Ich sitze seit Jahren an eigenen Lösungen dafür, wie ein KI-Assistent auf meinem Mac laufen kann, ohne dass jede Zeile Text irgendwo in der Cloud landet. Letzte Woche bin ich bei einer Recherche auf Osaurus gestoßen und musste zweimal hinschauen, weil dort ziemlich genau das öffentlich, kostenlos und fertig gebaut daliegt, woran ich in Teilen selbst bastle.
Osaurus ist eine native Mac-App, die lokale Sprachmodelle mit KI-Agenten verbindet, die auf Mail, Kalender, Dateien und andere Apps zugreifen dürfen, wenn du das erlaubst. Die App ist Open Source, MIT-lizenziert, und läuft komplett offline, sobald ein lokales Modell geladen ist. Nach diesem Artikel weißt du, was die App technisch kann, welche Skills und Themes es gibt, und worauf du achten musst, wenn du sie für Kundenarbeit mit personenbezogenen Daten einsetzt. Fangen wir bei der Grundidee an, denn die ist der eigentliche Unterschied zu ChatGPT, Claude oder Gemini in der App-Version.
Was ist Osaurus eigentlich?
Osaurus ist eine kostenlose, quelloffene App für Apple Silicon Macs (M1 und neuer, macOS 15.5+), die lokale KI-Modelle über Ollama, Apple MLX oder LM Studio lädt und daraus Agenten baut, die eigenständig Aufgaben erledigen. Lokale KI-Agenten mit vollem App-Zugriff auf dem eigenen Mac sind machbar, ohne dass Daten das Gerät verlassen müssen. Genau diese Kombination, lokale Inferenz plus echte Werkzeugnutzung, habe ich bislang nur in Einzelteilen gesehen, nie in einer einzigen fertigen App mit über 200.000 Downloads und mehr als 7.600 GitHub-Stars.
Zwei Begriffe tauchen im Rest des Artikels öfter auf, deshalb kurz vorweg: Lokale Inferenz bedeutet, dass die Rechenarbeit des Sprachmodells auf deinem eigenen Chip läuft, nicht auf einem fremden Server. Model Context Protocol (MCP) ist ein offener Standard von Anthropic, über den eine KI selbstständig entscheidet, welches externe Werkzeug sie wann nutzt, statt dass ein Entwickler jeden Aufruf vorher fest verdrahtet. Ich habe MCP in meinem Artikel zu MCP-Abos für Verlage ausführlicher erklärt, dort auch mit einem konkreten Aufbau-Beispiel.
Wie ist die Architektur aufgebaut?
Osaurus fährt eine „local first, cloud when needed“-Strategie. Standardmäßig läuft ein Open-Source-Modell direkt auf dem M-Chip, die App schlägt beim ersten Start automatisch eine Modellgröße vor, die zur vorhandenen Hardware passt. Ein normales 16-GB-MacBook hat laut Herstellerangabe innerhalb weniger Minuten ein sinnvolles lokales Modell am Laufen, ganz ohne Terminal-Kenntnisse.
Erst wenn eine Aufgabe mehr Leistung braucht, schaltest du bewusst ein Cloud-Modell dazu: ChatGPT, Claude, Gemini, Grok, OpenRouter oder Venice. Der Clou dabei ist der gemeinsame Memory-Layer. Normalerweise fängt jedes dieser Tools bei null an, weil jede App ihr eigenes Gedächtnis führt. Osaurus legt eine Erinnerungsschicht darüber, die für alle angeschlossenen Modelle gilt und lokal auf deinem Mac gespeichert wird. Auf macOS 26 (Tahoe) kommt zusätzlich Apples eigenes Foundation Model als weitere lokale Option dazu, mit null Inferenzkosten.
Technisch stellt Osaurus außerdem selbst OpenAI-, Anthropic- und Ollama-kompatible Endpoints auf localhost bereit. Jedes Tool, das normalerweise gegen die OpenAI-API spricht, lässt sich stattdessen gegen dein lokales Osaurus umleiten, inklusive eines lokalen Modells dahinter und ohne laufende Rechnung.
Was können die Agenten wirklich?
Hier wird es für den Alltag interessant, denn eine App, die nur chattet, gibt es schon zu genüge. Osaurus verbindet sich direkt mit macOS-Apps: Mail, Kalender, Nachrichten, Erinnerungen, Musik, Notizen, Kontakte, Karten. Ein Agent kann also zum Beispiel eine E-Mail lesen, die Termine daraus extrahieren, sie in den Kalender eintragen und die Bestätigung per Nachricht rausschicken, ohne dass du selbst zwischen drei Apps hin und her kopierst.
Darüber hinaus gibt es einen eingebauten Vision-Zugriff über Apples Vision-Framework für Texterkennung und Bildanalyse, eine Diktierfunktion, die über die Neural Engine läuft (also ebenfalls ohne Cloud-Umweg), sowie Zugriff auf Excel, PowerPoint, PDFs und ganze Ordnerstrukturen.
Das Feature, bei dem ich am meisten gestutzt habe, ist macOS-Use, ein Computer-Use-Treiber, der andere Apps über den Accessibility-Tree steuert statt über Pixel-Erkennung, ohne dass der Mauszeiger tatsächlich springt. Standardmäßig ist das deaktiviert, muss pro Agent freigeschaltet werden, und Osaurus fragt vor jeder Aktion nach, die etwas verändert oder committet. Bei sensiblen Apps wie Terminal, Systemeinstellungen oder Passwort-Manager verlangt die App immer eine Bestätigung, egal wie die Einstellungen sonst konfiguriert sind. Ich würde das nicht sofort auf Produktivbetrieb schalten, aber als kontrolliertes Experiment ist die Idee schlüssig durchdacht.
Ab macOS 26 kommt noch eine isolierte Linux-Sandbox dazu, gebaut auf Apples eigenem Containerization-Framework. Damit kann ein Agent tatsächlich Code ausführen, ohne dass etwas am eigentlichen System hängen bleibt.
Welche Skills bringt Osaurus mit?
Skills sind bei Osaurus einzeln installierbare Erweiterungen, die einer bestimmten App oder einem bestimmten Werkzeug Zugriff geben. Aktuell listet die Skills-Seite 18 Stück, ein Auszug der aus meiner Sicht relevantesten:
- Mail (v1.2.0): Apple Mail lesen, durchsuchen, verfassen, verwalten
- Calendar (v1.2.0): Termine abrufen, suchen, anlegen
- Browser (v2.1.0): Headless-WebKit mit Element-Referenzen aus Snapshots, für kooperative Mehrfach-Agenten-Nutzung gesperrt
- Fetch (v2.1.0): HTTP-Client mit SSRF-Schutz und sauberer Text-Extraktion aus HTML
- macOS Use (v3.0.4): der oben beschriebene Computer-Use-Treiber
- XLSX (v1.2.0) und PPTX (v1.1.0): Excel- und PowerPoint-Dateien lesen, erstellen, ändern
- Vision (v1.1.0): Bildanalyse, Texterkennung, Gesichtserkennung, Hintergrund entfernen
- Reminders, Notes, Contacts, Maps, Apple Music: die restlichen Apple-Kern-Apps
Jeder Skill installiert sich per One-Click-Link direkt aus der App heraus, der Quellcode liegt öffentlich auf GitHub. Wer eigene Anforderungen hat, kann dort nachbauen oder forken, das ist bei MIT-Lizenz ausdrücklich erlaubt.
Interessant für alle, die bereits mit Claude arbeiten: Osaurus kann komplette Claude-Plugins aus einem GitHub-Repository importieren, inklusive Skills, geplanten Agenten, Slash-Commands, MCP-Anbindungen und CLAUDE.md-Kontext. Wer sich also schon ein Setup für Claude Code gebaut hat, muss nicht bei null anfangen.
Wie sieht es mit den Themes aus?
Die Themes-Seite von Osaurus ist eine Community-Galerie zum Anpassen des Erscheinungsbilds. Ich muss ehrlich zugeben, dass ich die Inhalte beim Recherchieren nur bedingt einsehen konnte, die Seite lädt ihre Inhalte clientseitig nach, ein einfacher Seitenabruf zeigt nur das leere Grundgerüst. Was aus den Release Notes hervorgeht: Es gibt eine „System“-Theme-Option, die automatisch der macOS-Erscheinung folgt, dazu native macOS-Theme-Defaults mit Unterstützung für die System-Akzentfarbe. Für den vollständigen Überblick über alle Community-Themes bleibt aktuell nur der Blick direkt im Browser, dort rendert die Galerie live.
Ist Osaurus DSGVO-konform, wenn ich es für Kundenarbeit nutze?
Genau hier wird es für mich als Berater in der DACH-Region besonders relevant, weil ich in meiner Beratungsarbeit mit EPU und KMU ständig genau diese Frage bekomme. Die kurze Antwort: Lokale Inferenz selbst ist datenschutzrechtlich sauber, weil die Chatdaten dein Gerät gar nicht verlassen. Ich habe das Prinzip bereits in meinem Artikel zu Ollama und lokaler KI unter der DSGVO ausführlich hergeleitet, für Osaurus gilt dieselbe Logik: kein Auftragsverarbeiter, kein Drittempfänger, keine Übermittlung in ein Drittland, solange du bei einem lokalen Modell bleibst.
Der Punkt, an dem viele nicht genau genug hinschauen, sind zwei andere Baustellen.
Erstens: Sobald du in Osaurus ein Cloud-Modell wie ChatGPT, Claude oder Gemini dazuschaltest, gilt für diese eine Anfrage wieder das normale Cloud-Regelwerk des jeweiligen Anbieters, mit allen Fragen zu Auftragsverarbeitungsvertrag und Drittlandtransfer, die ich in meinem Artikel zu KI und Datenschutz beim Umgang mit Firmengeheimnissen beschrieben habe. Osaurus bietet dafür ein optionales Redaction Gate, das personenbezogene Daten vor dem Versand erkennt, maskiert und nach der Antwort wieder lokal einsetzt. Standardmäßig ist dieses Gate aus und laut Hersteller noch experimentell, ich würde es für Kundendaten nicht als alleinige Schutzmaßnahme betrachten, sondern als zusätzliche Absicherung zu einer bewussten Entscheidung, welche Anfrage überhaupt in die Cloud darf. Es gibt zwar Settings, dass Personendaten „geschwärtzt“ werden können, aber irgendwie vertrau ich solchen Dingen nie.
Zweitens, und das übersehen die meisten: Analytics. Osaurus sammelt standardmäßig anonyme Nutzungsdaten, laut eigener Dokumentation ohne Chatinhalte, Prompts, Dateipfade oder API-Keys. Trotzdem ist das aus DSGVO-Sicht kein Selbstläufer. Der erste Onboarding-Schritt zeigt zwar eine Checkbox mit Erklärung, was erfasst wird, bevor überhaupt etwas gesendet wird, aber die Voreinstellung ist an. Genau bei diesem Punkt tendieren deutsche Aufsichtsbehörden bei Tracking zu gewerblichen oder produktverbessernden Zwecken dazu, eine informierte Einwilligung nach Art. 6 Abs. 1 lit. a DSGVO zu verlangen, nicht bloß ein berechtigtes Interesse mit Opt-out-Möglichkeit, wie eine Analyse zur Rechtmäßigkeit von Telemetriedaten von activeMind AG ausführlich darlegt.
Für die Praxis heißt das konkret:
- Analytics beim ersten Start deaktivieren. Settings → Privacy, dort lassen sich Nutzungsanalyse und Crash-Reports getrennt abschalten. Wenn du Osaurus in einem Unternehmenskontext mit Personendaten einsetzt, ist das aus meiner Sicht kein optionaler Schritt, sondern die Grundeinstellung.
- Prüfen, ob eine Rechtsgrundlage für Telemetrie überhaupt vorliegt. Selbst anonymisierte Nutzungsdaten fallen in eine Grauzone, wenn sich Geräte-ID, Nutzungsmuster oder Zeitstempel im Zweifel doch einer Person zuordnen lassen. Ohne aktive Einwilligung ist die rechtssichere Variante, die Analyse einfach auszuschalten.
- Cloud-Modelle bewusst pro Aufgabe freigeben, nicht dauerhaft. Osaurus erlaubt das granular, jede Anfrage an ein Cloud-Modell ist eine einzelne Entscheidung, keine App-weite Einstellung.
- Das Redaction Gate als Ergänzung, nicht als Ersatz für eigene Sorgfalt sehen. Es erkennt feste Muster wie E-Mail-Adressen oder Kreditkartennummern, keine Themen oder Kontexte, und es liest keine Bilder oder Audiodaten.
- Bei Kundendaten mit besonderen Kategorien (Gesundheit, Ethnie, Gewerkschaftszugehörigkeit) grundsätzlich beim lokalen Modell bleiben. Für diese Fälle würde ich Cloud-KI in einem Beratungsverhältnis überhaupt nicht empfehlen, unabhängig vom Redaction Gate.
Ich bin mir bei einem Detail nicht ganz sicher, nämlich wie streng eine österreichische oder deutsche Aufsichtsbehörde die anonymen Nutzungsdaten einer lokal laufenden App tatsächlich einordnen würde, weil sich die Rechtsprechung dazu noch entwickelt. Aber die Grundregel bleibt dieselbe wie bei jedem KI-Tool: Wenn du nicht sicher bist, ob eine Datenverarbeitung nötig ist, schaltest du sie ab, bevor du überhaupt zu arbeiten anfängst. Wer sein KI-Setup ohnehin selbst hosten will, statt sich auf Herstellereinstellungen zu verlassen, findet in meinem Artikel zum datenschutzkonformen Eigenbetrieb eines Sprachmodells den technischen Rahmen dazu.
Für wen lohnt sich der Blick?
Osaurus richtet sich laut eigener Positionierung an alle mit einem Apple-Silicon-Mac, vom Freelancer bis zum Entwicklerteam. Aus meiner Beratungspraxis heraus sehe ich den größten Nutzen bei zwei Gruppen. Erstens bei EPU und KMU, die KI-gestützt arbeiten wollen, aber nicht bei jeder Aufgabe neu entscheiden möchten, ob ein Cloud-Anbieter mitliest. Zweitens bei technisch versierten Nutzern, die ohnehin schon mit MCP-Servern, Claude Code oder eigenen Automatisierungen arbeiten und Osaurus als zusätzliche, lokale Ebene in ein bestehendes Setup einziehen wollen, statt alles neu zu bauen.
Wer sich das anschauen will: Das Fenster dafür ist ein Wochenende, ein Apple-Silicon-Mac mit macOS 15.5 oder neuer, und die Bereitschaft, beim ersten Start sofort in die Privacy-Einstellungen zu gehen, bevor die App überhaupt losläuft. Mein Magma-Vault ist als Gedächtnis übrigens schon verbunden.
