KI-Agenten als Beziehungs-Copiloten: nützlich, vorsichtig, unsere

Ein LLM mit Lese-Zugriff auf dein Kontakt-Log ist für enge Aufgaben tatsächlich nützlich. Zeig mir alle Überfälligen, mit denen ich seit drei Monaten nicht gesprochen habe. Entwirf eine Geburtstags-Nachricht für Sara morgen. Gruppiere die Leute, die ich auf der Konferenz im November getroffen habe. Das sind Anfragen, die du manuell beantworten könntest - der Agent macht sie nur zehn Sekunden lang.

Contact Book liefert einen MCP-Server (Model Context Protocol), der die Daten-Seite des Produkts für kompatible Clients zugänglich macht - Claude Desktop, ChatGPT mit MCP, eigene Skripte. Die MCP-Oberfläche ist bewusst schmal: Zeilen lesen + schreiben, keine Auth- oder Billing-Tools. Diese Grenze ist tragend.

Drei Dinge sind heikel. Erstens autonome Kontaktaufnahme. Ein Agent, der Nachrichten in deinem Namen schickt, klingt super, bis der erste komische Entwurf um 2 Uhr in einer Inbox landet. Halte den Menschen beim Senden in der Schleife. Zweitens Beziehungs-Zusammenfassungen. Ein LLM, das "meine Freundschaft mit X zusammenfasst", produziert flüssige Prosa, die subtil falsch ist - du merkst es erst, wenn du jemanden mit einer erfundenen Tatsache begrüßt. Drittens muster-übergreifendes Lernen über Nutzer:innen hinweg. Wir trainieren nicht auf deinen Daten, Punkt.

Die Agent-Oberfläche nutzt dieselben Auth- und Zugriffs-Gates wie die normale API. Es gibt kein spezielles "Agent"-Token, das irgendwas umgeht. Rate-Limits, Audit-Logs, weiches Löschen und die WebSocket-Fan-out-Invarianten gelten genauso. Wenn dein Agent etwas Destruktives tut, erscheint es im Audit-Log wie jede andere Aktion.

Hörst du auf, den Agenten zu nutzen, widerrufst du das persönliche Access-Token. Die Daten bleiben unverändert. Wir speichern keine Agent-Spuren, profilen dein Verhalten nicht, bauen keinen Modell-Fingerabdruck von dir. Der Agent ist ein Werkzeug, das die API nutzt; er bekommt keine eigene Identität.