40+ Agentic-KI-Anwendungsfälle mit Praxisbeispielen

Autonome generative KI-Agenten führen komplexe Aufgaben mit wenig oder keiner menschlichen Aufsicht aus. Agentic AI unterscheidet sich von Chatbots und Co-Piloten.

Im Gegensatz zu traditioneller KI, insbesondere generativer KI, die bei komplexen Workflows oft menschliches Eingreifen erfordert, zielt Agentic AI darauf ab, Prozesse dank ihrer Entscheidungsfähigkeiten und ihres zielgerichteten Verhaltens autonom zu navigieren und zu optimieren. KI-Agenten dienen als:

KI-Agenten als Entwickler

1. Erstellen von Anwendungen

KI-Code-Editoren wie Cursor KI Editor, Windsurf Editor undReplit zielen darauf ab, Apps zu erstellen und bereitzustellen (z. B. To-Do-Listen-App), indem sie:

• Die richtigen Tools auswählen für die Aufgabe, wie Flask für APIs oder React für Frontends.
• Code generieren in der gewählten Sprache (z. B. Python, JavaScript) basierend auf einfachen Prompts.
• Workflows automatisieren mit Integrationen wie GitHub Actions für Tests und Bereitstellung.

So funktioniert es:

Ein Entwickler nutzte OpenAIs Operator und Replits KI-Agent, um eine ganze App in 90 Minuten zu erstellen. Zwei Agenten tauschten autonom Zugangsdaten aus und führten Tests aus. Diese agentenübergreifende Zusammenarbeit wurde in den ChatGPT Atlas Agent Mode integriert und erweitert die Fähigkeiten des Agenten über Entwicklungsumgebungen hinaus, etwa auf E-Commerce, Reisebuchungen und unternehmensinterne Web-Workflows.¹

Cursor’s Agentenmodus Composer zielt darauf ab, ein vollständiges Tic-Tac-Toe-Spiel aus einem einzigen Prompt zu generieren:„Erstelle ein Tic-Tac-Toe-Spiel mit HTML, CSS und JavaScript für 2 Spieler.“

Cursor ist in der Lage, über mehrere Dateien hinweg zu programmieren, Befehle auszuführen und automatisch zu bestimmen, welchen Kontext es benötigt (kein Hinzufügen von Dateien erforderlich).

Praxisbeispiel: Building applications case study

Rakuten hat seinen Entwicklungsworkflow mit Anthropics Claude Code in den Bereichen Unit-Tests, API-Mocking, Komponentenerstellung, Fehlerbehebung und Dokumentation neu aufgebaut. Rakuten erzielte:

• Time-to-Market für Funktionen um 79 % verkürzt
• Bis zu fünf Aufgaben parallel ausgeführt
• Komplexe Codebasen und Architekturentscheidungen verstanden.⁴

Mehr zum Erstellen von Agenten

Wenn Sie die Infrastruktur erkunden, die Agentic-KI-Systeme antreibt, empfehlen wir Ihnen einen Blick auf unsere neuesten Benchmarks:

• Remote-Browser: Wie Browser-Infrastruktur es Agenten ermöglicht, sicher mit dem Web zu interagieren.
• MCP-Benchmark: Top-MCP-Server für Tool-Nutzung und Webzugriff.

2. Erstellen Sie Ihre eigene API mit KI-Codierung

KI-Code-Editoren automatisieren die API-Erstellung, indem sie Spezifikationen in funktionsfähigen Code umwandeln. So funktioniert der Prozess normalerweise:

• Integration der Ausgabe in die Umgebung des Entwicklers für Tests, Versionskontrolle und Bereitstellung.
• Aufnahme von API-Spezifikationen (z. B. OpenAPI/Swagger-Dateien).
• Generieren von Backend-Code basierend auf den dokumentierten Endpunkten, Methoden und Schemata.

So funktioniert es:

No-Code-API-Workflows für KI-Agenten mit n8n.

Hier ist eine abstrakte Übersicht eines API-Workflows:

3. Bearbeiten von Code in natürlicher Sprache

Sie können Codeausschnitte auswählen und einfache englischsprachige Befehle erteilen, wie zum Beispiel:

„Verdopple die Größe des Bretts. Mach es grün – wie ein Apple-2e.“ (siehe Praxisbeispiel unten).

So funktioniert es:

Codierungsagenten wie Cursor erkennen die Absicht, ändern den relevanten Code über mehrere Dateien hinweg und wenden die Änderungen an.

Praxisbeispiel: Natural language code editing

Coinbase ist zu einem agentenzentrierten Engineering-Modell rund um Cursor übergegangen, hat die Sprintplanung neu gestaltet und den parallelen Einsatz von Agenten ausgeweitet, was zu Folgendem führte:

• 90 % Verkürzung der Zeit von der Idee bis zur Produktion
• 55 % mehr gemergte Pull Requests pro Entwickler.⁶

4. Erstellen von Websites

KI-Website-Ersteller wie v0 von Vercel, Bolt, Lovable und CerebrasCoder zielen darauf ab, komplexe Plattformen wie E-Learning-Websites zu erstellen, und generieren wichtige Seiten wie:

• Startseiten
• Kursübersichtsseiten
• Personalisierte Studenten-Dashboards

Ähnlich erstellen KI-Code-Editoren wie Replit Websites und nutzen APIs.⁵

So funktioniert es:

Hier ist der Automatisierungs-Workflow:

5. Generieren eines CRM-Dashboards

Agenten sind in der Lage, die Frontend-Oberfläche zu generieren, die Backend-Logik zu konfigurieren und Datenbankinteraktionen einzurichten.

So funktioniert es:

Roo Code verwendet das DeepSeek-Modell, um autonom vollständige CRM-Dashboards zu erstellen.

6. Rekursive Codierung

Während grundlegendes Codieren in der Regel eine Aufgabe für LLMs ist, sind rekursive Codierungs-Workflows, bei denen ein Agent Code iterativ über mehrere Ebenen hinweg verbessert/erweitert, von Natur aus agentisch.

Agenten schreiben große Codeblöcke autonom neu, wenden Konfigurationsänderungen an und testen Ergebnisse in Zyklen, bis ein Ziel erreicht ist.

So funktioniert es:

GT Edge KI konvertiert Legacy-COBOL-Code in modernes Java.⁹

Persistent bietet ein Multi-Agenten-Framework, das verwendet wird, um COBOL-Code autonom zu Java zu migrieren; es funktioniert folgendermaßen:¹⁰

Praxisbeispiel: Rekursive Codierung

Ein globales Logistikunternehmen nutzte IBM watsonx Code Assistant während seines Mainframe-Modernisierungsprogramms. Das Tool scannte den Bestand, erfasste ein strukturelles und funktionales Modell der Anwendung und isolierte bestimmte Geschäftsservices für die Konvertierung in Java. Auf diese Weise half IBM dem Unternehmen, Folgendes zu erreichen:

• 60 % höhere Entwicklerproduktivität bei der COBOL-zu-Java-Transformation
• Validiertes generiertes Java mit automatisierten Unit-Tests, die identische Ausgaben wie das ursprüngliche COBOL bestätigen¹¹

7. Code-Refactoring

Durch den Einsatz rekursiver Codierung verbessern KI-Agenten kontinuierlich das Design des Codes, ohne dessen Funktionsweise zu ändern, wodurch er leichter zu verstehen und zu warten ist.

So funktioniert es:

Entwickler eines Tech-Start-ups haben einen Agenten entwickelt, der Ihren Code refaktoriert, in über 25 Programmiersprachen.¹²

Praxisbeispiel: Code-Refactoring

Cognition hat eine 18-monatige Leistungsbilanz von Devin veröffentlicht, die auf dem Produktionseinsatz bei seiner Kundenbasis basiert, zu der Goldman Sachs, Santander und Nubank gehören, und meldet folgende Geschwindigkeits- und Merge-Raten-Werte für Migrations- und Refactoring-Arbeiten:

• Die Migration jeder Datei wurde in 3–4 Stunden abgeschlossen, verglichen mit 30–40 Stunden für einen menschlichen Entwickler – eine Verbesserung um etwa das 10x-fache
• Als Oracle den Legacy-Support für eine Java-Version einstellte, migrierte Devin jedes Repository in 14x weniger Zeit als ein menschlicher Entwickler
• Rund 67 % der Pull Requests von Devin werden jetzt gemergt, gegenüber zuvor etwa 34 %
• Hunderttausende von Pull Requests wurden über die Kundenbasis hinweg gemergt.¹³

8. Generieren von Codevorschlägen in Ihrer IDE

GitHub Copilot bietet einen autonomen Agentenmodus, der mehrstufige Codierungsaufgaben ausführen, Befehle ausführen und Code unabhängig in VS Code und JetBrains-IDEs iterieren kann, und geht damit über Echtzeitvorschläge und automatisch-Vervollständigungen hinaus.¹⁴

Praxisbeispiel: Generieren von Codevorschlägen

Accenture führte GitHub Copilot in einer randomisierten kontrollierten Studie bei seinen Entwicklern ein, wobei eine Gruppe Zugriff erhielt und eine Kontrollgruppe keinen. Die anhand der DevOps-Telemetrie von Accenture gemessenen Ergebnisse umfassen:

• 8.69 % mehr Pull Requests pro Entwickler
• 15 % höhere Merge-Rate bei Pull Requests
• 84 % mehr erfolgreiche Builds, was darauf hindeutet, dass der Durchsatz ohne Qualitätseinbußen gestiegen ist
• Rund 30 % der Copilot-Vorschläge wurden angenommen, wobei 88 % der generierten Zeichen im Editor beibehalten wurden
• 90 % der Entwickler gaben an, sich in ihrem Job erfüllter zu fühlen, und 95 % sagten, dass ihnen das Programmieren mehr Spaß macht.¹⁶

9. CI/CD-Pipeline-Überwachung und -Optimierung

KI-Agenten verwalten die Infrastruktur in Cloud-nativen Umgebungen wie Kubernetes. Diese DevOps-Agenten zielen darauf ab:

• Laufende Ingress-Controller identifizieren oder andere Workloads
• Laufende Pods identifizieren
• Übergeordnete Befehle interpretieren wie „NGINX-Pod herunterfahren“

So funktioniert es:

Wenn Claude über Tools oder Wrapper mit Kubernetes verbunden ist, kann es als DevOps-Agent zur Abfrage des Clusterstatus fungieren. „Prüfe, ob bei mir Pods laufen.“

Praxisbeispiel: CI/CD-Pipeline-Überwachung und -Optimierung

NVIDIA hat Cursor über die Codegenerierung hinaus auf Debugging, Code-Review, Testgenerierung und QA ausgeweitet und benutzerdefinierte Regeln konfiguriert, um den gesamten Git-Flow zu automatisieren.

• 3x mehr committeter Code von 30.000 Entwicklern
• Benutzerdefinierte Regeln automatisieren die Erstellung von Branches, Code-Commits, CI-Debugging und Issue-Tracking
• Cursor wird praktisch in allen Produktbereichen und in jeder Phase des Softwareentwicklungslebenszyklus eingesetzt
• Besonders effektiv beim Auffinden und Beheben seltener, hartnäckiger Fehler, wobei Agenten zu deren Behebung entsandt werden

KI-Agenten als SecOps-Assistenten

10. Bedrohungsintelligenz

Agenten sammeln und korrelieren TTPs von Bedrohungsakteuren (Taktiken, Techniken, Verfahren) aus Open-Source- und proprietären Feeds und integrieren Erkenntnisse in Erkennungs-Workflows.

So funktioniert es:

Microsofts Security Copilot enthält einen spezialisierten Threat Intelligence Briefing Agent, der Bedrohungsinformationen dynamisch sammelt, filtert und zusammenfasst.

Praxisbeispiel: Bedrohungsintelligenz

TÜV SÜD und Elanco haben beide Microsoft Security Copilot eingesetzt, um Untersuchungen und Bedrohungsanalysen in globalen IT-Umgebungen zu beschleunigen.

• TÜV SÜD analysiert Bedrohungen 60–70 % schneller
• Elanco reduzierte Reaktionszeiten um bis zu 50 %
• Analysten können Angriffsvektoren abfragen, auf die sie noch nie zuvor gestoßen sind, und erhalten brauchbare Antworten, ohne manuell in Intelligence-Feeds arbeiten zu müssen.²⁰

11. Erkennung & Triage

Diese Aktionen finden in der Phase der ersten Signalerfassung statt, um Rauschen zu reduzieren und Alarmdaten vor der tieferen Analyse zu organisieren.

• Alarm-Deduplizierung: Entfernt identische oder nahezu identische Ereignisse aus mehreren Quellen, um Rauschen zu reduzieren.
• Unterdrückung von Fehlalarmen: Unterdrückt wiederkehrende gutartige Alarme anhand früherer Lösungsmuster.
• Alarmgruppierung / Clustering: Fasst zusammengehörige Alarme (gleicher Benutzer, Host oder Taktik) zu einem einzigen Vorfall zusammen.

So funktioniert es:

Charlotte KI führt autonome Erkennung und Triage durch , indem sie:

• Identifiziert bösartiges Verhalten basierend auf bekannten TTPs.
• Querverweist Ausführungsmuster und Dateipfade.
• Bereitstellung einer für Menschen lesbaren Urteilserklärung.

Praxisbeispiel: Erkennung und Triage

CrowdStrike hat Charlotte KI Detection Triage mit Millionen echter Triage-Entscheidungen seiner eigenen Falcon-Complete-MDR-Analysten trainiert und sie dann unter einer vom Kunden definierten begrenzten Autonomie freigegeben, sodass Unternehmen festlegen, welche Aktionen sie ohne Hilfe ausführen darf.

• Über 98 % Übereinstimmungsrate mit den menschlichen Experten-Triage-Entscheidungen von Falcon Complete
• Durchschnittlich mehr als 40 Stunden manuelle Triage-Arbeit pro Woche eingespart
• Filtert Fehlalarme autonom und schließt risikoarme Alarme, bevor ein Analyst sie sieht
• Offengelegte Berechnung: durchschnittlich triagierte Alarme multipliziert mit einer manuellen Triage-Zeit von fünf Minuten pro Alarm²²

12. Kontextuelle Anreicherung & Bedrohungsattribution

Dieser Schritt erfolgt nach der ersten Triage und verleiht Alarmen mehr Tiefe und Kontext.

Automatisierte Angreifer-Attributionssysteme erfassen CTI-Feeds, extrahieren Verhaltens- und Zeitmerkmale und berechnen Ähnlichkeitswerte über Vorfälle hinweg. Clustering-Algorithmen ordnen dann Eindringversuche bekannten Bedrohungsakteuren wie z. B. APT41, Mozi oder Lazarus basierend auf Musterüberschneidungen zu.

So funktioniert es:

Google Chronicle + Mandiant + Gemini KI-Agenten erfassen Telemetrie und CTI-Feeds, reichern Alarme mit IOC-Kontext an (z. B. IP-Reputation, Malware-Hashes) und gleichen Verhaltensmuster mit bekannten Bedrohungsakteur-Taktiken aus dem MITRE ATT&CK-Framework ab.

In diesem agentischen Setup:

• Erkennung: Ein KI-Agent erkennt laterale Bewegungen mithilfe von Service-Konten.
• Anreicherung: Er reichert den Alarm automatisch mit Daten aus Chronicle-Protokollen, Asset-Inventar und Mandiant-Bedrohungsinformationen an.
• Attribution: Ein zweiter Agent gruppiert diese Aktivität mit historischen Eindringketten, die einer bekannten Gruppe (z. B. APT41) zugeordnet werden.

13. Eskalation & Übergabe

• Alarm-Übersetzung / -Vereinfachung: Wandelt technische Alarme in analystenfreundliche Zusammenfassungen um.
• Automatische Ticketerstellung und Analystenzuweisung: Erstellt Tickets und leitet Vorfälle an die entsprechende Stufe oder das entsprechende Team weiter.

So funktioniert es:

Torqs Socrates, ein agentischer SOC-Orchestrator, koordiniert spezialisierte Subagenten (Runbook-, Untersuchungs-, Behebungs- und Fallmanagement-Agenten) über den gesamten Tier-1-Falllebenszyklus.

Bei Eskalation und Übergabe:

• Erstellt Fälle automatisch in ITSM-Plattformen (z. B. ServiceNow, Jira), vorbefüllt mit den relevanten Observablen, Anreicherungen und strukturierten Daten.
• Weist Analysten zu basierend auf Arbeitsbelastung und Schichtplänen.
• Eskaliert selektiv, insbesondere wenn das Vertrauen gering ist, der Vorfall mehrdeutig ist oder die potenziellen Auswirkungen hoch sind.
• Fügt bei der Übergabe die vollständige Anreicherung bei, sodass Analysten eine einsatzbereite Fallakte anstelle eines rohen Alarms erhalten.

Praxisbeispiel: Fallstudie zu Eskalation und Übergabe

Carvana hat Torq HyperSOC mit Socrates implementiert, der spezialisierte Subagenten über den Tier-1-Falllebenszyklus hinweg koordiniert – von der Benutzerverifizierung über die Fallerstellung bis zur Analystenzuweisung.

• 100 % der Tier-1-Sicherheitsalarme von Carvana werden jetzt vom agentischen System bearbeitet
• 41 separate Runbooks innerhalb eines Monats nach der Bereitstellung automatisiert
• Analysten haben mehr Freiraum, um sich auf Alarme mit erheblichen potenziellen Auswirkungen auf das Unternehmen zu konzentrieren.
• ²⁵

14. Proaktive Reaktionsmaßnahmen

Im SecOps-Bereich isolieren Agenten Endpunkte, deaktivieren Konten oder beenden bösartige Prozesse. Diese Systeme zielen darauf ab:

• Protokolle automatisch abfragen mithilfe natürlicher Sprache oder kontextbezogener Auslöser
• Automatisierte Playbooks ausführen für Untersuchungen und Eskalation
• Workflows in Echtzeit anpassen basierend auf neuen Erkenntnissen oder geänderter Logik
• Infrastructure-as-Code generieren (z. B. Terraform, Pulumi) für die Behebung
• Entwirft und ändert Erkennungsregeln basierend auf Untersuchungserkenntnissen

So funktioniert es:

Google hat den SOC-Manager-Agenten entwickelt, der mehrere Subagenten nutzt, um einen strukturierten Incident-Response-Plan zur Malware-Erkennung auszuführen.²⁶

Agentische Projektstruktur:

Im letzten Schritt des Incident-Response-Plans (Schritt 5: Abschluss) wurden die IOCs (Indicators of Compromise) proaktiv vom SOC-Manager-Agenten blockiert, der ein automatisiertes Containment-Runbook ausführte (siehe unten).

Quelle:
Mandiant & Google Cloud Security²⁷

Praxisbeispiel: Proaktive Reaktion

Deepwatch, ein Anbieter für Managed Detection and Response, ersetzte ein fehlerhaftes Alt-SOAR durch Torq Hyperautomation, um Analyse und Triage über die Sicherheits-Stacks seiner Kunden hinweg zu beschleunigen.

• Über 90 % der Tier-1- und Tier-2-Aufgaben automatisiert
• Über Jahre angesammelte Legacy-SOAR-Automatisierungen in wenigen Wochen neu erstellt
• Schnelleres Kunden-Onboarding als das Unternehmen zuvor erreicht hatte, mit Workflows, die bei Bedarf erstellt wurden.²⁸

15. Bedrohungssuche

Agenten bei der Bedrohungssuche zielen darauf ab:

• Kontinuierlich nach Anomalien suchen in Identitäts-, Netzwerk- und Cloud-Protokollen
• Sich wiederholende Suchen automatisieren wie IOC-Lookups oder Mustererkennung
• Unbekannte Bedrohungen markieren durch den Vergleich des Verhaltens mit historischen Basiswerten und Peer-Aktivitäten

So funktioniert es:

Forscher haben ein MITRE ATT&CK-gesteuertes System zur Bedrohungssuche, automatisiert durch lokale LLM, entwickelt, bei dem KI-Agenten zusammenarbeiten, um Sigma-Regeln für die Bedrohungserkennung zu generieren.

In diesem Beispiel gibt ein Benutzer über eine Web-UI eine Anfrage ein (z. B. „Bitte erstelle eine Sigma-Regel für die Jagd nach Kerberoasting“).

Agent 1 ruft relevante Erkennungsmethoden aus MITRE ATT&CK ab, während Agent 2 diese Eingabe verwendet, um mithilfe eines Sprachmodells kontextbezogene Sigma-Regeln zu generieren.²⁹

16. Automatisierte Software- und Anwendungstests

KI-Testagenten erstellen und führen Unit-, Integrations-, Schwachstellen- und Leistungstests ohne umfangreiche manuelle Eingriffe aus. Der Aufbau dieser KI-Systeme ist jedoch ressourcenintensiv, da sie erhebliche Rechenleistung erfordern.

So funktioniert es:

Pcloudys Copilot stellt Selenium-Testskripte bereit, findet verfügbare Browser zum Testen und führt die Testfälle aus.³⁰

Praxisbeispiel: Automatisierte Tests

Uber hat AutoCover entwickelt, ein Multi-Agenten-Testgenerierungssystem, das sich in das Build-System integriert, um Code-Artefakte und Abhängigkeiten zu erkennen, und hat es in der gesamten Engineering-Organisation ausgerollt.

• Von September 2024 bis September 2025 für alle Uber-Ingenieure bereitgestellt
• Generiert jetzt rund 11 % aller neuen Tests, die geprüft und zur Codebasis von Uber hinzugefügt werden
• Produziert monatlich Hunderttausende Tests im IDE-Modus und Zehntausende im Headless-Modus
• Orchestriert fünf spezialisierte Agenten für Testvorbereitung, Synthese, Ausführung, Validierung und Reparatur.³¹

Weiterlesen: KI-Agenten-Builder und Open-Source-KI-Agenten.

KI-Agenten als menschenähnliche Spielfiguren

KI-Agenten verbessern NPCs und andere agentische Prozesse in der Spielwelt, indem sie NPC-Verhalten, Gameplay & Anpassungsfähigkeit und prozedurale Inhaltsgenerierung ausführen.

17. Agentische Nicht-Spieler-Charaktere (NPCs)

Vollständig autonome KI-Agenten im Gaming bieten menschenähnliches Verhalten und Gameplay für Nicht-Spieler-Charaktere (NPCs).

Praxisbeispiel: NPCs

Forscher haben eine kleine virtuelle Stadt mit KI bevölkert, indem sie eine Sandbox-Umgebung ähnlich wie Die Sims mit 25 Agenten namens „Stanford KI Village“ aufbauten.

In diesem Dorf können Benutzer die Agenten beobachten und mit ihnen interagieren, während sie Neuigkeiten austauschen, Beziehungen aufbauen und Gruppenaktivitäten organisieren.³²

Hier ist ein Überblick über die wichtigsten Komponenten und Ideen hinter diesen Konzepten:

• Verhaltensskripte: Die Agenten von Stanford KI Village verwenden vordefinierte Skripte für Aktionen und Reaktionen. Dazu können grundlegende Verhaltensweisen gehören, wie positiv mit anderen NPCs zu interagieren.
• Dynamisches Verhalten: NPCs nutzen KI, um ihr Verhalten basierend auf den Aktionen des Spielers anzupassen, wodurch die Spielwelt reaktionsfähiger wird.
• Pfadfindung: NPCs nutzen Algorithmen, um sich effektiv in der Spielwelt zu bewegen, Wege um Hindernisse herum zu finden und den Spieler zu verfolgen.

18 Gameplay

KI-Agenten spielen Videospiele oder unterstützen menschliche Spieler dabei, bestimmte Ziele zu erreichen, indem sie Folgendes nutzen:

• Pfadfindung und Navigation: Spielagenten erkunden Spielumgebungen und finden durch Versuch und Irrtum optimale Strategien. Beispielsweise lernen sie Navigationspfade in komplexen Labyrinthen, indem sie ihren Entscheidungsprozess kontinuierlich verfeinern.
• Eingabe-Emulation: Spielagenten emulieren Eingaben wie Tastaturanschläge, Mausbewegungen oder Gamepad-Steuerungen. Dadurch können sie wie ein menschlicher Spieler mit dem Spiel interagieren.
• Gameplay-Anpassungsfähigkeit: Agenten analysieren den Spielstil eines Spielers und passen Spielwelt, Interaktionen und Missionsdesign entsprechend an. Ein Schleichspieler könnte beispielsweise auf weniger direkte Kampfherausforderungen stoßen.

Praxisbeispiel: Gameplay

Google DeepMinds Scalable Instructable Multi-Agent (SIMA) navigiert und interagiert in Spielsituationen. SIMA zielt darauf ab, Spiele wie No Man’s Sky und Goat Simulator zu spielen.

Quelle: Google³⁴

19. Prozedurale Inhaltsgenerierung

KI-Agenten sind sehr gut in der Lage, große Mengen an Spielinhalten algorithmisch zu generieren, wie zum Beispiel:

• Gelände und Landschaften
• Kampfszenarien
• Charakterdesigns
• Klanglandschaften und Musik

So funktioniert es:

No Man’s Sky, ein Abenteuerspiel, nutzt prozedurale Generierung, um ganze Planeten zu erstellen mit:

• Unterschiedliche Topografien (z. B. Berge, Täler, Schluchten).
• Einzigartige Biome (z. B. Wüsten, Wälder, Ozeane).
• Dynamische Wettermuster (z. B. Stürme, Regenfälle).³⁵

KI-Agenten als Content-Ersteller

KI-Agenten automatisieren die Erstellung, Bearbeitung und Veröffentlichung von Inhalten und unterstützen menschliche Autoren. Zu den Anwendungen von KI-Schreibassistenten gehören:

20. Automatisiertes narratives Schreiben

KI-Agenten schreiben eine Erzählung, indem sie Kapitel gliedern, Inhalte entwerfen und Prosa ausfeilen.

Praxisbeispiel: Automatisiertes narratives Schreiben

In einem GitHub-KI-Agentenprojekt arbeiteten 10 spezialisierte KI-Agenten autonom daran, einen Roman mit 100.000 Wörtern (~300 Seiten) ganz ohne menschliches Schreiben zu verfassen.³⁶ Einige Beispiele dieser 10 Agenten sind:

• Spezifikationsagent: Analysiert Anforderungen an die Geschichte und sorgt für narrative Konsistenz.
• Produktionsagent: Generiert Inhalte und setzt kreative Änderungen um.
• Managementagent: Koordiniert zwischen Agenten und verfolgt den kreativen Fluss.
• Duplizierungsagent: Verhindert inhaltliche Redundanz und Duplikate.

Hier ist ein Livestream, der zeigt, wie Agenten den Roman erstellen:

21. Erstellung technischer Berichte oder Angebote

KI-Agenten entwerfen autonom technische Berichte, darunter:

• Engineering-Berichte
• Projektvorschläge
• Forschungsarbeiten
• Produktspezifikationen

So funktioniert es:

ParagraphAI, ein KI-Schreibassistent, erstellt technische Engineering-Berichte, indem er den Zeitplan, das Budget sowie die erforderlichen Ressourcen und Mitarbeiter skizziert.³⁸

22. Wissensbasierte Artikelgenerierung

Agenten beziehen Informationen aus Wissensdatenbanken wie Wikipedia, Produkthandbüchern oder akademischen Zeitschriften, um einen umfassenden Überblick über ein bestimmtes Thema zu erstellen.

So funktioniert es:

Perplexity Pages wandelt generative KI-Suchergebnisse in strukturierte Wikipedia-Seiten um.³⁹

23. Dashboard- und Diagrammerstellung

Agenten generieren UI/UX-Komponenten, Systemdiagramme und Flussdiagramme auf Basis von Text-Prompts und optimieren so den Designprozess.

So funktioniert es:

FigJam KI verwendet Text-Prompts, um Folgendes zu generieren:

• Dashboards für Meetings und Teamübungen
• Diagramme und Flussdiagramme
• Visuelle Zeitpläne und Gantt-Diagramme⁴⁰

KI-Agenten als Versicherungsassistenten

Agenten automatisieren die Prüfung und Genehmigung von Ansprüchen sowie die Betrugserkennung und optimieren so den gesamten Lebenszyklus der Schadenbearbeitung. Beispielsweise automatisiert ein großer Versicherer ~90 % der individuellen Kfz-Schäden, indem er benutzerdefinierte KI-Agenten in seinen Schadenworkflow integriert.⁴¹

Unternehmensanbieter wie Oracle und SAP haben Agentic AI in den Bereichen Lieferkettenmanagement, Finanzbetrieb, HR und Kundenerlebnis eingesetzt. Diese Agenten können Bestandsoptimierung, Beschaffungsautomatisierung und Finanzabstimmung übernehmen.

24. End-to-End-Schadenbearbeitung

Sobald ein Anspruch eingereicht wird, extrahieren agentische KI-Systeme relevante Daten aus den eingereichten Formularen, gleichen die Details mit bestehenden Datenbanken ab und markieren Unstimmigkeiten oder potenzielle Betrugssignale.

So funktioniert es:

Microsofts Power Platform – automatisiert ein Versicherungsanspruchsformular:

Hierbei Microsofts Power Platform:

• Erfasste Schadenformular-Dokumente wie Checkbox-Auswahlen und Texte.
• Schadenformular in SharePoint hochgeladen – die Content-Management-App.
• Daten aus dem Schadenformular extrahiert wie Anspruchs-ID und Checkbox-Werte (z. B. Anspruchstyp, Policennummer).
• Integration mit Dataverse zur Datenspeicherung, um die extrahierten Daten (einschließlich Checkbox-Werte) in Microsoft Dataverse zu speichern.
• Workflows in Formularen verarbeitet, z. B. Power-App-Agenten verwendet, um Ansprüche zu genehmigen oder abzulehnen.

25. Underwriting

Agentic AI automatisiert das Underwriting mit spezialisierten Agenten, darunter ein Risikobewertungsagent für die Einschätzung der Anspruchswahrscheinlichkeit und ein Preisagent für dynamische Prämienanpassungen usw.

So funktioniert es:

Akira KI‘s Agenten automatisieren das Versicherungs-Underwriting und die Risikobewertung durch das Multi-Agenten-System, wobei jeder auf einen kritischen Aspekt des Underwritings spezialisiert ist:

• Datensammelagent: Sammelt sowohl strukturierte als auch unstrukturierte Daten.
• Risikobewertungsagent: Analysiert historische Daten und Antragstellerdetails, um die Wahrscheinlichkeit von Ansprüchen vorherzusagen.
• Betrugserkennungsagent: Erkennt Anomalien oder verdächtige Muster in Ansprüchen und Anträgen.
• Preisagent: Schlägt eine Preisgestaltung vor, basierend auf Faktoren wie Marktbedingungen, Wettbewerbspreisen und Kundenverhalten.⁴³

Praxisbeispiel: Underwriting

Das U.S.-Middle-Market-Team von Zurich North America hat Sixfold eingesetzt, das Tausende Seiten mit Expositionsdaten, Schadenverläufen und Risikoberichten in eine prägnante Underwriting-Darstellung destilliert, die Underwriter anpassen können, bevor sie ihr eigenes Urteil anwenden.

• 80 % der von 16 Underwritern bearbeiteten Einreichungen wurden während der ersten Einführung mit Sixfold verarbeitet
• Durchschnittlich geschätzte 60 Minuten Ersparnis pro Einreichung
• Im Januar 2025 mit vier Middle-Market-Büros gestartet, wird jetzt landesweit auf Dutzende Büros ausgeweitet
• Sixfold kam über die Zurich Innovation Championship 2024 zu Zurich und gewann in der Kategorie Gewerbeversicherung.⁴⁴

26. Personalisierte Policenbearbeitung

Agenten kommunizieren dem Versicherungsnehmer den Anspruchsstatus und die nächsten Schritte, einschließlich erforderlicher zusätzlicher Unterlagen, Genehmigungs-/Ablehnungsaktualisierungen oder Auszahlungsdetails.

Praxisbeispiel: personalisierte Policenbearbeitung

Lemonades KI Jim kommuniziert die Schadenergebnisse direkt an den Versicherungsnehmer. Sobald ein Anspruch eingereicht wurde, übernimmt KI Jim:

• Empfängt die erste Schadenmeldung (First Notice of Loss, FNOL), ein kurzes Video oder eine Textnachricht des Kunden.
• Führt eine konversationelle Triage durch und stellt klärende Fragen, um den Kunden durch den Prozess zu führen.
• Überprüft Policen- und Deckungsdetails mit regelbasierten Prüfungen.
• Führt Anti-Betrugs-Algorithmen aus, bevor der Anspruch genehmigt wird.
• Sendet Zahlungsanweisungen an die Bank und benachrichtigt den Versicherungsnehmer, dass der Anspruch angenommen wurde.

KI-Agenten als Personalwesen (HR)-Assistenten

HR-Abläufe umfassen oft zahlreiche repetitive Aufgaben wie das Screening von Lebensläufen, die automatisiert werden können. Hier sind wichtige Beispiele für Agentic AI im HR-Betrieb:

27. Lebenslauf-Screening

Agentische Workflows automatisieren den Screening-Prozess, filtern relevante Fähigkeiten und vergeben automatisch Bewertungen auf der Grundlage Ihrer vordefinierten Kriterien.

So funktioniert es:

PepsiCo nutzt KI-Tools, um Kandidaten danach zu bewerten, wie gut sie die Stellenanforderungen erfüllen.⁴⁵

Praxisbeispiel: Lebenslauf-Screening

Chipotle hat die konversationelle KI von Paradox als virtuelles Teammitglied namens „Ava Cado“ eingesetzt, das mit Kandidaten chattet, Fragen zum Unternehmen beantwortet, grundlegende Informationen sammelt, Vorstellungsgespräche plant und Angebote versendet, sobald ein Manager einen Kandidaten ausgewählt hat.

• Die Zeit von der Bewerbung bis zum Starttermin sank von 12 Tagen auf vier Tage, eine Verkürzung um bis zu 75 %
• Die Abschlussquote der Bewerbungen stieg von 50 % auf über 85 %
• Die Anzahl der Bewerbungen verdoppelte sich
• In mehr als 3.500 Restaurants in Nordamerika und Europa eingesetzt
• Funktioniert auf Englisch, Spanisch, Französisch und Deutsch.⁴⁶

28. Terminplanung für Vorstellungsgespräche

Agenten können die Planung von Vorstellungsgesprächen übernehmen und sich zwischen Kandidaten und Personalverantwortlichen abstimmen, um optimale Zeiten zu finden.

So funktioniert es:

LinkedIn HR Assistant übernimmt alltägliche Aufgaben wie das Zusammenfassen von Stellenbeschreibungen, die Suche nach Kandidaten und einfache Screening-Anrufe.⁴⁷

Praxisbeispiel: Terminplanung für Vorstellungsgespräche

ISS North America nutzte die konversationelle KI von Paradox, um die administrative Planungsebene zwischen Kandidaten und Personalverantwortlichen in einer verteilten Umgebung mit hohem Volumen zu bewältigen.

• 85 % Verkürzung der Einstellungszeit
• Rund 10.000 Stunden jährlich eingespart
• Auf derselben Plattform spart Great Wolf Lodge jährlich 700.000 US-Dollar, und ein Einzelhändler gab den Filialleitern über 40.000 Stunden pro Woche zurück
• Ein Kunde verkürzte die durchschnittliche Einstellungszeit unmittelbar nach der Einführung von über 10 Tagen auf unter fünf Tage.⁴⁸

29. Lohn- und Gehaltsabrechnungsautomatisierung

Agenten in der Lohn- und Gehaltsabrechnung berechnen Gehälter, verarbeiten Abzüge und kümmern sich um Steuereinbehalte. Sie integrieren sich mit HRIS-Systemen (Human Resources Information System) und Buchhaltungssoftware, um Genauigkeit und Einhaltung der Lohnstandards sicherzustellen.

Erfahren Sie mehr über Finanzautomatisierungslösungen wie:

• RPA-Finanz-Anwendungsfälle und -Tools
• Finance-LLM-Tools-Benchmark
• Agentic-KI-Finanztools

So funktioniert es:

Akira AIs Multi-Agenten-Lohnabrechnungssystem automatisiert jeden Aspekt des Lohnabrechnungszyklus. Das System verwendet mehrere Agenten, darunter:

Hier verwendet Akira AIs Multi-Agenten-Lohnabrechnungssystem mehrere Agenten, darunter:

• Datenaufnahme- & Vorverarbeitungsagent: Verwendet Datenextraktionsmethoden, um Daten aus HR- und Finanzsystemen zu bereinigen.
• Lohnabrechnungs-Berechnungsagent: Automatisiert Lohnberechnungen, einschließlich Gehalt, Abzüge und Boni.
• Compliance-Reporting-Agent: Erkennt Compliance-Probleme mithilfe von maschinellem Lernen.
• Anfrage-Lösungsagent: Löst Lohnabrechnungsprobleme mithilfe von RAG.

KI-Agenten als Kundenservice-Assistenten

Herkömmliche Chatbots bearbeiten einfache Anfragen, haben aber bei komplexen Anliegen Schwierigkeiten. Agentische Kundenservice-Tools begegnen dem, indem sie:

• Nuancierte Anfragen interpretieren, auch wenn Fragen vage oder komplex sind
• Nahtlos über Chat-, Sprach- und E-Mail-Kanäle hinweg arbeiten und dabei Daten aus Kundenprofilen, Bestellverlauf und Wissensdatenbanken abrufen
• Kontext aus früheren Interaktionen beibehalten, um fundiertere und personalisiertere Antworten zu ermöglichen
• Proaktiv agieren, z. B. Erinnerungen für Check-ups oder Follow-ups senden, bevor der Kunde Kontakt aufnimmt

30. Beantwortung von Kundenanrufen:

Wenn ein Kunde wegen einer Anfrage anruft, verarbeiten KI-Agenten den Anruf mit natürlicher Sprache.

So funktioniert es:

Ada KI Agent beantwortet Kundenanrufe:

31. Beantwortung von Kunden-Tickets

KI-Agenten liefern kontextbezogene Antworten oder leiten Kunden an die entsprechenden Ressourcen für weitere Unterstützung weiter.

Praxisbeispiel: Beantwortung von Kunden-Tickets

Intercoms Fin-KI-Agent löst Kundentickets autonom. Für jedes eingehende Ticket:

• Erschließt die Absicht aus der Kundennachricht.
• Ruft relevante Inhalte ab aus der Wissensdatenbank, Hilfeartikeln und dem Ticketverlauf.
• Entwirft eine Antwort und entscheidet dann, ob es das Ticket allein lösen kann oder es eskalieren muss.
• Übergibt mit Kontext, wenn es eskaliert, und übergibt das vollständige Transkript, seine Zusammenfassung des Problems und warum es nicht lösen konnte.

Synthesia und Fundrise haben denselben Intercom-Fin-Agenten im Start-up- und Wachstumsmaßstab eingesetzt und bilden damit einen Gegenpol zu den Unternehmenszahlen von Klarna.

• Synthesia: über 6.000 Gespräche innerhalb von sechs Monaten gelöst, über 1.300 Support-Stunden eingespart
• Synthesia: Self-Service-Supportquoten von bis zu 87 %
• Fundrise: über 50 % des gesamten Supportvolumens innerhalb von drei Monaten automatisiert
• Fundrise: 95 % Antwortgenauigkeit beibehalten, saisonale Fallspitzen im Jahresvergleich etwa halbiert.⁵⁰

32. Versand von Follow-up- und informativen SMS

Nach einer Interaktion senden Agenten SMS-Nachrichten, um mit Kunden in Kontakt zu bleiben. 42.8 % der Unternehmen verwenden KI-Textagenten und 33.4 % KI-Sprachagenten für proaktive Kontaktaufnahme.⁵¹

So funktioniert es:

Toyotas E-Care-KI-Agent verbindet sich mit der Bordelektronik eines Fahrzeugs und kontaktiert Kunden, um sie auf Reparatur- oder Wartungsbedarf hinzuweisen, und führt sie dann durch die Buchung des Fahrzeugs in einer Serviceeinrichtung. Der Agent reduziert die Gesamtbelastung durch eingehende Serviceanrufe.⁵²

Anders als geplante Massenaussendungen passt sich die agentische Outbound-Kommunikation an jeden Empfänger an. Bei einem Versorgungsausfall:

• Ermittelt, welche Stadtteile betroffen sind, anstatt die gesamte Basis anzuschreiben.
• Prüft den bevorzugten Kanal jedes Kunden (SMS, WhatsApp, Sprache oder E-Mail).
• Sendet personalisierte Updates (z. B. „Die Stromversorgung wird voraussichtlich bis 16:15 Uhr wiederhergestellt.“).
• Follow-up automatisch durchführen, wenn die Wiederherstellung länger dauert als erwartet, und eskalieren an einen menschlichen Agenten, wenn der Kunde mit Bedenken antwortet.

33. FAQ-Erstellung und -Optimierung

Agenten:

• Erstellt und aktualisiert FAQs automatisch aus Live-Kundeninteraktionen und dem Ticketverlauf.
• Integriert mit CRM-, Chat- und Wissensdatenbank-Tools, um wiederkehrende Anfragen zu identifizieren.

So funktioniert es:

Zendesks Knowledge Builder analysiert Tickets der letzten 30 Tage, betrachtet sowohl die von Kunden gemeldeten Probleme als auch die von Agenten bereitgestellten Lösungen und generiert eine Kategoriestruktur mit Entwurfsartikeln. Zendesks Knowledge Copilot pflegt dann die Wissensdatenbank, indem er:

• Inhaltslücken identifiziert und Aktualisierungen für Artikel vorschlägt, die wiederkehrende Tickets teilweise abdecken.
• Entwurfsartikel oder Verfahren aus Ticketdaten generiert.
• Bewertet den Zustand der Inhalte hinsichtlich Abdeckung, Aktualität (Anteil kürzlich aktualisierter Artikel) und KI-Lesbarkeit (Anteil der für die KI-Verarbeitung formatierten Artikel).
• Hebt Support-Themen hervor, markiert Spitzen bei wiederkehrenden Anfragen (z. B. Passwortzurücksetzungen) und empfiehlt neue Help-Center-Artikel.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

KI-Agenten als Forschungsassistenten

KI-Agenten als Forschungsassistenten werden in verschiedenen Bereichen eingesetzt, um bei Datenanalyse, Literaturrecherche, Hypothesengenerierung und experimentellem Design zu unterstützen.

Praxisbeispiele:

1. OpenAIs Deep Research nutzt Reasoning, um große Mengen an Online-Informationen zu synthetisieren und mehrstufige Recherchen auf Promotionsniveau durchzuführen, wenn es große Suchen mit o3 & DeepSeek ausführt.⁵³⁵⁴

In einem Experiment, in dem Forscher Deep Research beauftragten, ein reales Projekt mit einem detaillierten Prompt durchzuführen, hat Deep Research:

• Vor Beginn Folgefragen gestellt, um Umfang und Details des Forschungsprojekts zu klären.
• Erkenntnisse aus 22 Quellen auf der Grundlage akademischer und Branchenberichte zusammengefasst.⁵⁵

2. Das Clinical-Decision-Support-System (CDS) von ChemicalQDevice wurde beauftragt, einen agentischen Workflow für die Arzneimittelforschung auszuführen. In diesem Beispiel hat das System von ChemicalQDevice:

• Riesige Mengen klinischer Literatur aus Datensätzen analysiert.
• Automatisierte Codierung mit Tools wie GitHub Actions ausgeführt.
• Generative KI (z. B. GPT-4 oder angepasste Modelle) verwendet, um Hypothesen zu generieren, experimentelle Designs vorzuschlagen und Forschungsberichte zu schreiben.⁵⁶

3. Das End-to-End-agentische Workflow-System otto-SR nutzt LLMs, um Literaturrecherchen durchzuführen, Ein-/Ausschlusskriterien anzuwenden, strukturierte Daten zu extrahieren und Metaanalysen durchzuführen.⁵⁷

4. Google setzte einen agentischen Peer-Reviewer auf den Konferenzen ICML und STOC ein, um Teile des wissenschaftlichen Begutachtungsprozesses in großem Maßstab zu automatisieren. Bei diesem Einsatz hat der Agent:

• Ungefähr 10.000 Arbeiten mit einer Bearbeitungszeit von 30 Minuten pro Manuskript verarbeitet.
• 34 % mehr mathematische Fehler entdeckt als Standard-Zero-Shot-Prompting-Methoden.⁵⁸

OpenAIs Deep Research, das System von ChemicalQDevice und otto-SR können in mehreren der unten aufgeführten agentischen Anwendungsfälle eingesetzt werden:

34. Literaturrecherche und Wissensentdeckung

KI-Agenten durchsuchen autonom akademische Datenbanken, Fachzeitschriften und Online-Forschungsrepositorien (z. B. Google Scholar, PubMed), um relevante Studien, Arbeiten und Artikel zu bestimmten Forschungsthemen oder Hypothesen zu sammeln.

35. Hypothesengenerierung und -prüfung

Fortschrittliche Analyseagenten scannen kontinuierlich Datenströme, um autonom Geschäftshypothesen zu generieren und zu testen. Wenn eine Anomalie wie ein Anstieg der Warenkorbabbrüche auftritt, testet der Agent sofort Variablen wie Seitenlatenz oder fehlgeschlagene Aktionscodes und liefert den Benutzern validierte Erkenntnisse in Minuten statt Tagen.

36. Data-Mining und -Analyse

KI-Agenten erfassen strukturierte und unstrukturierte Daten aus verschiedenen Quellen wie Forschungsdatenbanken, sozialen Medien, Patenten oder Ergebnissen klinischer Studien und liefern Einblicke in aufkommende Trends.

Fallstudie zu Data-Mining und -Analyse: AES

AES nutzte Agenten, die auf Google Clouds BigQuery und Vertex KI basieren, um strukturierte und unstrukturierte Daten im gesamten internen Audit-Bestand zu synthetisieren.

• Auditkosten um 99 % gesenkt und Zeit von 14 Tagen auf eine Stunde verkürzt
• General Mills sparte über 100 Millionen US-Dollar, indem es Mitarbeitern sicheren Zugriff auf generative KI über seine Daten ermöglichte
• Nevadas Ministerium für Beschäftigung, Ausbildung und Rehabilitation baute einen Berufungsassistenten, der Schiedsrichtern half, 4x schneller zu entscheiden.⁵⁹

37. Datenvisualisierung und -präsentation

Analyseagenten kompilieren Rohdaten automatisch zu präsentationsfertigen Visualisierungen und übersetzen komplexe Trends in übersichtliche Kohortenanalyse-Diagramme und Finanz-Waterfalls mithilfe integrierter Tools wie Tableau oder Power BI.

KI-Agenten als Computerbenutzer

„Computer Use“ zielt darauf ab, KI in die Lage zu versetzen, wie ein Mensch mit einem Computer zu interagieren. Dies bietet die Flexibilität, digitale Aufgaben auszuführen, ohne betriebssystem- oder webspezifische APIs zu verwenden.

Es gibt zwei Ansätze, mit denen KI-Agenten Aufgaben wie Menschen ausführen können:

1. Ausführen von Aktionen über die grafische Benutzeroberfläche (GUI) des Betriebssystems (Anthropics Claude, Microsofts OmniParser usw.).
2. Surfen im Web (OpenAI Operator, Kura KI, Runner H, HyperWriteAI, MultiOn Agent Q usw.)).

Tool-Beispiele:

1. ChatGPT Atlas mit Agent Mode, Nachfolger des Operator-Tools, wechselt zwischen Anwendungen und erledigt komplexe webbasierte Aufgaben, um die GUI zu vereinheitlichen.¹
2. Kura KI und Runner H zielen darauf ab, Aufgaben mithilfe von Webbrowsern zu erledigen.⁶⁰⁶¹
3. HyperWriteAI zielt darauf ab, Textformulare auszufüllen, Schaltflächen anzuklicken und Menüauswahlen zu treffen, um eine Online-Bestellung aufzugeben.⁶²
4. Microsofts OmniParser verbessert das Verständnis von Agenten für visuelle Schnittstellen zur GUI-Automatisierung.⁶³

38. Formularausfüllen & Webautomatisierung

Agenten navigieren auf Webseiten, klicken Felder an und füllen Formulare auf der Grundlage von Benutzer-Prompts oder strukturierten Daten aus.

So funktioniert es:

Praxisbeispiel: Formularausfüllen

Danfoss setzte Google Cloud-KI-Agenten in der industriellen Fertigung ein, um die E-Mail-basierte Auftragsabwicklung zu automatisieren, und erreichte:

• 80 % der Transaktionsentscheidungen automatisiert
• Durchschnittliche Kundenreaktionszeit von 42 Stunden auf nahezu Echtzeit verkürzt.⁶⁵

39. Dokumentenerstellung und -bearbeitung

Agenten öffnen Dateien, nehmen Änderungen vor, benennen um, organisieren und speichern Dokumente in lokalen oder Cloud-Umgebungen.

So funktioniert es:

Anthropics Claude wird aufgefordert, „25 Zeilen mit Beispielausgaben zu generieren, sie in einer Tabelle zu speichern und die Tabelle dann zu öffnen.“

In diesem Beispiel hat Claude:

• Die CSV-Datei in der LibreOffice-Calc-App geöffnet.
• Eine CSV-Datei mit 25 Zeilen Beispieldaten für Ausgaben erstellt.
• LibreOffice Calc Tabellenkalkulation installiert.⁶⁶

40. Web-Recherche & strukturierte Datenerfassung

Im Gegensatz zu einfachen Automatisierungsskripten interpretieren Deep-Web-Recherche-Agenten unstrukturierte Informationen über mehrere Seiten hinweg und liefern Erkenntnisse in einem strukturierten Format zurück.

So funktioniert es:

OpenAIs Deep Research, eine neue agentische Fähigkeit innerhalb von ChatGPT für mehrstufige, kontextreiche Web-Recherche, plant, navigiert und synthetisiert Informationen aus mehreren Quellen, um komplexe Anfragen zu beantworten.

41. CLI-Operationen & Skriptausführung

CLI-basierte Codierungsagenten wie Aider, die für terminalbasierte Entwicklungsworkflows konzipiert sind, führen Shell-Befehle aus, installieren Software, starten Skripte und interpretieren Ausgaben in Terminalschnittstellen.

So funktioniert es:

Aider, ein CLI-nativer KI-Codierungsagent, wird von Entwicklern verwendet, um Codebasen zu refaktorieren und Shell-Befehle auszuführen, z. B. das Ausführen von Test-Suiten (pytest, npm test). Der Agent interpretiert Terminalausgaben, behebt Fehler iterativ und committet Änderungen direkt in Git-Repositories.⁶⁷

Als Alternative zu Aider hat Cognition Devin 2.0 geliefert, einen autonomen KI-Softwareentwickler mit einer CLI-nativen Variante, die direkt mit terminalbasierten Agenten konkurriert. Devin ist in der Lage, Codebasen zu refaktorieren, Shell-Befehle auszuführen, Test-Suiten laufen zu lassen und Änderungen in Git-Repositories zu committen.⁶⁸

42. Multimodale App-Navigation & -Koordination

Vereinheitlichte GUI-Agenten (z. B. OpenAI Operator-Prototypen) können zwischen Anwendungen wechseln.

So funktioniert es:

Um einen Anwendungsfall für die Bestellzustellung zu testen, habe ich eine einfache Einkaufsanfrage von Open Operator gestellt: Hilf mir, einen Boho-Stil-Wurfkissenbezug für unter 30 US-Dollar zu kaufen.

43. Autonome Workflow-Agenten (Langfristige Aufgabenbearbeitung)

Planungsagenten mit Gedächtnis + Tool-Nutzung (z. B. Automatisch-GPT, Agent Q mit Zielsetzung) führen mehrstufige Ziele über verschiedene Tools hinweg aus (z. B. Eingaben sammeln, Aktionen ausführen, Plan überarbeiten) und treffen Entscheidungen in Echtzeit.

So funktioniert es:

In dieser mehrstufigen Finanzberichtsanalyse erhält der KI-Planungsagent die Aufgabe: „Analysiere die finanzielle Leistung des letzten Quartals und erstelle eine Zusammenfassung für das Finanzteam.“

Der Agent wird gebeten, Folgendes zu beschaffen:

• Aktuelle Unternehmensnachrichten (Top 3 Meldungen)
• Aktueller Aktienkurs des Unternehmens (AAPL)
• Unternehmensinformationen (z. B. Profil, Marktkapitalisierung, Sektor)
• Historische Aktienkurse (Tagesintervall über den letzten Monat)
• Analystenempfehlungen (z. B. Kaufen/Halten/Verkaufen-Bewertungen)

Hier ist das Ergebnis des Finanzberichts:

MultiOn Agent Q bucht einen Flug.

Erstellen von KI-Agenten

Der Wandel von einfachen Agentenanwendungen wie Wetterabfragen in natürlicher Sprache mit Tools wie LangChain hin zu komplexeren, autonomen Anwendungsfällen wie der App-Entwicklung (z. B. Generierung eines Tic-Tac-Toe-Spiels mit dem Cursor-KI-Editor) führte zu folgenden Herausforderungen:

Dieser Wandel bringt Herausforderungen mit sich, etwa das Management mehrstufiger Workflows, den Umgang mit API-Fehlerschleifen und die Aufrechterhaltung des Kontexts über große Codebasen hinweg.

• Komplexität bei der Aufgabenausführung managen
  • Muster standardisieren, die ihren Entscheidungsprozess leiten.
  • Mehrere Optionen einbeziehen und die optimale Aktion zur Ausführung einer Aufgabe auswählen. (z. B. „Soll ich diesen Bildschirm oder einen anderen basierend auf der Benutzereingabe anzeigen?“).
• Anbindung an externe Systeme und APIs

44. Generieren benutzerdefinierter KI-Agenten:

Frameworks zum Erstellen von KI-Agenten helfen, diese Herausforderungen zu bewältigen, indem sie Folgendes bereitstellen:

• Entscheidungs- & Reasoning-Frameworks (z. B. maschinelles Lernen oder probabilistische Modelle), um Muster zu standardisieren & mehrere Optionen einzubeziehen.
• Datenzugriffs- & Integrationstools (z. B. API-Konnektoren) für die Anbindung an externe Systeme und APIs.

Das Entwickler-Ökosystem setzt zunehmend spezialisierte agentische Orchestrierungstools ein wie LangGraph, CrewAI, Google Agent Development Kit, Mastra, OpenAI Agents SDK und Claude Agent SDK, da diese Tools die strukturierten Workflows für Multi-Agenten-Koordination und langfristige Aufgaben bieten.

So funktioniert es:

Erstellen eines benutzerdefinierten Slowenien-Reiseführer-Agenten mit Microsoft 365:

Praxisbeispiel: Generieren benutzerdefinierter KI-Agenten

AppFolio migrierte seinen Realm-X-Immobilienverwaltungs-Copiloten von einer kettenbasierten Architektur zu LangGraph und veröffentlichte Vorher-Nachher-Zahlen zu den Ergebnissen der Umstellung.

• 2x Verbesserung der Antwortgenauigkeit nach der Migration
• Über 10 Stunden pro Woche und Immobilienverwalter eingespart
• Dynamisches Few-Shot-Prompting verbesserte die Leistung bei bestimmten Funktionen von 40 % auf 80 %.⁷²

FAQs

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{40+ Agentic-KI-Anwendungsfälle mit Praxisbeispielen}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Abgerufen am 26. August 2026}
}

Änderungsprotokoll

20 Aktualisierungen

1. 202626. Aug

   „Real-life example“ wurde durch „How it works“ im Abschnitt „Building applications“ ersetzt, um die Art der Beispiele zu verdeutlichen.

2. 4. Aug

   Ein reales Beispiel wurde zum Abschnitt „Personalisierte Richtlinienauflösung“ hinzugefügt, das eine konkrete Veranschaulichung des Konzepts bietet.

3. 16. Jul

   Eine länderspezifische URL aus einem Praxisbeispiel entfernt, um den Inhalt universell zugänglich zu machen.

4. 8. Jul

   Das 'Praxisbeispiel' in der Einleitung wurde erweitert und bietet ein umfassenderes Verständnis der Möglichkeiten der Cross-Agent-Zusammenarbeit.

5. 7. Jul

   Das 'Praxisbeispiel' im Abschnitt 'CI/CD-Pipeline-Überwachung und -Optimierung' wurde aktualisiert, um Claudes Rolle als DevOps-Agent klarer zu verdeutlichen.

6. 202513. Nov

   Die Sprache des Artikels wurde aktualisiert, um die Fähigkeiten von Agenten-KI zu verdeutlichen und den Lesern ein präziseres Verständnis ihrer autonomen Funktionen zu vermitteln.

7. 16. Jul

   Die Nummerierung des Artikels wurde aktualisiert, um den Lesern eine genauere Zählung der Anwendungsfälle zu ermöglichen.

8. 20. Jun

   Der Abschnitt „Entwicklung und IT-Betrieb“ wurde aktualisiert und bietet den Lesern klarere, spezifischere Kategorien für KI-Agentenanwendungen.

9. 19. Jun

   Der Abschnitt „Agentic AI Anwendungsfälle“ wurde erweitert, um den Lesern ein detaillierteres und strukturierteres Verständnis der Anwendungen von Agentic AI in verschiedenen Bereichen zu bieten.

10. 11. Apr

    Der Abschnitt „KI-Agenten als Entwickler“ wurde aktualisiert und bietet den Lesern einen klareren, strukturierteren Überblick über die Fähigkeiten von KI-Code-Agenten und Beispiele aus der Praxis.

11. 14. Feb

    Die Einleitung wurde aktualisiert, um die Definition und Abgrenzung von Agenten-KI zu anderen KI-Typen zu verdeutlichen und den Lesern ein klareres Grundverständnis zu vermitteln.

12. 13. Feb

    Aktualisiert den Abschnitt „KI-Agenten als Entwickler“ mit aktuelleren Beispielen und Details zu autonomen KI-Software-Agenten.

13. 12. Feb

    Entfernt Einzelhandels- und E-Commerce-Assistenten aus der Liste der KI-Agentenkategorien, wodurch der Umfang des Artikels reduziert wird.

14. 11. Feb

    Der Abschnitt „KI-Agenten als Entwickler“ wurde aktualisiert, um eine klarere Erklärung der Integration von KI-Agenten in Entwicklungsprojekte und spezifischere Beispiele führender KI-Agenten-Tools zu liefern.

15. 10. Feb

    Die Einleitung wurde aktualisiert, um den Umfang der Praxisbeispiele zu verdeutlichen und den Lesern zu helfen, den Fokus des Artikels zu verstehen.

16. 31. Jan

    Die Nummerierung der Anwendungsfälle im gesamten Artikel wurde aktualisiert, um den Lesern eine klarere und konsistentere Aufzählung zu bieten.

17. 30. Jan

    Der Abschnitt „KI-Agenten als Computernutzer“ wurde mit neuen Beispielen aktualisiert, die den Lesern aktuelle Anwendungen von KI-Agenten im Umgang mit Computern aufzeigen.

18. 29. Jan

    Der Abschnitt „KI-Agenten als Entwickler“ wurde um neue Unterabschnitte und Beispiele erweitert, um den Lesern ein umfassenderes Verständnis der agentischen KI in der Softwareentwicklung zu vermitteln.

19. 28. Jan

    Die Einleitung, Abschnitt 1 und Abschnitt 2 wurden aktualisiert, um den Lesern klarere Erklärungen und relevantere Beispiele zu bieten.

20. 202425. Dez

    Die Einführung von KI-Agenten als Entwickler wurde erweitert, um einen klareren Überblick über ihre Fähigkeiten und Beispiele zu geben.

Referenzlinks

1.

Introducing Operator | OpenAI

2.

Lamar on X: "this is wild just paired openai operator with replit agent to build an app watch as two ai agents team up, exchange credentials, and start testing ai agent ai agent the future is here and it’s insane!" / X

3.

Cursor vs GitHub Copilot: Which AI Coding Assistant is better?

4.

Rakuten Claude Code case study | Claude by Anthropic

5.

Replit’s AI agent built my entire website (I just watched) - YouTube

6.

Cursor · Customers

Cursor

7.

How to Build a Website AI Agent in 13 Min (Free N8N Template) - YouTube

8.

Deepseek-R1 + RooCode: BEST AI Coding Agent! Develop a Full-stack App Without Writing ANY Code! - YouTube

9.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

10.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

11.

Watsonx Code Assistant for Z is the Rosetta Stone for COBOL - IBM Research

IBM

12.

Refact.ai AI Coding Assistant | Fine-tuned, Secure, and Open-source - Refact.ai

13.

Devin's 2025 Performance Review: Learnings From 18 Months of Agents At Work | Cognition

Cognition

14.

Agent mode 101: All about GitHub Copilot’s powerful mode - The GitHub Blog

15.

Getting code suggestions in your IDE with GitHub Copilot - GitHub Docs

16.

Research: Quantifying GitHub Copilot’s impact in the enterprise with Accenture - The GitHub Blog

17.

How to Connect Your AI Agent to Kubernetes: A Hands-On MCP Server Demo - YouTube

18.

NVIDIA commits 3x more code across 30,000 developers with Cursor · Cursor

Cursor

19.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

20.

Microsoft Security Copilot – Microsoft Adoption

Microsoft Corporation LLC

21.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

22.

CrowdStrike Unveils Charlotte AI Detection Triage for Faster SOC Triage

CrowdStrike

23.

IPAttributor: Cyber Attacker Attribution with Threat Intelligence-Enriched Intrusion Data

MDPI

24.

Introducing AI-powered investigation in Chronicle Security Operations | Google Cloud Blog

Google Cloud

25.

Torq Expands Agentic AI Capabilities With Powerful New Autonomous, Collaborative Multi-Agent Framework For Security Operations | Torq

Torq®

26.

GitHub - dandye/adk_runbooks · GitHub

27.

Agentic Incident Response - YouTube

28.

Case Study: Deepwatch Maximizes MDR Customer ROI | Torq

Torq®

29.

MITRE ATT&CK Driven Threat Hunting Automated by Local LLM - YouTube

30.

AI-Powered Test Automation: Ship Apps 3x Faster | Pcloudy

31.

Automated Software Test Generation at Industry Scale Using a Multi-Agent Architecture and Workflow Integration | Proceedings of the IEEE/ACM 48th International Conference on Software Engineering: Software Engineering in Practice

32.

Generative Agents: Interactive Simulacra of Human Behavior

33.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

34.

A generalist AI agent for 3D virtual environments — Google DeepMind

SIMA team

35.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

36.

terminal-velocity/complete_manuscript.md at main · mind-protocol/terminal-velocity · GitHub

37.

NLR Co-Founder of Mind Protocol on X: "3 unsupervised agents write a book - polishing Act III https://t.co/xxa9P3udNV" / X

38.

Engineering

39.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

40.

Introducing AI to FigJam | Figma Blog

Figma

41.

Dutch Insurance Provider

42.

Automating an insurance claim form with AI Builder - YouTube

43.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

44.

AI tool brings real-world value to Zurich USMM underwriters

45.

Revolutionizing Talent Acquisition in HR: PepsiCo's AI Success Story

46.

Chipotle's fresh new way to reduce time to hire by up to 75%. — Paradox

47.

Introducing Hiring Assistant to help recruiters spend more time on their most impactful work

LinkedIn Talent Solutions

48.

Paradox AI recruiting success stories — Paradox

49.

Ada Voice + Aircall - YouTube

50.

Intercom Claude Platform (API) case study | Claude by Anthropic

51.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

52.

AI Agent Examples and Use Cases for Enterprise Contact Centers

Cognigy

53.

Introducing deep research | OpenAI

54.

Deep Research - Marginal REVOLUTION

55.

Deep Research: First Impressions

UX Tigers

56.

ChemicalQDevice

57.

Automation of Systematic Reviews with Large Language Models | medRxiv

58.

[2606.28277] Towards Automating Scientific Review with Google's Paper Assistant Tool

59.

25 of my favorite ROI+ customer stories | Google Cloud Blog

Google Cloud

60.

Launch YC: Kura: New State of the Art for Browser Agents [31% better than Computer Use] | Y Combinator

61.

H, the AI startup that raised $220M, launches its first product: Runner H for 'agentic' applications | TechCrunch

TechCrunch

62.

Matt Shumer on X: "Today, we’re unveiling Personal Assistant - @HyperWriteAI's groundbreaking AI agent that can use a web browser like a human. One agent to rule them all. It’s time to reimagine the way we interact with the internet." / X

63.

OmniParser

64.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

65.

Google Cloud’s Business Trends Report 2026: Key findings

Google

66.

Would You Let AI Control Your Computer? Testing Anthropic Claude's Computer Use Feature + Setup - YouTube

67.

GitHub - Aider-AI/aider: aider is AI pair programming in your terminal · GitHub

68.

Devin | The AI Software Engineer

Cognition

69.

Creating an AI Agent for Financial Report Analysis - YouTube

70.

MultiOn AI Agent books a flight - YouTube

71.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

72.

LangGraph AI Agent Framework for Production Applications

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple.

Cems Arbeit bei AIMultiple wurde von führenden globalen Publikationen wie Business Insider, Forbes, Morning Brew und Washington Post, von globalen Unternehmen wie Deloitte und HPE, von NGOs wie dem World Economic Forum und von supranationalen Organisationen wie der European Commission zitiert. [1], [2], [3], [4], [5]

Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen bei ihren Technologieentscheidungen bei McKinsey & Company und Altman Solon über mehr als ein Jahrzehnt. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung.

Er leitete Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Außerdem verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von 0 einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen.

Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Bogazici University als Computeringenieur und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Hazal Şimşek

Branchenanalystin

Folgen auf

Hazal ist Branchenanalystin bei AIMultiple und konzentriert sich auf Prozessintelligenz (einschließlich Process Mining) und Unternehmensautomatisierung (einschließlich IT-Automatisierung und Low-Code-/No-Code-Automatisierung).

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten