PandaOS: Die Workstation, die ich mir immer gewünscht habe

Je mehr man automatisiert, desto größer die Abhängigkeit

Nicht nur das Programmieren, die Art, wie wir überhaupt arbeiten, verändert sich gerade grundlegend. Immer öfter geht es darum, eine KI anzuleiten und ihre Ergebnisse zu verantworten, statt jeden Schritt selbst auszuführen. Genau hier liegt für mich der wunde Punkt der aktuellen Werkzeuge. Wer sich für Cursor, Claude Cowork oder ähnliche Lösungen entscheidet, baut seinen gesamten Workflow um einen einzigen Anbieter herum. Und je mehr davon automatisiert wird, desto tiefer wird diese Abhängigkeit.

Für Unternehmen ist das keine Kleinigkeit, gerade im Licht der aktuellen Diskussion um US-Anbieter und digitale Souveränität. Kernprozesse vollständig auf ein fremdes Werkzeug zu stützen, über das man keine Kontrolle hat, ist ein Risiko, das viele zu Recht scheuen. PandaOS setzt deshalb an einer anderen Stelle an: Es ist die Workstation, die Oberfläche, das Bediensystem. Die Intelligenz dagegen kommt von außen und bleibt frei wählbar. Sie lässt sich aus der Cloud beziehen oder vollständig lokal auf dem eigenen Rechner betreiben, ganz ohne Bindung an einen einzelnen Anbieter.

Drei Achsen, die sich unabhängig wählen lassen

Möglich wird das, weil PandaOS drei Dinge sauber trennt, die anderswo fest verdrahtet sind.

1. Die Harness ist die Ausführungsschicht, die das Modell zum Agenten macht: Sie bestimmt, wie geplant wird, welche Werkzeuge zum Einsatz kommen und wie eine Aufgabe abgearbeitet wird. PandaOS unterstützt schon heute mehrere Harnesses, etwa die von Claude Code oder OpenCode, jede mit eigenen Stärken, und die Architektur ist von Grund auf darauf ausgelegt, weitere aufzunehmen. So lässt sich die Arbeitsweise wählen, die zur Aufgabe passt. 
2. Die Subscription bestimmt, worüber abgerechnet wird, sei es ein eigenes Abo wie Claude oder ChatGPT oder die Credits von PandaOS.

Diese Achsen sind frei kombinierbar und jederzeit wechselbar. Und das Entscheidende ist, was beim Wechsel nicht passiert: Projekte, Konventionen, Skills und der gesamte aufgebaute Kontext bleiben vollständig erhalten. Steigt ein Anbieter im Preis oder überholt ein neues Modell das alte, ist der Umzug eine Sache von Sekunden, ohne dass die Umgebung neu aufgebaut werden muss. Der Anbieter wird zur austauschbaren Beilage, nicht zum Fundament.

Wenn die Daten das Haus nicht verlassen dürfen

Vor Kurzem arbeitete ich an einem Projekt mit sensiblen Daten, die den eigenen Rechner nicht verlassen durften. Sprich, kein Cloud-Anbieter, ohne Ausnahme. Früher hätte das bedeutet in ein anderes Werkzeug zu wechseln und in einer anderen Umgebung noch einmal von vorne zu beginnen. In PandaOS habe ich stattdessen für dieses Projekt ein lokal betriebenes Modell gewählt. Ein Wechsel, ein Klick.

Und das Entscheidende: alles andere blieb, wie es war. Dieselben Konventionen, dieselben Skills, derselbe aufgebaute Kontext, nur dass die Intelligenz jetzt vollständig auf meinem Rechner lief und keine Zeile das Haus verließ. Was bei anderen Werkzeugen eine Grundsatzentscheidung über den gesamten Workflow ist, kann in PandaOS durch einzelne Projekt-Einstellungen gelöst werden. Souveränität ist damit keine Frage des Anbieters mehr, sondern meine eigene.

Konventionen an einem Ort: Regeln, Skills und Vorlagen

Damit beim Wechsel nichts verloren geht, gehören Konventionen dem Projekt, nicht dem Modell. Regeln halten fest, wie in einem Team gearbeitet wird, welche Muster gelten und welche Vorgaben einzuhalten sind. Skills kapseln wiederkehrende Abläufe, die die KI auf Abruf ausführt. Und Vorlagen schnüren beides zu einem fertigen Startpunkt zusammen.

Niemand muss dafür bei null anfangen. PandaOS bringt eine kuratierte Bibliothek an Agenten und Skills bereits mit, vom Code-Reviewer über den Test-Spezialisten bis zum Rechercheur, die sich aus einem Katalog auswählen und mit einem Klick installieren lassen. So ist eine projektreife Mannschaft an spezialisierten Helfern in Sekunden eingerichtet, und wer eigene Bausteine braucht, ergänzt sie daneben.

Am besten zeigt das die PandaOS Template für eine Full-Stack-App. Wer ein neues Projekt damit anlegt, bekommt nicht nur ein leeres Gerüst, sondern eine eingerichtete Arbeitsumgebung: Die passenden Konventionen, Regeln, Agenten und Skills sind bereits installiert, und die Vorlage führt z.B. durch die Einrichtung der Supabase-Anbindung und der übrigen Bausteine. Ein weniger erfahrener Entwickler erhält so eine geprüfte Basis, an die sich die KI von Anfang an hält.

Aus Korrekturen und Entscheidungen baut PandaOS nach und nach einen Wissensgraphen auf, eine dauerhafte Gedächtnisschicht, die Konventionen und Entscheidungen miteinander verknüpft. Was einmal erklärt ist, muss nicht in jeder neuen Sitzung wiederholt werden.

Eingebaute Apps statt blinder Werkzeuge

Die Werkzeuge, die ich täglich brauche, sind direkt in PandaOS eingebaut und nicht bloß über eine Schnittstelle angebunden. Der entscheidende Unterschied: Andere Tools geben der KI nur ein MCP an die Hand, dessen Ergebnis man auf gut Glück hinnehmen muss. Bei uns hat jede App zusätzlich eine eigene visuelle Oberfläche, in der sich direkt nachvollziehen, ausführen und überprüfen lässt, was die KI tut.

Nehmen wir zum Beispiel unsere Datenbank-App. Über sie lassen sich Abfragen formulieren, und pro Verbindung ist granular einstellbar, wie weit die KI gehen darf: ob sie die Daten überhaupt zu sehen bekommt oder ob sie ausschließlich Abfragen beschreiben und vorbereiten darf. Die Ergebnisse landen nicht in einer Blackbox, sondern direkt in der Oberfläche, wo sie sich anzeigen, visualisieren und ausführen lassen.

Derselbe Gedanke zieht sich durch: E-Mails lassen sich prüfen, bevor sie das Haus verlassen, und Zugangsdaten liegen hinter einem Credential Manager, statt dass ein System ungefragt auf eine .env-Datei zugreift. Für jede Aktion ist festlegbar, wo die KI eigenständig handeln darf und wo sie vorher nachfragen muss. So bleibt die Balance aus Autonomie und Aufsicht beim Menschen, statt einem Werkzeug pauschal vertrauen zu müssen.

KI-native Automationen

Wiederkehrende Aufgaben lassen sich als Automationen anlegen. Wer n8n kennt, findet sich sofort zurecht: Schritte werden zu einem Ablauf verkettet. Der Unterschied ist, dass diese Abläufe von Grund auf KI-nativ gedacht sind. Ein Schritt ist nicht nur ein starrer Aufruf, sondern kann eine KI-Aufgabe sein, die Kontext interpretiert und die eingebauten Apps eigenständig bedient. Auf Wunsch laufen solche Automationen nach Zeitplan, etwa ein täglicher Report, der Daten zieht, auswertet und zusammenfasst, ganz ohne manuellen Anstoß.

Fazit und Einladung

PandaOS dreht das übliche Verhältnis um: Nicht das Modell steht im Zentrum, sondern die eigene Arbeit. Projekte, Konventionen, Skills, gelerntes Wissen und Automationen bleiben im eigenen Besitz und überdauern jeden Wechsel. Die Anwendung ist derzeit in einer frühen, geschlossenen Beta. Wer neugierig ist, kann sie mit eigener Subscription ausprobieren, ob Claude, OpenCode Go oder ChatGPT. Über Rückmeldungen aus der Entwickler-Community freue ich mich ausdrücklich.