Bislang galt für die meisten digitalen Oberflächen eine einfache Annahme: Am anderen Ende sitzt ein Mensch, der klickt, scrollt und tippt. Zwei aktuelle Meldungen zeigen, dass diese Annahme bröckelt. Google stattet die Gemini-App für den Mac mit einer Funktion namens Computer Use aus, bei der das KI-Modell selbstständig Desktop-Programme, lokale Dateien und Webseiten bedient. Parallel dazu testet das Unternehmen einen Browseragenten für Chrome in einer abgeschotteten Umgebung gegen Tausende eigens gebaute Fake-Webseiten.

Beide Entwicklungen gehören zusammen. Die eine zeigt, was Agenten künftig können sollen. Die andere zeigt, wie aufwendig es ist, diese Fähigkeit abzusichern.

Computer Use: Der Agent arbeitet im Hintergrund weiter

Computer Use beschreibt die Fähigkeit eines KI-Modells, eine grafische Benutzeroberfläche so zu bedienen wie ein Mensch — also durch Betrachten des Bildschirminhalts, Klicken und Eingeben, statt über eine Programmierschnittstelle. Genau das zieht nun in die Mac-Version der Gemini-App ein.

Laut der Beschreibung navigiert die KI eigenständig durch Desktop-Programme, lokale Dateien und Webseiten. Entscheidend für die Praxistauglichkeit ist dabei ein Detail der Umsetzung: Die Schritte laufen in einem isolierten Hintergrundfenster mit Live-Vorschau ab. Nutzerinnen und Nutzer können also an ihrem eigentlichen Arbeitsplatz weiterarbeiten, während der Agent parallel seine Aufgabe abarbeitet — und gleichzeitig nachvollziehen, was dort gerade passiert.

Dieser Punkt ist wichtiger, als er auf den ersten Blick wirkt. Frühere Ansätze dieser Art blockierten in der Regel Maus und Tastatur, weil der Agent denselben Bildschirm benutzte wie der Mensch. Das machte solche Automatisierungen in der täglichen Arbeit schwer einsetzbar. Ein eigenes, abgetrenntes Fenster mit Vorschau löst zwei Probleme gleichzeitig: Es stört den Arbeitsfluss nicht und es hält die Kontrolle beim Menschen, weil die einzelnen Schritte sichtbar bleiben.

Tausende Fake-Webseiten als Testumgebung

Die zweite Meldung betrifft den Browseragenten in Chrome. Google konfrontiert ihn in einer abgeschotteten Testumgebung gezielt mit manipulierten Inhalten — dafür wurden Tausende Fake-Webseiten gebaut. Über die konkreten Angriffsmuster und Ergebnisse liegen keine näheren Angaben vor, der Umfang des Aufbaus spricht aber für sich.

Der Hintergrund ist ein strukturelles Problem agentischer Systeme: Ein Agent, der Webseiteninhalte liest, um daraus seine nächsten Schritte abzuleiten, kann grundsätzlich nicht sauber zwischen den Anweisungen seiner Nutzerin und Textbausteinen unterscheiden, die auf der Seite stehen. Wer eine Seite kontrolliert, kann versuchen, dort Inhalte zu platzieren, die der Agent als Handlungsanweisung interpretiert. Dass Google für diesen Prüfpunkt eine eigene Testinfrastruktur in dieser Größenordnung aufbaut, zeigt, dass das Thema als ernsthaftes Hindernis für den Breiteneinsatz gesehen wird.

Was die beiden Quellen gemeinsam zeigen

Die Meldungen beschreiben unterschiedliche Produkte — eine Desktop-App für den Mac und einen Agenten im Chrome-Browser — und unterschiedliche Phasen: Die Gemini-Funktion wird ausgerollt, die Sicherheitstests laufen in einer abgeschotteten Umgebung. Gemeinsam ist beiden das Muster: Die Oberfläche wird zur Schnittstelle. Software bedient Software über denselben Weg, den bisher Menschen genommen haben.

Auffällig ist, dass in beiden Fällen Isolation das zentrale Konstruktionsprinzip ist. Beim Mac-Agenten das isolierte Hintergrundfenster, bei den Sicherheitstests die abgeschottete Umgebung. Agentische Systeme werden derzeit offenkundig so gebaut, dass sich ihr Wirkungsbereich eingrenzen lässt — und nicht so, dass man ihnen uneingeschränkt vertraut.

Konsequenzen für Website-Betreiber

Wenn ein wachsender Anteil der Interaktionen mit einer Website nicht mehr von Menschen, sondern von Agenten im Auftrag von Menschen ausgeht, verschieben sich einige Prioritäten. Drei Bereiche sind dabei absehbar relevant:

  • Maschinenlesbare Struktur: Semantisch sauberes HTML, eindeutig beschriftete Formularfelder, konsistente Navigationsmuster und verlässliche Statusmeldungen. Vieles davon überschneidet sich mit dem, was ohnehin für Barrierefreiheit erforderlich ist — ein Agent, der eine Oberfläche interpretieren muss, steht vor ähnlichen Fragen wie ein Screenreader.
  • Vorhersagbare Abläufe: Prozesse, die auf exakte Mausbewegungen, Hover-Effekte oder visuelle Feinheiten angewiesen sind, lassen sich schlechter automatisiert bedienen als klar strukturierte, schrittweise Formulare mit sichtbaren Zuständen.
  • Manipulationsschutz bei fremden Inhalten: Überall dort, wo Dritte Text auf einer Seite platzieren können — Kommentare, Bewertungen, Profiltexte, hochgeladene Dokumente — entsteht eine Fläche, über die versucht werden kann, besuchende Agenten zu beeinflussen. Moderation und Filterung bekommen damit eine zusätzliche Funktion.

Realistisch bleiben

Gleichzeitig lohnt Zurückhaltung bei allzu weitreichenden Schlussfolgerungen. Beide Meldungen betreffen Produkte eines Anbieters, zum Verbreitungsgrad und zur Zuverlässigkeit im Alltag liegen keine belastbaren Angaben vor. Niemand sollte eine bestehende Website jetzt für hypothetische Agentenbesuche umbauen.

Sinnvoll ist eher, die Entwicklung bei anstehenden Entscheidungen mitzudenken: bei einem Relaunch, bei der Konzeption neuer Self-Service-Strecken, bei der Frage, ob ein Prozess zusätzlich über eine dokumentierte Schnittstelle erreichbar sein sollte. Eine saubere API bleibt für Software der verlässlichere Weg als eine nachgebaute Klickstrecke.

Einordnung für Web- und Softwareprojekte

Für laufende Projekte heißt das vor allem: Sauberes, semantisches Markup und klar strukturierte Prozesse zahlen sich doppelt aus — sie dienen der Barrierefreiheit und machen Oberflächen zugleich für Software interpretierbar. Wer Inhalte von Dritten auf seiner Seite zulässt, sollte Moderation künftig auch unter dem Gesichtspunkt betrachten, dass dort Texte landen können, die sich nicht an Menschen richten. Und wo Automatisierung ein echtes Ziel ist, bleibt eine dokumentierte Schnittstelle die robustere Lösung als die Hoffnung, dass ein Agent die Oberfläche schon richtig versteht.

Quellen