Rocket Routine OS vs. Paperclip

Paperclip ist die ernsthafteste Antwort auf eine reale Frage: Wie organisiert man eine wachsende Flotte von AI-Agents, ohne den Überblick zu verlieren? Die Plattform liefert Org-Charts mit Rollen, Reporting Lines, Berechtigungen und Budgets pro Agent. Sie erzwingt Approval Gates, schreibt jede Konfigurationsänderung versioniert mit, erlaubt Rollbacks. Routinen laufen über Cron, Webhook und API. Task-Checkout und Budget-Enforcement sind atomar. Persistent State, Goal-aware Execution und Runtime Skill Injection lösen reale Probleme der Agent-Orchestrierung. Open Source, MIT-lizenziert, in drei Wochen 30.000 GitHub Stars. Das ist kein Hype — das ist eine echte Plattform.

Paperclip ist Org-Chart-Infrastruktur. Es liefert dir die Primitive — Rollen, Budgets, Approvals, Audit-Logs — aber kein Operating Model. Es gibt kein Framework dafür, wie Entscheidungen fließen sollen, welche Methode wann gewählt wird, wie eine Strategie in Routinen übersetzt wird. Approval Gates regeln Konfigurationsänderungen und das Hiring neuer Agents — aber keine Deliverable-Qualität. Wenn ein Agent eine Aufgabe abschließt, gibt es keine Definition of Done pro Artefakt, keinen QC-Report, keine First-Time-Through-Messung. Und es gibt keinen Learning-Loop, der nach jedem Zyklus System-Artefakte verändert. Persistent State und Skill Injection sind Konfiguration, nicht aufbauendes Lernen. Paperclip ist eine ausgezeichnete Plattform für die Mechanik. Die Methodik fehlt.

Die Tagline von Paperclip auf GitHub lautet "open-source orchestration for zero-human companies". Das ist eine klare Positionierung: maximale Automation, der Mensch wird ersetzt. Rocket Routine OS positioniert sich exakt entgegengesetzt. Der CEO bleibt souverän. Rocket Routine OS ist das Operating Environment, niemals der Entscheider. AI-Operatoren laufen in Adoption Levels (Shadow, Copilot, Autopilot) innerhalb expliziter Decision Rights und Role Contracts. Das ist kein semantischer Unterschied. Es bedeutet eine andere Architektur: Decision Impact Classification (Root, Trunk, Branch, Leaf) entscheidet, was AI alleine darf und was beim Menschen bleibt. Wer ein Unternehmen führen will und nicht eine "zero-human company" baut, braucht die zweite Architektur.

Rocket Routine OS ist kein Konkurrent zu Paperclip auf der Mechanik-Ebene. Paperclip kann der Execution-Runner für AI-Operatoren sein. Rocket Routine OS legt darüber: ein Operating Model mit dem I2I-Loop (Intent, Insight, Implementation, Impact), das OMPRIKL-Artefaktmodell (Outcomes, Metrics, Principles, Routines, Initiatives, Knowledge, Learning), eine Verification-Schicht mit Definition of Done und QC-Report pro Deliverable, FTT als zentrale Qualitätsmetrik, eine Decision Method Library, die für jede Entscheidung explizit eine Methode wählt, und einen Learning-Loop, in dem jede PDCA Act-Phase System-Artefakte verändert. Paperclip löst die Frage "Wie organisiere ich Agents?". Rocket Routine OS löst die Frage "Wie führe ich ein Unternehmen, in dem Agents arbeiten?".

Paperclip reicht, wenn dein Use Case ist: Ich brauche eine Plattform, um eine Flotte von AI-Agents zu betreiben, mit Budget-Kontrolle, Approval Gates und Audit-Log. Paperclip reicht nicht, wenn du ein Unternehmen führst und folgende Fragen beantworten musst: Welche Methode wenden wir bei welcher Entscheidung an? Wie stellen wir sicher, dass jedes Deliverable Qualitätsnachweise hat, bevor es ausgeliefert wird? Wie lernt das System aus jedem Quartalszyklus, sodass die nächste Runde besser läuft als die letzte? Wer trifft welche Entscheidung — Mensch oder AI — und woran liegt das fest? Wenn diese Fragen relevant sind, fehlt die Schicht über Paperclip. Diese Schicht heißt Rocket Routine OS.