor er sich für Hetzner CPX22 zu 13 €/Monat (3 vCPU, 4 GB RAM) entschied, da es günstig, schnell und stabil ist. Eine wichtige Erkenntnis: WhatsApp funktioniert nicht mit Rechenzentrums-IPs, da Meta diese blockiert, was zu zwei verlorenen Tagen bei der Beantragung der Meta Developer App führte. Telegram wurde zum Standard, da seine API toleranter ist als die von WhatsApp.

Jeder Kunde erhält seinen eigenen VPS. Mehrinstanzenfähigkeit wurde früh getestet, aber verworfen, weil ein fehlerhafter Prozess eines Kunden nicht den Agenten eines anderen Kunden beeinträchtigen sollte. Die Isolation wird als 13 €/Monat wert und nicht verhandelbar angesehen.

Onboarding und Personalisierung

Frühe Agenten waren generisch, aber nicht effektiv. Der Entwickler erstellte ein 26-Fragen-Formular, das in einen n8n-Workflow fließt, der automatisch eine SOUL.md und USER.md für jede Bereitstellung generiert. Das Formular behandelt Geschäftstyp, Tonpräferenzen, was der Agent selbst erledigen vs. eskalieren soll, genutzte Tools, Tagesablauf und Kommunikationsstil. Ein Nutzer berichtete, der Agent sei "sofort nach der Einrichtung nützlich und spezifisch".

Der Entwickler merkt an: "Ein generischer Agent ist ein Produkt. Ein personalisierter ist ein Teammitglied. Und je mehr sie ihn nutzen, desto mehr wird er eingebettet."

Abrechnungsansatz

Was nicht funktioniert: Einrichtungskosten verlangen und hoffen, dass Kunden bleiben. Was funktioniert: 7-tägige kostenlose Testphase mit dem Anthropic API-Key des Entwicklers (Kosten: 5–15 $), danach erhalten Kunden ihren eigenen Key. Der Entwickler führt sie live auf Zoom in etwa 10 Minuten durch die Einrichtung. Kunden sehen die Transparenz und tragen ihre eigenen Kosten. Ein Kunde wechselte in 3 Minuten von Claude zu OpenAI, weil er bereits ein Abonnement hatte.

Modell-Tiering-Strategie

Der Standard-Stack pro Bereitstellung:

• Haiku: Heartbeats, einfache Antworten, Routinechecks (90 % des Volumens)
• Sonnet: Komplexe Aufgaben, mehrstufige Workflows, alles, was Urteilsvermögen erfordert (9 %)
• Opus: Strategisches Denken, hochriskante Entscheidungen (1 %)

Der Entwickler vergleicht dies mit einer typischen Kleinunternehmensstruktur: "Die Visionärin/der Gründer an der Spitze, dann kommen Leute hinzu, um die Vision umzusetzen."

Wichtiger Tipp: Modelle bei jedem Cron-Job festpinnen. Einmal vergessen führte dazu, dass Heartbeats eine Woche lang auf Sonnet liefen und eine Rechnung von 40 $ verursachten.

Technische Optimierung

Nutze das Betriebssystem, nicht das LLM, für mechanische Aufgaben wie Log-Rotation, Neustart von Diensten oder Dateisicherung. Das LLM wird für Entscheidungen aufgerufen, während das Betriebssystem die Mechanik übernimmt. Dies reduzierte den Token-Verbrauch über alle Bereitstellungen um etwa 30 %.

Praktische Anwendungsfälle

• Pflegeagentur: CQC-Compliance-Erinnerungen, Mitarbeiterplanungskonflikte, Richtlinienabfrage (spart ~5 Stunden/Woche)
• Event-Unternehmen: Lead-Erfassung, Follow-up-Sequenzen, Angebotserstellung integriert mit CRM
• SEN-Berater: EHCP-Fristenverfolgung, Kommunikationsvorlagen für Eltern, Terminplanung mit Schulen
• Auto-Detailer (Florida): Terminbuchung, Bewertungs-Follow-ups, Foto-Organisation
• Eigener Agent des Entwicklers: Strategische Planung, Inhaltserstellung, Erinnerung über 4.000+ Workspace-Dateien

Der Entwickler stellt fest: "Keiner von ihnen wollte einen Chatbot. Sie wollten ein Betriebssystem für ihr Geschäft, das zufällig KI nutzt."