ICH HABE 6 KI-AGENTEN, DIE RUND UM DIE UHR AUF EINER BOX UNTER MEINEM SCHREIBTISCH LAUFEN. MONATLICHE GESAMTKOSTEN: 11 $ AN STROM

Vor einigen Monaten hätte ich es nicht gerechtfertigt, einen KI-Agenten über Nacht laufen zu lassen. Jede Schleife kostete Tokens. Jeder Token kostete Geld. Also startete ich eine Aufgabe, beaufsichtigte sie und schaltete sie aus, wenn ich ins Bett ging.

Jetzt laufen sechs Agenten rund um die Uhr auf einem einzigen Gerät, das so groß ist wie ein Toaster. Sie recherchieren, fassen zusammen, überwachen, sortieren und schreiben – während ich schlafe, während ich esse, während ich im Urlaub bin. Die Stromrechnung ist um elf Dollar gestiegen. Das sind die gesamten Betriebskosten.

Hier die Kurzübersicht 👇

Das hier ist der Aufbau, die Maschine und was sich ändert, wenn KI aufhört, ein Dienst zu sein, den du mietest, und zur Infrastruktur wird, die dir gehört.

Der wahre Schatz, über den niemand spricht

Überall im Netz streiten sich alle darüber, welches Cloud-Modell intelligenter ist. Unterdessen hat sich eine stille Revolution in der Hardware vollzogen – und fast niemand hat es bemerkt.

Der Minisforum MS-S1 Max ist eine Mini-Workstation. Aluminiumgehäuse. Passt ins Regal. Wird mit einer 2 TB SSD, einem integrierten 320-W-Netzteil und dem interessantesten Chip ausgeliefert, den AMD je in einen Desktop verbaut hat: dem Ryzen AI Max+ 395.

Das Entscheidende an diesem Chip: Er teilt 128 GB Arbeitsspeicher zwischen CPU und GPU. Keine separate Grafikkarte. Kein winziger VRAM-Pool. Ein einziger großer gemeinsamer Pool, aus dem beide Prozessoren lesen. Das ist derselbe architektonische Trick, der Apple Silicon so gut für lokale KI macht – nur dass dieses Ding Linux richtig unterstützt, duale 10-Gigabit-Ethernet-Anschlüsse hat, USB4 V2 mit 80 Gbit/s, einen PCIe-x16-Steckplatz für Erweiterungen und ungefähr 3.000 Dollar kostet.

1Minisforum MS-S1 Max, was drin steckt:
2
3Chip              AMD Ryzen AI Max+ 395 (Strix Halo)
4
5CPU               16 Kerne / 32 Threads, bis zu 5,1 GHz
6
7GPU               Radeon 8060S, 40 RDNA 3.5 CUs
8
9NPU               50 TOPS
10
11KI-Gesamtleistung 126 TOPS
12
13Arbeitsspeicher   128 GB LPDDR5x-8000, unified (CPU+GPU teilen sich)
14
15Als VRAM nutzbar  bis zu ~96 GB unter Linux
16
17Speicher          2 TB NVMe Gen4 + 1 freier M.2-Steckplatz
18
19Netzwerk          Dual 10GbE + Wi-Fi 7
20
21Anschlüsse        2× USB4 V2 (80 Gbit/s), HDMI, USB-A, USB-C
22
23Erweiterung       PCIe-x16-Steckplatz (Gen4 x4 Geschwindigkeit)
24
25Stromverbrauch    160 W Spitze / 130 W Dauerlast
26
27Formfaktor        2U-Rackmontage
28
29Preis             ~3.000 $ (128 GB/2 TB Konfiguration)

Das ist kein Gaming-PC. Das ist kein NAS. Das ist ein lokaler KI-Server, der zufällig wie ein Mini-PC aussieht. Und die Spezifikation, die ihn von allen anderen Strix-Halo-Geräten unterscheidet: Minisforum treibt den Chip auf 160 W, während die Konkurrenz bei 120–140 W gedeckelt ist. Mehr Watt bedeutet mehr Geschwindigkeit bei längerer Inferenz. Das ist wichtig, wenn deine Agenten stundenlang laufen.

Was er laufen lässt und wie schnell

Installiere Ollama unter Linux. Ziehe ein Modell. Fertig. Kein Treiber-Drama, keine CUDA-Abhängigkeitsketten, keine Konfigurationsdateien. Hier ist, was die Kiste mit Q4-quantisierten Modellen tatsächlich liefert:

1Modell                    VRAM       Geschwindigkeit   Gut genug für
2───────────────────────────────────────────────────────────────────────────────
3Qwen3-Coder 30B          ~18 GB     ~40-50 tok/s      Tägliches Coden, Skripte
4Llama 3.3 70B            ~42 GB     ~20-25 tok/s      Komplexes Denken, Analysen
5DeepSeek-V3 0324         ~95 GB     ~10-12 tok/s      Tiefgehende Recherche, lange Dokumente
6Qwen3-235B (MoE)         ~110 GB    ~6-8 tok/s        Aufgaben auf Spitzenniveau

Die 30B- und 70B-Modelle sind die Arbeitstiere. Schnell genug für die interaktive Nutzung. Die 235B liegt bei vielen Benchmarks auf dem gleichen Niveau wie Claude Sonnet – langsamer, aber du zahlst nicht pro Token, also lässt du sie denken.

Und hier kommt der Party-Trick: Minisforum hat diese Kiste fürs Clustering ausgelegt. Zwei MS-S1 Max, die miteinander verbunden sind, bringen Qwen3-235B auf ~11 Tokens pro Sekunde. Vier Geräte haben DeepSeek-R1 671B (das volle 380-GB-Modell) ausgeführt. Lokal. Auf einem Schreibtisch. Kein Rechenzentrum. Keine Cloud.

Warum „Immer an“ alles verändert

Folgendes übersehen die Leute bei lokaler KI. Es geht nicht darum, dass das Modell so gut ist wie GPT-5 oder Claude Opus. Es geht darum, was mit deinem Verhalten passiert, wenn Inferenz kostenlos ist.

Wenn du pro Token zahlst, denkst du nach, bevor du eine Eingabe machst. Du optimierst deine Anfragen. Du brichst Experimente früh ab. Du lässt niemals einen Agenten acht Stunden lang in einer Schleife laufen, weil die Mathematik keinen Sinn ergibt.

Wenn Inferenz nur Strom kostet und sonst nichts, hörst du auf, so zu denken. Und genau dort zeigt sich der wahre Wert.

Die sechs Agenten, die ich rund um die Uhr betreibe:

1. Der Posteingang-Sortierer. Ruft alle 15 Minuten meine E-Mails ab. Kategorisiert alles. Entwirft Antworten für alles Routinehafte. Ich wache auf und habe einen sortierten Posteingang mit Entwurfsantworten, die bereitstehen. Zeitersparnis: ~40 Minuten jeden Morgen.
2. Der Recherche-Monitor. Beobachtet über 30 RSS-Feeds, Nischenforen und bestimmte Konten auf verschiedenen Plattformen. Fasst alles, was für meine Arbeit relevant ist, in einer täglichen Zusammenfassung zusammen, die um 7 Uhr morgens bei Telegram landet. Bei einer Cloud-API würde das $15-20/Tag an Tokens kosten. Auf der Kiste: kostenlos.
3. Der Dokumentenprozessor. Alles, was ich in einen bestimmten Ordner lege, wird gelesen, zusammengefasst und getaggt. Verträge, Berichte, PDFs, wissenschaftliche Arbeiten. Die Zusammenfassung und die wichtigsten Punkte erscheinen innerhalb weniger Minuten in meiner Notizen-App. Ich habe seit Monaten keinen 40-seitigen Bericht mehr manuell gelesen.
4. Der Code-Reviewer. Beobachtet meine Git-Repos. Jeder Push löst eine Überprüfung aus – Stil, Bugs, Sicherheit, Testabdeckung. Ergebnisse werden als Kommentare gepostet. Läuft mit dem 70B-Modell, damit die Reviews auch wirklich gut sind.
5. Der Besprechungsvorbereitungs-Agent. Schaut sich den Kalender von morgen an, zieht Kontext aus meinen Notizen und aktuellen E-Mails zu jeder Person/jedem Thema und erstellt eine einseitige Kurzfassung pro Besprechung. Fertig bis 8 Uhr morgens.
6. Der Lern-Agent. Nimmt Themen, die mich interessieren, findet aktuelle Arbeiten und Artikel, liest sie über Nacht mit dem 235B-Modell und erstellt einen wöchentlichen „Was gibt’s Neues“-Bericht mit Erklärungen, die auf meinem Wissensstand basieren.

Keiner dieser Agenten ist für sich genommen revolutionär. Revolutionär ist, alle sechs gleichzeitig rund um die Uhr laufen zu lassen und sich keine Gedanken über die Kosten zu machen. Bei Cloud-APIs würde dieser Stapel $800–1.200 im Monat kosten. Auf dem MS-S1 Max läuft er über die Stromrechnung.

Der Aufbau. Ein Abend, größtenteils mit Herunterladen

1. Windows durch Linux ersetzen

Die Kiste wird mit Windows 11 ausgeliefert, das den GPU-zugänglichen Speicher auf ~96 GB begrenzt. Ubuntu 24.04 schaltet den vollen Pool frei. Von USB booten, formatieren, installieren. 20 Minuten.

2. Ollama installieren

1curl -fsSL https://ollama.com/install.sh | sh

3. Modelle herunterladen

1ollama pull qwen3-coder:30b
2ollama pull llama3.3:70b

4. Open WebUI einrichten (optional – gibt dir eine ChatGPT-ähnliche Oberfläche)

1docker run -d -p 3000:8080 \
2  -e OLLAMA_BASE_URL=http://localhost:11434 \
3  -v open-webui:/app/backend/data \
4  --name open-webui ghcr.io/open-webui/open-webui:main

Jetzt kann jedes Gerät in deinem Netzwerk – Smartphone, Laptop, Tablet – mit deinen Modellen chatten unter http://deine-kiste:3000

5. Claude Code auf den lokalen Endpunkt ausrichten

1export ANTHROPIC_BASE_URL=http://deine-kiste:11434
2export ANTHROPIC_API_KEY=ollama

Das gleiche Claude Code CLI. Die gleiche Agentenschleife. Jede Anfrage geht an deine Kiste statt an Anthropic. Nichts verlässt dein Netzwerk.

6. Deine Agenten bauen

Das ist der unterhaltsame Teil – und der Teil, der für jeden anders ist. Ich verwende eine Mischung aus einfachen Cron-Skripten, n8n-Workflows und dem Agentenmodus von Claude Code für die komplexeren Aufgaben. Die Modelle sind der Motor. Wie du sie verdrahtest, bleibt dir überlassen.

Gesamte Einrichtungszeit: 90 Minuten, wenn du noch nie mit Linux gearbeitet hast. Eine Stunde, wenn du es schon kennst.

Die Rechnung. Wichtig!

1Einmalige Kosten
2  Minisforum MS-S1 Max (128 GB/2 TB)         $3.000
3
4Monatliche Kosten
5  Strom (24/7, ~130 W Durchschnitt)             ~$11
6  Ersetzte Cloud-Abonnements                    $0
7
8Was es ersetzt (mein bisheriger Stapel)
9  Claude Code Max                           $200/Monat
10  ChatGPT Pro                               $200/Monat
11  Verschiedene API-Kosten für Agenten       $400–800/Monat
12  Gesamt eingespart                         $800–1.200/Monat
13
14Amortisation                                  Monat 3–4

Nach der Amortisation bleibt dir jeden Monat Geld auf dem Konto. Über drei Jahre hinweg sind das zwischen $25.000 und $40.000, die nicht an KI-Unternehmen fließen – je nachdem, wie intensiv du Agenten nutzt.

Aber ehrlich gesagt, die Ersparnisse sind nicht der Punkt. Der Punkt ist die Verhaltensänderung. Ich habe angefangen, Agenten zu bauen, die ich nie gebaut hätte, als jeder Token Geld kostete. Der Besprechungsvorbereitungs-Agent? Hätte ich die API-Kosten für „ganz nett“ niemals gerechtfertigt. Der Lern-Agent, der über Nacht mit einem 235B-Modell wissenschaftliche Arbeiten liest? Unmöglich auf Pro-Token-Basis. Selbstverständlich, wenn es kostenlos ist.

Was diese Kiste nicht kann

Ich werde nicht so tun, als ob lokal die Cloud vollständig ersetzt. Tut es nicht. Hier liegt die Grenze heute:

Die Cloud wird noch gebraucht für:

• Spitzenlogik (Claude Opus, GPT-5 – für die wirklich schwierigen 5 % der Probleme)
• Echtzeit-Internetzugriff und Tool-Nutzung, die ins Modell integriert sind
• Multimodale Aufgaben, bei denen die Cloud-Modelle Generationen voraus sind
• Wenn ein Team von 5+ Personen gleichzeitig bedient werden muss

Die Kiste übernimmt alles andere:

• Tägliches Coden und Skripterstellung
• Dokumentenanalyse und Zusammenfassung
• Lang laufende Agenten und Hintergrundautomatisierung
• Verarbeitung privater Daten (nichts verlässt dein Netzwerk)
• Entwürfe, Bearbeitung, Brainstorming
• RAG über deine persönliche Wissensdatenbank
• Massenverarbeitung (Transkription, Klassifizierung, Extraktion)

Für die Cloud-Aufgaben zahlst du nutzungsabhängig über die API. $5 hier, $10 dort. Nicht $200/Monat für ein Abo, das du zu 20 % nutzt.

Die ehrlichen Nachteile

Die Kiste wird unter Last warm. Nicht gefährlich, aber die Lüfter sind hörbar. Stell sie nicht ins Schlafzimmer. Ein Abstellraum mit Luftzirkulation funktioniert. Unter einem Schreibtisch funktioniert.

Open-Source-Modelle sind nicht Claude Opus. Sie sind bei vielen Aufgaben nah dran, bei den schwierigsten Denkaufgaben merklich zurück. Wenn deine Arbeit zu 100 % aus KI-Aufgaben auf Spitzenniveau besteht, ist diese Kiste nicht deine Antwort. Wenn deine Arbeit zu 80 % aus Routine und zu 20 % aus schwierigen Aufgaben besteht, erledige die 80 % lokal und zahle nutzungsabhängig für die 20 %.

Du kaufst Hardware. Wenn AMD nächstes Jahr etwas doppelt so Schnelles herausbringt, erstattet sich deine $3.000 nicht von selbst. Aber die Amortisation im Monat 3–4 bedeutet, dass du sie nicht fünf Jahre lang behalten musst. Selbst ein Jahr Nutzung macht die Rechnung stimmig.

Ollama auf AMD ist inzwischen solide, aber nicht auf CUDA-Niveau ausgereift. Gelegentlich erscheint ein neues Modell mit zuerst Nvidia-exklusiven Optimierungen. Du wartest ein oder zwei Wochen. Das ist die Early-Adopter-Steuer.

Und du musst mit Linux klarkommen. Die obigen Befehle sind einfach. Wenn das erste Mal etwas kaputt geht, wirst du eine Stunde in einem Forum verbringen. Das ist der Preis, den du heute für den lokalen Weg zahlst, statt noch ein Jahr zu warten.

Warum genau diese Kiste

Es gibt ein Dutzend Strix-Halo-Mini-PCs auf dem Markt. Der MS-S1 Max sticht aus drei Gründen hervor:

160 W Dauerleistung. Mehr als jeder Mitbewerber. Die Inferenzgeschwindigkeit bei großen Modellen skaliert mit der Leistung. Das ist wichtig, wenn Agenten stundenlang laufen.

Dual 10GbE. Die meisten Konkurrenzgeräte haben 2,5 GbE. Wenn du große Dateien bewegst, mehrere Einheiten clusterst oder dies als Netzwerk-KI-Server betreibst, verändert 10-Gigabit das Erlebnis.

2U-Rackmontage. Das ist ein Detail, das sich nach Nische anhört, bis du erkennst, dass es bedeutet, zwei oder vier dieser Geräte in ein Standard-Rack zu stapeln und einen lokalen KI-Cluster zu bauen, der Modelle mit 671 Milliarden Parametern ausführt. Auf deinem Schreibtisch. Zum Preis eines Gebrauchtwagens.

Der eigentliche Punkt

Die KI-Branche will, dass du Intelligenz als ein öffentliches Gut betrachtest. Etwas, das du abonnierst. Etwas, das gemessen wird. Etwas, das in einem fremden Rechenzentrum lebt, nach fremdem Zeitplan läuft und aufhört, wenn du aufhörst zu zahlen.

Dieses Modell ergab Sinn, als die Hardware nicht mithalten konnte. Das tut es nicht mehr.

128 Gigabyte gemeinsamer Arbeitsspeicher. Ein Chip, der für KI-Inferenz entwickelt wurde. Open-Source-Modelle, die 80 % dessen abdecken, was du brauchst. Ein Open-Source-Stack, der in einer Stunde installiert ist.

Eine Maschine. Unter deinem Schreibtisch. Sechs Agenten, die nie schlafen.

$3.000 einmalig. $11 im Monat. Alles bleibt in deinem Netzwerk.

Das ist der Aufbau. Ich wünschte nur, ich hätte früher angefangen.

Willst du mehr Alpha?

Folge mir und tritt meinem privaten Kanal bei, solange du kannst: Link