Ihr KI-Agent kann jetzt gemeinsam mit Ihnen ein Album erstellen

Ein Browser-Agent, der eine gewöhnliche Website bedient, betreibt im Grunde Bilderkennung auf einer Benutzeroberfläche, die für Menschen gestaltet wurde. Er liest einen Screenshot, rät, welche Pixel die Schaltfläche Album erstellen sind, klickt, wartet, macht erneut einen Screenshot und versucht herauszufinden, ob es geklappt hat.

Jeder dieser Schritte kann auf eine Weise scheitern, die der Agent nicht bemerkt. Er klickt eine deaktivierte Schaltfläche und liest die unveränderte Seite als Erfolg. Er übersieht einen Validierungsfehler, der in einer Farbe dargestellt wird, die er nicht deuten kann. Ein Dropdown wird in einem schmalen Fenster anders gerendert, und der ganze Plan gerät aus dem Ruder. Schlimmer noch: Er hat keine Ahnung, was eine Aktion kostet – nichts auf dem Bildschirm verrät ihm, dass genau diese Schaltfläche Ihre Credits ausgibt.

Das liegt nicht daran, dass der Agent seine Sache schlecht macht. Von ihm wird verlangt, Absicht aus einem Bild zu rekonstruieren – dabei könnte die Website es ihm einfach sagen.

Sustain implementiert WebMCP, einen entstehenden Web-Standard genau für diesen Zweck. Ist ein Agent in Ihrem Browser aktiv, registrieren unsere Seiten eine Reihe von Tools, die er direkt aufrufen kann. Jedes hat einen Namen, eine typisierte Eingabe und eine Beschreibung, die für eine Maschine geschrieben ist, die unsere Oberfläche noch nie gesehen hat.

Heute stehen zehn Tools bereit, die sich am tatsächlichen Ablauf beim Erstellen eines Albums orientieren und nicht an unseren REST-Endpunkten:

• ask_site — beantwortet Fragen anhand unserer eigenen veröffentlichten Inhalte (Preise, Druck, Datenschutz, die Anleitungen, die Sie gerade lesen) und liefert die Quellseiten mit, damit der Agent zitieren kann, statt sich etwas auszudenken.

• create_album und album_status — starten ein Album und prüfen dessen Fortschritt.

• request_photos und import_google_photos — zwei Wege, Fotos hineinzubekommen, wobei bei keinem einziges Bild durch die Konversation geschickt wird. Mehr dazu weiter unten.

• quick_place und build_album — die Fotos kostenlos anordnen oder den vollständigen KI-Build durchführen.

• list_albums, get_credits, start_checkout — Ihre Alben finden, Ihr Guthaben abfragen, weitere Credits kaufen.

Sie sind bei Sustain angemeldet, und in Ihrem Browser läuft ein Agent. Sie sagen: „Erstelle mir ein Album von meiner Italienreise.“ Was danach passiert, ist keine Abfolge von Klicks:

Die ganze Zeit über schauen Sie beide auf dieselbe Seite. Der Agent bedient nicht irgendwo eine versteckte Kopie der Website – er arbeitet in Ihrem Tab, und jedes Ergebnis erscheint direkt vor Ihnen.

Das ist der Teil, bei dem man leicht etwas falsch macht, und wir haben es zuerst falsch gemacht. Der naheliegende Entwurf ist ein Tool, das die Fotos als Argument entgegennimmt – der Agent übergibt uns die Bilder, wir speichern sie. Das funktioniert für ein einziges kleines Bild und scheitert bei allem anderen, denn ein Tool-Aufruf ist Text: Das Bild muss in die Konversation hineinkodiert werden, und schon ein einzelnes Foto in voller Auflösung kann ein gesamtes KI-Kontextfenster sprengen. Es auf mehrere Aufrufe aufzuteilen, macht es schlimmer, denn jeder Aufruf bleibt im Transkript und wird bei jedem späteren Turn erneut mitgeschickt.

Deshalb transportieren die Tools gar keine Fotos. request_photos stellt ein Upload-Ticket aus – eine kurzlebige, zweckgebundene Berechtigung für ein einziges Album –, und wer auch immer die Bilder tatsächlich besitzt, schickt sie direkt an uns:

• Die Fotos sind auf Ihrem Smartphone. Das Ticket kommt mit einem Link. Sie öffnen ihn, wählen Ihre Fotos aus, fertig. Hunderte davon, keines geht durch die KI.

• Sie haben dem Agenten Zugriff auf Ihre Dateien gegeben. Dann lädt er sie selbst hoch, direkt von der Festplatte zu Sustain. Der Agent liest die Bilder nie in die Konversation ein – er nutzt lediglich das Ticket.

• Ihre Bibliothek liegt in Google Photos. import_google_photos startet eine Auswahlsitzung, Sie wählen im eigenen Fenster von Google aus, und Sustain lädt die Fotos serverseitig herunter – bis zu tausend Stück, auch hier ohne dass etwas durch den Agenten läuft.

Das Ticket läuft nach 24 Stunden ab, ist auf ein Album beschränkt und berücksichtigt weiterhin die Foto- und Speichergrenzen Ihres Tarifs. Es ist derselbe Mechanismus, der schon hinter dem QR-Code-Upload steckt, den wir bereits anbieten – ein gutes Zeichen: Der richtige Entwurf für einen Agenten erwies sich als derselbe, den wir schon für Menschen gebaut hatten.

Beim Weg über Google Photos beteiligt sich der Agent tatsächlich an der Auswahl: Sobald Sie ausgewählt haben, kann er vor dem Import die Videos aussortieren und Screenshots überspringen. Wir sind vorsichtig damit, wie weit wir diese Aussage treiben – Google gibt uns einen Dateinamen und einen Dateityp, aber nichts darüber, was auf einem Bild zu sehen ist. Ein Agent, der Ihnen erzählt, er habe die unscharfen Bilder entfernt, würde sich das also nur ausdenken.

Das ist der Punkt, nach dem Menschen zuerst fragen, und die Antwort fällt besser aus als sonst bei Agenten-Integrationen üblich.

Die Tools laufen innerhalb Ihres Browser-Tabs, auf der Seite, bei der Sie bereits angemeldet sind. Ruft eines unsere API auf, hängt Ihr Browser dasselbe sichere Sitzungscookie an, das er immer verwendet. Es muss kein Token ausgestellt werden, es gibt keinen OAuth-Bildschirm, keinen API-Schlüssel, der in einen Chat eingefügt wird, und keine Anmeldedaten, die der Agent lesen, speichern oder durchsickern lassen könnte. Er kann nur als die Person handeln, die in diesem Tab bereits angemeldet ist, und nur solange diese Sitzung besteht.

Das setzt auch die Obergrenze für das, was ein sich fehlverhaltender Agent anrichten könnte: genau das, was Sie selbst in diesem Tab tun könnten, und nicht mehr. Der Server prüft jede Berechtigung unabhängig, genau wie wenn Sie klicken.

Manche Dinge sollten nicht geschehen, nur weil Software das so entschieden hat. Wir haben sie bewusst ausgelassen:

• Es kann keine Druckbestellung aufgeben. Das kostet echtes Geld und braucht eine Versandadresse. Das erledigen Sie selbst.

• Es kann keine Zahlung entgegennehmen. start_checkout erstellt eine Checkout-Sitzung und gibt Ihnen den Link – Sie bezahlen auf der eigenen Seite des Anbieters. Die Tools kommen nie mit Kartendaten in Berührung.

• Es kann sich nicht selbst an Ihren Dateien bedienen. Eine Webseite kann nicht auf Ihre Festplatte zugreifen – Browser verbieten das, und das ist so gewollt. Ein Agent kann nur hochladen, worauf Sie ihm bewusst Zugriff gegeben haben, und nur mithilfe eines Tickets, das Sie ihn erstellen ließen.

• Es kann Ihr Abo nicht kündigen oder ein Album löschen.

Eine Sache, die es kann, ist Credits ausgeben: build_album führt den kostenpflichtigen KI-Build in einem einzigen Aufruf aus, und die Kosten hängen davon ab, wie viele Fotos die Duplikatbereinigung überstehen. Wir behandeln Credits genauso, wie jede nutzungsbasierte API Tokens behandelt – das Tool sagt unmissverständlich, dass es sie ausgibt, und reicht Ihr Guthaben nicht, meldet es den genauen Fehlbetrag zurück, damit der Agent Ihnen Bescheid geben und ein Aufladen anbieten kann, statt stillschweigend zu scheitern.

Es gibt jetzt zwei Wege, und sie sind in sehr unterschiedlichen Stadien.

Einen Desktop-Assistenten zu verbinden funktioniert heute, ohne irgendetwas einzuschalten — siehe Claude oder ChatGPT verbinden am Ende. Gehört zu Basic und Pro.

Der Weg im Browser ist weiterhin opt-in. WebMCP ist ein wirklich neuer Standard: Chrome liefert ihn ab Version 149 aus, hat ihn aber nicht standardmäßig aktiviert. Öffne in Chrome 149 oder neuer chrome://flags/#enable-webmcp-testing, stelle auf Enabled und klicke Relaunch.

Google veröffentlicht genau dafür eine Erweiterung namens Model Context Tool Inspector – installierbar aus dem Chrome Web Store wie jede andere, mit offenem Quellcode. Es ist der kürzeste Weg von der Neugier zum fertigen Album, und derzeit ist es der Weg, den wir Ihnen tatsächlich empfehlen würden.

Jetzt schon — das ist der Teil dieses Beitrags, der sich geändert hat.

Als wir das veröffentlicht haben, war die ehrliche Antwort noch nicht. Desktop-Assistenten sprechen MCP, aber nicht WebMCP: Sie reden mit Servern und haben keine Seite vor sich. Wir sagten, der Weg, den wir eigentlich wollten, sei ein gehosteter MCP-Server, damit ein Agent ohne Browser über eine OAuth-Freigabe, die du prüfen und zurückziehen kannst, auf deinem Konto arbeiten kann.

Er ist gebaut. https://mcp.sustain-app.com/mcp ist ein echter MCP-Server, und Claude, ChatGPT oder jeder andere MCP-Client kann sich direkt verbinden — ohne Erweiterung, ohne Flag, ohne Brücke. Du meldest dich über Sustains eigenen Freigabe-Bildschirm an, hakst ab, was der Agent darf, und trennst ihn, wann du willst.

Zu einer „Bridge“-Erweiterung aus der Community raten wir weiterhin nicht. Die werden meist entpackt geladen — unsigniert, außerhalb der Prüfung des Chrome Web Store — und können in jedem Tab, in dem du angemeldet bist, alles sehen und tun. Jetzt gibt es dafür auch keinen Grund mehr.

Sobald der Inspector installiert ist und Sustain davor geöffnet ist, ist dies der Prompt, mit dem Sie beginnen sollten. Fügen Sie ihn ein und beobachten Sie, wie die Aufrufe ablaufen.

Er hört bewusst auf, bevor irgendetwas ausgegeben wird: Er fragt nach einem kostenlosen Layout und nach einer Beschreibung dessen, was ein kostenpflichtiger Build tun würde, damit Sie Ihr erster Durchlauf nicht mit einer Credit-Abbuchung überrascht.

Es gibt ein Szenario für die nächsten Jahre, in dem Menschen aufhören, Websites selbst zu besuchen, und stattdessen einen Assistenten bitten, sich darum zu kümmern. In dieser Welt ist eine Website, die nur in Pixeln spricht, eine, bei der ein Agent Fehler macht, aufgibt oder sie zugunsten einer anderen überspringt, die er tatsächlich bedienen kann.

Agent-ready zu sein ist kein Gütesiegel zum Vorzeigen. Es ist der Unterschied zwischen einem Assistenten, der Ihnen wirklich ein Fotoalbum erstellen kann, und einem, der wild herumklickt, versehentlich Ihre Credits ausgibt und Ihnen etwas zurückgibt, das Sie nicht wollten. Wir sind lieber für die Maschinen lesbar, die zunehmend die Fragen stellen.

Das hält uns außerdem ehrlich, was unser eigenes Produkt angeht. Eine Tool-Beschreibung zu schreiben zwingt einen dazu, in einem einzigen Satz genau zu sagen, was eine Aktion tut und was sie kostet – ohne Oberfläche, hinter der man sich verstecken kann. Mehrere unserer eigenen Beschreibungen wurden dabei klarer.

Das ist der Weg ohne Flags und ohne Erweiterungen. Er gehört zu Basic und Pro.

Öffne in Claude Einstellungen → Connectors → Eigenen Connector hinzufügen und füge https://mcp.sustain-app.com/mcp ein. Den Rest findet Claude selbst heraus.

Du landest auf einer Sustain-Seite, die fragt, was diese App in deinem Konto darf. Vier Kästchen: deine Alben sehen, Alben erstellen und bearbeiten, deine Credits für KI-Durchläufe ausgeben und dein Credit-Guthaben und deine Tarife sehen. Du darfst weniger anhaken, als angefragt wurde — der Agent bekommt, was du gibst. Ein Agent ohne Credits ausgeben sieht das Werkzeug für einen kostenpflichtigen Durchlauf gar nicht erst.

Dann frag einfach. „Bau mir ein Album von meiner Italienreise“ reicht: Der Agent legt das Album an, gibt dir einen Upload-Link fürs Handy, wartet auf die Fotos und bietet den KI-Durchlauf an — und sagt vorher, dass er Credits kostet.

Zurücknehmen kannst du es jederzeit unter Einstellungen → Verbundene Apps. Das Trennen wirkt beim nächsten Aufruf des Agenten, weil wir diese Tokens selbst ausstellen, statt etwas zu verteilen, das wir nicht zurückholen könnten.

Eine erteilte Berechtigung ist kein Blankoscheck, und der Fehler, den wir wirklich erwarten, ist kein Angreifer — es ist ein Agent, der sich an einem Aufruf festfrisst, den er als fehlgeschlagen gelesen hat.

Deshalb gelten Grenzen in jedem Fall: eine Obergrenze für Aufrufe pro Minute und eine für kostenpflichtige Durchläufe pro Tag. Wird eine erreicht, bekommt der Agent eine klare Ansage — und du kannst dasselbe weiterhin auf der Website tun.

Jeder Aufruf wird außerdem festgehalten: welches Werkzeug, ob es geklappt hat und worum es ging. Nicht, was du getippt hast: Die Argumente werden als Fingerabdruck gespeichert, nicht als Text.