40+ Agentic KI Anwendungsfälle mit Praxisbeispielen

Autonome generative KI-Agenten führen komplexe Aufgaben mit wenig oder gar keiner menschlichen Überwachung aus. Agentic KI unterscheidet sich von chatbots und co-pilots.

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

KI-Agenten als Entwickler

1. Anwendungen erstellen

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

• Auswahl der richtigen Werkzeuge für die Aufgabe, wie Flask für APIs oder React für Frontends.
• Generierung von Code in der gewählten Sprache (z. B. Python, JavaScript) basierend auf einfachen prompts.
• Automatisierung von Arbeitsabläufen mit Integrationen wie GitHub Actions für Tests und Bereitstellung.

Praxisbeispiel:

Ein Entwickler nutzte OpenAIs Operator und Replits KI Agent, um eine komplette App in 90 Minuten zu erstellen. Zwei Agenten tauschten autonom Anmeldeinformationen aus und führten Tests durch. Diese Cross-Agent-Kollaboration wurde in den ChatGPT Atlas Agent Mode integriert und erweitert die Fähigkeiten von Agenten über Entwicklungsumgebungen hinaus, z. B. auf E-Commerce, Reisebuchungen und unternehmerische Web-Workflows.¹

Praxisbeispiel:

Cursor's Agent-Modus Composer zielt darauf ab, ein vollständiges Tic Tac Toe-Spiel aus einem einzigen prompt zu generieren:„Generiere ein HTML-, CSS- und JavaScript-Tic Tac Toe-Spiel für 2 Spieler.“

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

Mehr zum Thema Agenten-Erstellung

Wenn Sie die Infrastruktur erkunden, die agentische KI-Systeme antreibt, empfehlen wir Ihnen unsere neuesten benchmarks:

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

2. Erstellen Sie Ihre eigene API mit KI-Codierung 

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

• Integration der Ausgabe in die Entwicklungsumgebung für Tests, Versionskontrolle und Bereitstellung.
• Einlesen von API-Spezifikationen (z. B. OpenAPI/Swagger-Dateien).
• Generierung von Backend-Code basierend auf den dokumentierten endpoints, Methoden und Schemata.

Praxisbeispiel:

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

Hier ist eine High-Level-Abstraktion eines API-Workflows:

3. Codebearbeitung in natürlicher Sprache

Sie können Code-Snippets auswählen und einfache englische Befehle erteilen, wie z. B.:

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

Praxisbeispiel:

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

4. Websites erstellen

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

• Startseiten
• Kursübersichtsseiten
• Personalisierte Studenten-Dashboards

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

Praxisbeispiel:

So erstellen Sie einen Website-KI-Agenten:

Hier ist der Automatisierungs-Workflow:

5. Generierung eines CRM-Dashboards

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

Praxisbeispiel:

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

6. Rekursive Codierung und Modernisierung von Legacy-Code

Während grundlegendes Codieren typischerweise eine Aufgabe für LLMs ist, sind rekursive Codierungs-Workflows, bei denen ein Agent Code iterativ über mehrere Ebenen hinweg verbessert/erweitert, inhärent agentisch.

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

Praxisbeispiele:

GT Edge KI konvertiert Legacy-COBOL-Code in modernes Java.⁸

Persistent bietet ein Multi-Agenten-Framework, das zur autonomen Migration von COBOL-Code zu Java verwendet wird. Es funktioniert folgendermaßen:⁹

7. Code-Refactoring

Durch den Einsatz rekursiver Codierung verbessern KI-Agenten kontinuierlich das Design des Codes, ohne seine Funktionsweise zu ändern, wodurch er leichter verständlich und wartbar wird.

Praxisbeispiel:

Entwickler eines Tech-Startups erstellten einen Agenten, der Ihren Code in 25+ Programmiersprachen refaktoriert.¹⁰

8. Generierung von Codevorschlägen in Ihrer IDE

GitHub Copilot bietet einen autonomen Agentenmodus, der zu mehrstufigen Codierungsaufgaben fähig ist, Befehle ausführt und Code unabhängig über VS Code und JetBrains IDEs hinweg iteriert und damit über Echtzeitvorschläge und Auto-Vervollständigungen hinausgeht.¹¹

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 oder andere Workloads zu identifizieren
• Laufende Pods zu identifizieren
• Hochrangige Befehle zu interpretieren, wie z. B. „Fahre den NGINX-Pod herunter“

Praxisbeispiel:

Wenn Claude über Tools oder Wrapper mit Kubernetes verbunden ist, kann es als DevOps-Agent zur Abfrage des Cluster-Status fungieren. „Prüfe, ob ich irgendwelche Pods am Laufen habe.“.

KI-Agenten als SecOps-Assistenten

10. Threat Intelligence

Agenten sammeln und korrelieren Threat-Actor-TTPs (Taktiken, Techniken, Prozeduren) aus Open-Source- und proprietären Feeds und integrieren die Erkenntnisse in Erkennungs-Workflows.

Praxisbeispiel:

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

11. Erkennung & Triage

Diese Aktionen erfolgen in der Phase der ersten Signalaufnahme, um Rauschen zu reduzieren und Alarmdaten vor einer tieferen Analyse zu organisieren.

• Alert-Deduplizierung: Entfernt identische oder nahezu identische Ereignisse aus mehreren Quellen, um Rauschen zu reduzieren.
• False-Positive-Unterdrückung: Unterdrückt wiederkehrende gutartige Alarme anhand vergangener Lösungsmuster.
• Alert-Gruppierung / Clustering: Gruppiert verwandte Alarme (gleicher Benutzer, Host oder Taktik) zu einem einzigen Vorfall.

Praxisbeispiel:

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

• Bösartiges Verhalten identifiziert basierend auf bekannten TTPs.
• Ausführungsmuster und Dateipfade abgleicht.
• Eine für Menschen lesbare Urteilsbegründung liefert.

12. Kontextuelle Anreicherung & Bedrohungszuordnung

Wird nach der ersten Triage durchgeführt und verleiht den Alarmen Tiefe und Kontext.

Automatisierte Angreifer-Zuordnungssysteme nehmen CTI-Feeds auf, extrahieren Verhaltens- und Zeitmerkmale und berechnen Ähnlichkeitswerte über Vorfälle hinweg. Clustering-Algorithmen ordnen dann Einbrüche bekannten Bedrohungsakteuren zu (z. B. APT41, Mozi oder Lazarus), basierend auf Musterüberschneidungen.

Praxisbeispiel:

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

In diesem agentischen Setup:

• Erkennung: Ein KI-Agent erkennt laterale Bewegung unter Verwendung von Service-Konten.
• Anreicherung: Er reichert den Alarm automatisch mit Daten aus Chronicle-Logs, Asset-Inventar und Mandiant Threat Intelligence an.
• Zuordnung: Ein zweiter Agent gruppiert diese Aktivität mit historischen Eindringketten, die einer bekannten Gruppe zugeordnet sind (z. B. APT41).

13. Eskalation & Übergabe

• Alert-Übersetzung / -Vereinfachung: Wandelt technische Alarme in analytikerfreundliche Zusammenfassungen um.
• Auto-Ticketing und Analytiker-Zuweisung: Erstellt Tickets und leitet Vorfälle an das entsprechende Tier oder Team weiter.

14. Proaktive Reaktionsmaßnahmen

In SecOps isolieren Agenten endpoints, deaktivieren Konten oder beenden bösartige Prozesse. Diese Systeme zielen darauf ab:

• Logs automatisch abzufragen unter Verwendung natürlicher Sprache oder kontextueller Auslöser
• Automatisierte Playbooks auszuführen für Untersuchungen und Eskalation
• Workflows in Echtzeit anzupassen basierend auf neuen Erkenntnissen oder umgeschwenkter Logik
• Infrastructure-as-Code zu generieren (z. B. Terraform, Pulumi) zur Behebung
• Erkennungsregeln zu entwerfen und zu modifizieren basierend auf Untersuchungserkenntnissen

Praxisbeispiel:

Google entwickelte den SOC Manager Agent, der mehrere Sub-Agenten nutzt, um einen strukturierten Incident-Response-Plan zur Malware-Erkennung auszuführen.¹⁸

Agentische Projektstruktur:

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

Quelle:
Mandiant & Google Cloud Security¹⁹

15. Threat Hunting

Agenten im Threat Hunting zielen darauf ab:

• Kontinuierlich nach Anomalien zu scannen über Identitäts-, Netzwerk- und Cloud-Logs hinweg
• Sich wiederholende Hunts zu automatisieren, wie IOC-Lookups oder Mustererkennung
• Unbekannte Bedrohungen zu kennzeichnen, indem das Verhalten mit historischen Basislinien und Peer-Aktivitäten verglichen wird

Praxisbeispiel:

Forscher entwickelten ein MITRE ATT&CK-gesteuertes Threat Hunting, automatisiert durch ein lokales LLM -System, bei dem KI-Agenten zusammenarbeiten, um Sigma-Regeln zur Bedrohungserkennung zu generieren.

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

Agent 1 ruft relevante Erkennungsmethoden von MITRE ATT&CK ab, während Agent 2 diese Eingabe verwendet, um kontextbewusste Sigma-Regeln mit einem language model zu generieren.²⁰

16. Automatisiertes Software- und Anwendungstesten

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

Praxisbeispiel:

Pcloudys Copilot stellt Selenium-Testskripte bereit, findet verfügbare Browser zum Testen und führt die Testfälle aus.²¹

Lesen Sie mehr: Enterprise-KI-Assistenten, KI-Agenten-Builder, 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:

Forscher erstellten ein kleines virtuelles Dorf, das mit KI bevölkert ist, indem sie eine Sandbox-Umgebung ähnlich wie Die Sims mit 25 Agenten namens „Stanford KI Village“ aufbauten.

In diesem Dorf können Benutzer Agenten beobachten und mit ihnen interagieren, während sie Nachrichten austauschen, Beziehungen aufbauen und Gruppenaktivitäten organisieren. ²²

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

• Verhaltensskripte: Stanford KI Village-Agenten verwenden vordefinierte Skripte für Aktionen und Reaktionen. Dazu können grundlegende Verhaltensweisen gehören, wie z. B. 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.
• Wegfindung: NPCs verwenden Algorithmen, um die Spielwelt effektiv zu navigieren, Wege um Hindernisse herum zu finden und den Spieler zu verfolgen.

18 Spielen

KI-Agenten spielen Videospiele oder unterstützen menschliche Spieler beim Erreichen bestimmter Ziele, indem sie Folgendes nutzen:

• Wegfindung und Navigation: Spielagenten erkunden Spielumgebungen und nutzen Versuch und Irrtum, um optimale Strategien zu finden. Zum Beispiel lernen sie Navigationspfade in komplexen Labyrinthen, indem sie ihren Entscheidungsprozess kontinuierlich verfeinern.
• Eingabeemulation: Spielagenten emulieren Eingaben wie Tastendrücke, Mausbewegungen oder Gamepad-Steuerungen. Dadurch können sie mit dem Spiel interagieren, wie es ein menschlicher Spieler tun würde.
• Gameplay-Anpassungsfähigkeit: Agenten analysieren den Spielstil eines Spielers und passen die Spielwelt, Interaktionen und Missionsdesign entsprechend an. Zum Beispiel kann ein Stealth-Spieler auf weniger direkte Kampfherausforderungen stoßen.

Praxisbeispiel:

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

Quelle: Google²⁴

19. Prozedurale Inhaltsgenerierung

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

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

Praxisbeispiel:

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

• Vielfältigen Topographien (z. B. Berge, Täler, Schluchten).
• Einzigartigen Biomen (z. B. Wüsten, Wälder, Ozeane).
• Dynamischen Wettermustern (z. B. Stürme, Regenfälle).²⁵

KI-Agenten als Inhaltsersteller

KI-Agenten automatisieren die Erstellung, Bearbeitung und Veröffentlichung von Inhalten und unterstützen menschliche Autoren. Einige Anwendungen von KI-Schreibassistenten umfassen:

20. Automatisiertes narratives Schreiben

KI-Agenten schreiben eine Erzählung, indem sie Kapitel skizzieren, Inhalte entwerfen und Prosa verfeinern.

Praxisbeispiel:

In einem GitHub KI-Agenten-Projekt arbeiteten 10 spezialisierte KI-Agenten autonom zusammen, um einen Roman mit 100.000 Wörtern (~300 Seiten) ohne jegliches menschliches Schreiben zu verfassen.²⁶ Einige Beispiele dieser 10 Agenten umfassen:

• Spezifikations-Agent: Analysiert die Anforderungen der Geschichte und wahrt die narrative Konsistenz.
• Produktions-Agent: Generiert Inhalte und implementiert kreative Änderungen.
• Management-Agent: Koordiniert zwischen Agenten und verfolgt den kreativen Fluss.
• Duplikations-Agent: Verhindert inhaltliche Redundanz und Doppelungen.

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

21. Verfassen technischer Berichte oder Angebote

KI-Agenten verfassen autonom technische Berichte, einschließlich:

• Ingenieursberichte
• Projektvorschläge
• Forschungsarbeiten
• Produktspezifikationen

Praxisbeispiel:

ParagraphAI, ein KI-Schreibassistent, verfasst technische Ingenieursberichte, indem er den Zeitplan, das Budget und die erforderlichen Ressourcen und das Personal skizziert.²⁸

22. Wissensbasierte Artikelgenerierung

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

Praxisbeispiel:

Perplexity Pages wandelt generative KI-Suchergebnisse in strukturierte Wikipedia-Seiten um.²⁹

23. Dashboard- und Diagrammerstellung

Agenten generieren UI/UX-Komponenten, Systemdiagramme und Flussdiagramme basierend auf Text-prompts und optimieren so den Designprozess.

Praxisbeispiel:

FigJam KI verwendet Text-prompts zur Generierung von:

• Dashboards für Meetings und Teamübungen
• Diagrammen und Flussdiagrammen
• Visuellen Zeitleisten und Gantt-Diagrammen³⁰

KI-Agenten als Versicherungsassistenten

Agenten automatisieren die Überprüfung, Genehmigung und Betrugserkennung von Ansprüchen und optimieren so den gesamten Lebenszyklus der Schadenbearbeitung. Zum Beispiel automatisiert ein großer Versicherer ~90 % der individuellen Kfz-Ansprüche, indem er kundenspezifische KI-Agenten in seinen Schadenworkflow integriert. ³¹

Unternehmensanbieter wie Oracle und SAP haben agentische KI in den Bereichen Lieferkettenmanagement, Finanzoperationen, HR und Kundenerfahrung 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, überprüfen die Details anhand bestehender Datenbanken und kennzeichnen etwaige Unstimmigkeiten oder potenzielle Betrugssignale.

Praxisbeispiel:

Microsofts Power Platform – automatisiert ein Versicherungsanspruchsformular:

Hier, Microsofts Power Platform:

• Erfasste Anspruchsformular-Dokumente wie Checkbox-Auswahlen und Texte.
• Lud das Anspruchsformular in die SharePoint-Content-Management-App hoch.
• Extrahierte Daten aus dem Anspruchsformular 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.
• Verarbeitete Workflows in Formularen, zum Beispiel wurden Power App-Agenten verwendet, um Ansprüche zu genehmigen oder abzulehnen.

25. Underwriting

Agentic KI automatisiert das Underwriting mit spezialisierten Agenten, darunter ein Risikobewertungs-Agent für die Beurteilung der Schadenwahrscheinlichkeit und ein Preisbildungs-Agent für dynamische Prämienanpassungen usw.

Praxisbeispiel:

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

• Datensammlungs-Agent: Sammelt sowohl strukturierte als auch unstrukturierte Daten.
• Risikobewertungs-Agent: Analysiert historische Daten und Antragstellerdetails, um die Wahrscheinlichkeit von Ansprüchen vorherzusagen.
• Betrugserkennungs-Agent: Erkennt Anomalien oder verdächtige Muster in Ansprüchen und Anträgen.
• Preisbildungs-Agent: Schlägt eine Preisgestaltung basierend auf Faktoren wie Marktbedingungen, Wettbewerbspreisen und Kundenverhalten vor.³³

26. Personalisierte Policenabwicklung

Agenten kommunizieren den Anspruchsstatus und die nächsten Schritte an den Versicherungsnehmer, einschließlich etwaiger zusätzlich erforderlicher Dokumentation, Genehmigungs-/Ablehnungsaktualisierungen oder Auszahlungsdetails.

KI-Agenten als Personalwesen (HR)-Assistenten

HR-Abläufe beinhalten oft zahlreiche repetitive Aufgaben wie die Lebenslaufprüfung, die automatisiert werden können. Hier sind wichtige Beispiele für agentische KI im HR-Betrieb:

27. Lebenslauf-Screening

Agentische Workflows automatisieren den Screening-Prozess, filtern relevante Fähigkeiten und weisen automatisch Bewertungen basierend auf Ihren vordefinierten Kriterien zu.

Praxisbeispiel:

PepsiCo verwendet KI-Tools, um Kandidaten danach zu bewerten, wie gut sie die Stellenanforderungen erfüllen.³⁴

28. Interview-Planung

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

Praxisbeispiel:

LinkedIn HR Assistant führt tägliche Aufgaben aus, wie das Synthetisieren von Stellenbeschreibungen, die Suche nach Kandidaten und die Durchführung grundlegender Screening-Anrufe.³⁵

29. Lohnbuchhaltungsautomatisierung

Agenten in der Lohnbuchhaltung berechnen Gehälter, verarbeiten Abzüge und behandeln Steuereinbehalte. Sie integrieren sich mit Human Resources Information System (HRIS)-Systemen und Buchhaltungssoftware, um Genauigkeit und Einhaltung der Lohnbuchhaltungsstandards zu gewährleisten.

Entdecken Sie mehr über Finanzautomatisierungslösungen wie:

• RPA-Finanzanwendungsfälle und -Tools
• Finance LLM-Tools-Benchmark
• Agentic KI-Finanztools

Praxisbeispiel:

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

Quelle: Akira KI³⁶

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

• Datenerfassungs- & Vorverarbeitungs-Agent: Verwendet Datenextraktionsmethoden, um Daten aus HR- und Finanzsystemen zu bereinigen.
• Lohnberechnungs-Agent: Automatisiert Lohnberechnungen, einschließlich Gehalt, Abzüge und Boni.
• Compliance-Melde-Agent: Erkennt Compliance-Probleme mit machine learning.
• Anfragebeantwortungs-Agent: Löst Lohnbuchhaltungsprobleme mit RAG.

KI-Agenten als Kundenservice-Assistenten

Traditionelle chatbots bearbeiten einfache Anfragen, haben aber Schwierigkeiten mit komplexen Anliegen. Agentische Kundenservice-Tools adressieren dies durch:

• Interpretation nuancierter Anfragen, selbst wenn Fragen vage oder komplex sind
• Nahtlosen Betrieb über Chat-, Sprach- und E-Mail-Kanäle hinweg, während Daten aus Kundenprofilen, Bestellhistorie und Wissensdatenbanken abgerufen werden
• Beibehaltung des Kontexts aus früheren Interaktionen, was fundiertere und personalisierte Antworten ermöglicht
• Proaktives Engagement, wie das Senden von Erinnerungen für Untersuchungen oder Follow-ups, bevor der Kunde den Kontakt initiiert

30. Beantwortung von Kundenanrufen:

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

Praxisbeispiel:

Ada KI Agent beantwortet Kundenanrufe:

31. Beantwortung von Kunden-Tickets

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

32. Versenden von Follow-up- und informativen SMS

Nach einer Interaktion senden Agenten SMS-Nachrichten, um mit Kunden nachzufassen.

33. FAQ-Generierung und -Optimierung

Agenten:

• Generieren und aktualisieren automatisch FAQs aus Live-Kundeninteraktionen und Ticket-Historien.
• Integrieren sich mit CRM-, Chat- und Wissensdatenbank-Tools, um wiederkehrende Anfragen zu identifizieren.

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 helfen.

Praxisbeispiele:

1. OpenAIs Deep Research nutzt Reasoning, um große Mengen an Online-Informationen zu synthetisieren und mehrstufige Forschung auf Ph.D.-Niveau abzuschließen, wenn umfangreiche Suchen mit den Modellen o3 & DeepSeek durchgeführt werden.^{38 39}

In einem Experiment, bei dem Forscher Deep Research baten, ein reales Projekt mit einem detaillierten prompt durchzuführen, tat Deep Research Folgendes:

• Stellte Folgefragen, um den Umfang und die Details des Forschungsprojekts zu klären, bevor es begann.
• Synthetisierte Erkenntnisse aus 22 Quellen basierend auf akademischen und Branchenberichten.⁴⁰

2. ChemicalQDevices Clinical Decision Support (CDS)-System wurde gebeten, einen agentischen Workflow für die Wirkstoffentdeckung auszuführen. In diesem Beispiel tat ChemicalQDevices System Folgendes:

• Analysierte große Mengen klinischer Literatur aus Datensätzen.
• Führte automatisierte Codierung mit Tools wie GitHub Actions durch.
• Verwendete generative KI (z. B. GPT-4 oder kundenspezifische models), um Hypothesen zu generieren, experimentelle Designs vorzuschlagen und Forschungsberichte zu verfassen.⁴¹

3. Das End-to-End-agentische Workflow-System otto-SR nutzt LLMs, um Literaturrecherchen durchzuführen, Ein-/Ausschlusskriterien anzuwenden, strukturierte Daten zu extrahieren und Meta-Analysen durchzuführen.⁴²

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

• Ungefähr 10.000 Arbeiten mit 30-minütigen Bearbeitungszeiten pro Manuskript verarbeitet. 
• 34 % mehr mathematische Fehler entdeckt als Standard-Zero-Shot-Prompting-Methoden.⁴³

OpenAIs Deep Research ChemicalQDevices System und otto-SR können in mehreren der unten aufgeführten agentischen Anwendungsfälle eingesetzt werden:

34. Literaturrecherche und Wissensentdeckung

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

35. Hypothesengenerierung und -testung

Fortschrittliche Analyse-Agenten 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 innerhalb von Minuten statt Tagen validierte Erkenntnisse.

36. Data Mining und Analyse

KI-Agenten nehmen strukturierte und unstrukturierte Daten aus verschiedenen Quellen wie Forschungsdatenbanken, sozialen Medien, Patenten oder klinischen Studienergebnissen auf und liefern Einblicke in aufkommende Trends.

37. Datenvisualisierung und -präsentation

Analyse-Agenten kompilieren automatisch Rohdaten zu präsentationsreifen Visualisierungen und bilden komplexe Trends in übersichtlichen Kohortenanalyse-Diagrammen und Finanz-Waterfalls mit integrierten Tools wie Tableau oder Power BI ab.

KI-Agenten als Computerbenutzer

„Computer Use“ zielt darauf ab, KI in die Lage zu versetzen, mit einem Computer so zu interagieren, wie es eine Person tun würde. Dies bietet die Flexibilität, digitale Aufgaben auszuführen, ohne OS- oder webspezifische APIs zu verwenden. 

Es gibt zwei Ansätze für KI-Agenten, um Aufgaben wie Menschen auszuführen:

1. Ausführen von OS-GUI-Aktionen (Anthropics Claude, Microsofts OmniParser usw.).
2. Web-Browsing (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 zur Vereinheitlichung der GUI.⁴⁴
2. Kura KI undRunner H zielen darauf ab, Aufgaben durch die Nutzung von Webbrowsern zu erledigen.^{45 46}
3. HyperWriteAI zielt darauf ab, Textformulare auszufüllen, Schaltflächen zu klicken und Menüauswahlen zu treffen, um eine Online-Bestellung aufzugeben.⁴⁷
4. Microsofts OmniParser verbessert das Verständnis von Agenten für visuelle Schnittstellen zur GUI-Automatisierung.⁴⁸

38. Formularausfüllung & Web-Automatisierung

Agenten navigieren auf Webseiten, klicken Felder an und füllen Formulare basierend auf Benutzer-prompts oder strukturierten Daten aus.

Praxisbeispiel:

39. Dokumentenerstellung und -bearbeitung

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

Praxisbeispiel:

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

In diesem Beispiel hat Claude:

• Die CSV-Datei in der LibreOffice Calc-App geöffnet.
• Eine CSV-Datei mit 25 Zeilen mit Beispiel-Ausgabendaten erstellt.
• LibreOffice Calc-Tabelle installiert.⁵⁰

40. Web-Recherche & strukturierte Datenerfassung

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

Praxisbeispiel:

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

41. CLI-Operationen & Skriptausführung

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

Praxisbeispiele:

Aider, ein CLI-nativer KI-Coding-Agent, wird von Entwicklern verwendet, um Codebasen zu refaktorisieren und Shell-Befehle wie das Ausführen von Test-Suiten auszuführen (pytest, npm test). Der Agent interpretiert Terminal-Ausgaben, behebt iterativ Fehler und committet Änderungen direkt in Git-Repositories.⁵²

Als Alternative zu Aider lieferte Cognition Devin 2.0, einen autonomen KI-Softwareentwickler mit einer CLI-nativen Variante, die direkt mit terminalbasierten Agenten konkurriert. Devin ist in der Lage, Codebasen zu refaktorisieren, Shell-Befehle auszuführen, Test-Suiten laufen zu lassen und Änderungen in Git-Repositories zu committen.⁵³

42. Multimodale App-Navigation & -Koordination

Unified GUI agents (z. B. OpenAI Operator Prototypen) können zwischen Anwendungen wechseln.

Praxisbeispiel:

Um einen Bestell-Liefer-Anwendungsfall zu testen, gab ich eine einfache Einkaufsanfrage bei Open Operator auf: Hilf mir, einen Kissenbezug im Boho-Stil für unter 30 $ zu kaufen.

Autonome Workflow-Agenten (Langzeithorizont-Aufgaben)

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

Praxisbeispiel:

In dieser mehrstufigen Finanzberichtsanalyse wird dem KI-Planungsagenten die Aufgabe gestellt: „Analysieren Sie die finanzielle Leistung des letzten Quartals und erstellen Sie eine Zusammenfassung für das Finanzteam.“

Der Agent wird gebeten, Folgendes zu besorgen:

• Aktuelle Unternehmensnachrichten (Top 3 Stories)
• Aktueller Aktienkurs des Unternehmens (AAPL)
• Unternehmensinformationen (z. B. Profil, Marktkapitalisierung, Sektor)
• Historische Aktienkurse (1-Tages-Intervall des letzten Monats)
• Analystenempfehlungen (z. B. Kaufen/Halten/Verkaufen-Bewertungen)

Hier ist die Ausgabe des Finanzberichts:

Praxisbeispiel:

MultiOn Agent Q bucht einen Flug.

Erstellung von KI-Agenten

Der Wandel von einfachen Agentenanwendungen, wie z. B. 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 den folgenden Herausforderungen:

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

• Management der Komplexität bei der Aufgabenausführung
  • Standardisierung von Mustern, die ihren Entscheidungsprozess leiten.
  • Einbeziehung mehrerer Optionen und Auswahl der optimalen Aktion zur Ausführung einer Aufgabe. (z. B. „Soll ich diesen Bildschirm oder einen anderen basierend auf der Benutzereingabe anzeigen?“).
• Schnittstelle zu externen Systemen und APIs

43. Generierung benutzerdefinierter KI-Agenten:

KI-Agenten-Erstellungs-Frameworks helfen, diese Herausforderungen zu bewältigen, indem sie Folgendes bieten:

• Entscheidungsfindungs- & Reasoning-Frameworks (z. B. machine learning oder probabilistische models), um Muster zu standardisieren & mehrere Optionen einzubeziehen.
• Datenzugriffs- & Integrationstools (z. B. API-Konnektoren) zur Schnittstelle mit externen Systemen und APIs.

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

Praxisbeispiel:

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

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},
  title  = {{40+ Agentic KI Anwendungsfälle mit Praxisbeispielen}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Abgerufen am 16. Juli 2026}
}

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! https://t.co/jIZnqW4fJD"

3.

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

4.

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

5.

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

6.

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

7.

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

8.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

9.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

10.

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

11.

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

12.

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

13.

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

14.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

15.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

16.

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

MDPI

17.

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

Google Cloud

18.

GitHub - dandye/adk_runbooks · GitHub

19.

Agentic Incident Response - YouTube

20.

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

21.

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

22.

Generative Agents: Interactive Simulacra of Human Behavior

23.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

24.

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

SIMA team

25.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

26.

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

27.

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

28.

Engineering

29.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

30.

Introducing AI to FigJam | Figma Blog

Figma

31.

Dutch Insurance Provider

32.

Automating an insurance claim form with AI Builder - YouTube

33.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

34.

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

35.

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

LinkedIn Talent Solutions

36.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

37.

Ada Voice + Aircall - YouTube

38.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

39.

AI Agent Examples and Use Cases for Enterprise Contact Centers | Cognigy

Cognigy

40.

Introducing deep research | OpenAI

41.

Deep Research - Marginal REVOLUTION

42.

Deep Research: First Impressions

UX Tigers

43.

ChemicalQDevice

44.

Automation of Systematic Reviews with Large Language Models | medRxiv

45.

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

46.

Introducing Operator | OpenAI

47.

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

48.

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

TechCrunch

49.

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. https://t.c

50.

OmniParser

51.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

52.

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

53.

Introducing deep research | OpenAI

54.

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

55.

Devin | The AI Software Engineer

56.

Creating an AI Agent for Financial Report Analysis - YouTube

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen wie Business Insider, Forbes und der Washington Post, von globalen Unternehmen wie Deloitte und HPE sowie von NGOs wie dem Weltwirtschaftsforum und supranationalen Organisationen wie der Europäischen Kommission zitiert. Weitere namhafte Unternehmen und Ressourcen, die AIMultiple referenziert haben, finden Sie hier. Im Laufe seiner Karriere war Cem als Technologieberater, Technologieeinkäufer und Technologieunternehmer tätig. Über ein Jahrzehnt lang beriet er Unternehmen bei McKinsey & Company und Altman Solon in ihren Technologieentscheidungen. Er veröffentlichte außerdem einen McKinsey-Bericht zur Digitalisierung. Bei einem Telekommunikationsunternehmen leitete er die Technologiestrategie und -beschaffung und berichtete direkt an den CEO. Darüber hinaus verantwortete er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von zwei Jahren von null auf einen siebenstelligen jährlichen wiederkehrenden Umsatz und eine neunstellige Unternehmensbewertung kam. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider gewürdigt. Er ist ein gefragter Redner auf internationalen Technologiekonferenzen. Cem absolvierte sein Studium der Informatik an der Bogazici-Universität und besitzt einen MBA der Columbia Business School.

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