Die grundlegende Einschränkung der meisten KI-Assistenten ist, dass sie reaktiv sind. Sie sitzen untätig da, bis man eine Nachricht sendet, verarbeiten die Anfrage, antworten und gehen wieder schlafen. Sie sind ausgefeilte Anrufbeantworter — fähig, aber passiv. Sie ergreifen nie die Initiative. Sie prüfen nie etwas. Sie sagen nie „Hey, mir ist etwas aufgefallen, das du wissen solltest."
Das ist eine seltsame Einschränkung, wenn man darüber nachdenkt. Die nützlichsten menschlichen Assistenten beantworten nicht nur Fragen — sie verwalten proaktiv Aufgaben, verfolgen Fristen nach, überwachen Situationen und liefern Informationen, bevor man danach fragt. Ein Assistent, der nur antwortet, wenn man ihn anspricht, ist hilfreich; ein Assistent, der Bedürfnisse antizipiert, ist unverzichtbar.
NanoClaws System für geplante Aufgaben schließt diese Lücke. Es ist ein Cron-ähnlicher Scheduler, der in den Host-Prozess eingebaut ist und Agent-Container zu festgelegten Zeiten startet, mit festgelegten Anweisungen, und die Ergebnisse an festgelegte WhatsApp-Gruppen liefert. Der Agent wartet nicht darauf, dass man fragt — er handelt nach einem Zeitplan, den man definiert, mit denselben Tools und Fähigkeiten wie in normalen Konversationen.
Wie geplante Aufgaben funktionieren
Die Mechanik ist einfach. Man sagt seinem NanoClaw-Assistenten in natürlicher Sprache, was er tun soll und wann. „Jeden Morgen um 8 Uhr, prüfe Hacker News auf Artikel über KI-Agents und schick mir eine Zusammenfassung." „Jeden Freitag um 17 Uhr, erinnere mich daran, meine Stundenzettel einzureichen." „Prüfe jeden Tag den Preis für Flüge nach Tokio und sag mir Bescheid, wenn er unter 800 $ fällt."
NanoClaws Host-Prozess parst den Zeitplan, speichert ihn in SQLite und führt eine Timer-Schleife aus, die auf fällige Aufgaben prüft. Wenn eine Aufgabe fällig ist, startet der Host einen Container — identisch mit den Containern für normale Konversationen — mit den Aufgabenanweisungen als initialer Nachricht. Der Agent läuft, führt die erforderlichen Aktionen aus (Web-Browsing, Dateizugriff, API-Aufrufe) und sendet das Ergebnis zurück an die angegebene WhatsApp-Gruppe.
Die Aufgabe läuft in derselben isolierten Container-Umgebung wie jede andere Agent-Interaktion. Sie hat dieselben Tools, dieselben Sicherheitsgrenzen, denselben CLAUDE.md-Speicher für Kontext. Der einzige Unterschied ist, dass der Auslöser ein Timer ist statt einer Nutzernachricht.
Muster, die tatsächlich funktionieren
Die Muster für geplante Aufgaben, die Nutzer am wertvollsten finden, fallen tendenziell in einige Kategorien, und sie sind interessanter als einfache Erinnerungen.
Das erste ist Monitoring. „Prüfe diese Website jede Stunde und sag mir, wenn sich etwas ändert." Das ist überraschend mächtig, weil der Agent nicht nur auf Änderungen prüft — er versteht sie. Eine Preisüberwachungsaufgabe meldet nicht nur „der Preis hat sich von 899 $ auf 749 $ geändert." Sie meldet „der Flug nach Tokio ist über Nacht um 17 % gefallen — das ist der niedrigste Stand in den drei Wochen, die ich ihn verfolge. Soll ich weiter beobachten oder reicht das zum Buchen?"
Das zweite ist Digest-Erstellung. „Jeden Morgen, fasse die Top-Stories aus diesen drei Nachrichtenquellen zusammen, die für meine Arbeit im Bereich KI-Infrastruktur relevant sind." Der Agent browst die Seiten, liest die Artikel, filtert nach Relevanz basierend auf dem, was er über die eigenen Interessen weiß (aus dem CLAUDE.md-Speicher), und liefert ein personalisiertes Briefing. Das ersetzt die 30 Minuten, die man mit dem Scrollen durch News-Feeds verbringen würde, durch eine 2-Minuten-Lektüre, die bereits auf das Wesentliche gefiltert ist.
Das dritte sind wiederkehrende administrative Aufgaben. „Jeden Montagmorgen, prüfe die GitHub Issues meines Projekts und fasse zusammen, was neu ist, was veraltet ist und was Aufmerksamkeit braucht." Der Agent nutzt Web-Browsing (oder MCP, wenn man den GitHub MCP-Server konfiguriert hat), um die Daten zu ziehen, analysiert sie und liefert eine handlungsorientierte Zusammenfassung. Es ist die Art von Aufgabe, die einen Menschen 15 Minuten Klicken durch GitHubs UI kostet, aber einen Agent 30 Sekunden API-Aufrufe.
Das vierte ist Fristenmanagement. „Meine Steuererklärungsfrist ist der 15. April. Ab dem 1. März erinnere mich wöchentlich. Ab dem 1. April erinnere mich täglich." Der Agent sendet nicht nur eine Erinnerung — er sendet eine kontextbezogene. „Deine Steuerfrist ist in 8 Tagen. Als wir das letzte Mal darüber gesprochen haben, hast du erwähnt, dass du noch auf deine W-2 von deinem Freelance-Kunden wartest. Ist die angekommen?"
Die Architektur dahinter
Das System für geplante Aufgaben ist bewusst einfach — vielleicht 50 Zeilen Code in NanoClaws Kern. Es speichert Aufgaben in einer SQLite-Tabelle mit Spalten für den Cron-Ausdruck, den Anweisungstext, die Zielgruppe und die letzte Ausführungszeit. Eine setInterval-Schleife prüft jede Minute auf fällige Aufgaben und startet Container für alle, die übereinstimmen.
Diese Einfachheit ist beabsichtigt. Die Komplexität geplanter Aufgaben liegt nicht im Scheduling — sie liegt in der Ausführung. Der schwierige Teil von „prüfe jeden Morgen Hacker News" ist nicht, Code um 8 Uhr auszuführen. Es ist, eine Website zu browsen, Artikel zu lesen, Relevanz zu bewerten und eine kohärente Zusammenfassung zu schreiben. Dieser schwierige Teil wird von Claude im Container übernommen, mit demselben Agent SDK und denselben Tools, die auch normale Konversationen verarbeiten.
Die Alternative — eine ausgefeilte Task-Execution-Engine mit Retry-Logik, Abhängigkeitsmanagement und Workflow-Graphen zu bauen — würde Tausende Zeilen Code hinzufügen, um ein Problem zu lösen, das die KI selbst besser handhabt. Claude weiß bereits, wie man eine fehlgeschlagene Web-Anfrage wiederholt, wie man mit einer vorübergehend nicht erreichbaren Website umgeht und wie man ein nützliches Ergebnis produziert, selbst wenn einige Datenquellen nicht verfügbar sind. Der Scheduler muss es nur zur richtigen Zeit auslösen.
Aufgaben über Konversation verwalten
Die Aufgabenverwaltung erfolgt über dasselbe WhatsApp-Interface wie alles andere. „Zeig mir meine geplanten Aufgaben" listet sie auf. „Storniere die Flugpreisüberwachung" entfernt sie. „Ändere den News-Digest auf 7 Uhr statt 8 Uhr" aktualisiert den Zeitplan. „Pausiere alle Aufgaben bis Montag" setzt sie vorübergehend aus.
Das konversationelle Interface bedeutet, dass man keine Aufgabenverwaltungs-UI lernen oder sich Cron-Syntax merken muss. Man beschreibt in natürlicher Sprache, was man will, und der Agent übersetzt es in eine geplante Aufgabe. Wenn der Zeitplan mehrdeutig ist — „erinnere mich alle paar Tage" — fragt der Agent nach Klärung, statt zu raten.
Aufgaben sind auf WhatsApp-Gruppen begrenzt, was bedeutet, dass die Aufgaben der Arbeitsgruppe nicht in der Familiengruppe erscheinen und umgekehrt. Der Admin-Kanal (die Direktnachricht mit dem Assistenten) kann alle Aufgaben über alle Gruppen hinweg sehen und verwalten, aber Gruppenmitglieder sehen nur Aufgaben, die zu ihrer Gruppe gehören.
Der Wandel von reaktiv zu proaktiv
Das System für geplante Aufgaben verändert die Beziehung zum eigenen KI-Assistenten auf eine Weise, die man erst nach einigen Wochen Nutzung wirklich zu schätzen weiß. Der Assistent hört auf, etwas zu sein, zu dem man geht, wenn man eine Frage hat, und wird zu etwas, das zu einem kommt, wenn es etwas Wissenswertes gibt.
Der Morgen beginnt mit einem personalisierten News-Digest statt mit Social-Media-Scrollen. Das Projekt bleibt auf Kurs, weil der Assistent veraltete Issues aufdeckt, bevor sie zu Problemen werden. Die Reisepläne profitieren von kontinuierlicher Preisüberwachung, die manuell mühsam wäre. Fristen werden von etwas verwaltet, das sich an Kontext erinnert und angemessen eskaliert.
Die technische Implementierung ist einfach — eine Timer-Schleife und eine SQLite-Tabelle. Aber der Verhaltenswandel, den sie ermöglicht, ist bedeutsam. Ein reaktiver Assistent ist ein Werkzeug, das man nutzt. Ein proaktiver Assistent ist ein Partner, der neben einem arbeitet und die Überwachungs- und Wartungsaufgaben übernimmt, die wichtig, aber leicht zu vergessen sind. Der Unterschied zwischen beiden sind fünfzig Zeilen Scheduling-Code und eine KI, die fähig genug ist, nützliche Arbeit zu leisten, ohne genau gesagt zu bekommen, wie.