Mehr als 40 Anwendungsfälle für Agentic AI mit Beispielen aus der Praxis

Autonome generative KI-Agenten führen komplexe Aufgaben mit geringer oder gar keiner menschlichen Aufsicht aus. Agentische KI unterscheidet sich von Chatbots und Co-Piloten.

Im Gegensatz zu traditioneller KI , insbesondere generativer KI , die in komplexen Arbeitsabläufen oft menschliches Eingreifen erfordert, zielt agentenbasierte KI darauf ab, Prozesse dank ihrer Entscheidungsfähigkeit und ihres zielgerichteten Verhaltens autonom zu steuern und zu optimieren. KI-Agenten dienen als:

• Entwickler
• SecOps-Assistenten
• menschenähnliche Spielfiguren
• Content-Ersteller
• Versicherungsassistenten
• Personalassistenten
• Kundendienstmitarbeiter
• Forschungsassistenten
• Computerbenutzer
• KI-Agenten-Entwickler

KI-Agenten als Entwickler

1. Gebäudeanwendungen

KI-Code-Editoren wie Cursor AI Editor, Windsurf Editor und Replit zielen darauf ab, Anwendungen ( z. B. eine Aufgabenlisten-App ) zu erstellen und bereitzustellen, indem sie:

• Die richtigen Werkzeuge für die jeweilige Aufgabe auswählen , wie zum Beispiel Flask für APIs oder React für Frontends.
• Generierung von Code in der gewählten Sprache (z. B. Python, JavaScript) auf Basis einfacher Eingabeaufforderungen.
• Automatisierung von Arbeitsabläufen durch Integrationen wie GitHub Actions für Tests und die Bereitstellung.

Beispiel aus dem realen Leben:

Ein Entwickler nutzte den Operator von OpenAI und den KI-Agenten von Replit, um innerhalb von 90 Minuten eine komplette App zu erstellen. Die beiden Agenten tauschten autonom Anmeldeinformationen aus und führten Tests durch.

Beispiel aus dem realen Leben:

Der Agentenmodus Composer von Cursor zielt darauf ab, aus einer einzigen Eingabeaufforderung ein komplettes Tic-Tac-Toe-Spiel zu generieren: „Generiere ein HTML-, CSS- und JavaScript-Tic-Tac-Toe-Spiel für 2 Spieler.“

Cursor ist in der Lage, Code über mehrere Dateien hinweg zu schreiben, Befehle auszuführen und automatisch den benötigten Kontext zu ermitteln (es ist nicht nötig, Dateien hinzuzufügen).

Mehr lesen

Wenn Sie die Infrastruktur agentenbasierter KI-Systeme untersuchen, empfehlen wir Ihnen, unsere neuesten Benchmarks anzusehen:

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

2. Erstellen Sie Ihre eigene API mit KI-Programmierung

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

• Die Ausgabe wird in die Entwicklerumgebung für Tests, Versionskontrolle und Bereitstellung integriert .
• Einlesen von API-Spezifikationen (z. B. OpenAPI/Swagger-Dateien).
• Generierung von Backend-Code basierend auf den dokumentierten Endpunkten, Methoden und Schemata.

Beispiel aus dem realen Leben:

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

Hier ist eine abstrakte Darstellung eines API-Workflows auf hoher Ebene :

3. Bearbeitung von natürlichem Sprachcode

Sie können Code-Snippets auswählen und Befehle in einfacher englischer Sprache ausführen, wie zum Beispiel:

„Verdoppeln Sie die Größe des Spielbretts. Machen Sie es grün – wie ein Apple 2e.“ (siehe untenstehendes Beispiel aus der Praxis).

Beispiel aus dem realen Leben:

Codierungsagenten wie Cursor erkennen die Absicht, modifizieren den relevanten Code in den verschiedenen Dateien und wenden die Änderungen an.

4. Webseiten erstellen

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

• Startseiten
• Kursübersichtsseiten
• Personalisierte Schüler-Dashboards

Ähnlich verhält es sich mit KI-Code-Editoren wie Replit , die Webseiten erstellen und APIs nutzen. ⁴

Beispiel aus dem realen Leben :

So erstellen Sie einen KI-Agenten für Ihre Website:

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.

Beispiel aus dem realen Leben:

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

6. Rekursive Codierung und Modernisierung von Legacy-Code

Während das grundlegende Codieren typischerweise eine Aufgabe für LLMs ist, sind rekursive Codierungsabläufe, bei denen ein Agent den Code über mehrere Schichten hinweg iterativ verbessert/erweitert, von Natur aus agentenbasiert .

Agenten schreiben selbstständig große Codeblöcke um, nehmen Konfigurationsänderungen vor und testen die Ergebnisse in Zyklen, bis ein Ziel erreicht ist.

Beispiele aus dem realen Leben:

GT Edge AI konvertiert älteren COBOL-Code in modernes Java. ⁷

Persistent bietet ein Multiagenten-Framework zur autonomen Migration von COBOL-Code nach Java. Es funktioniert folgendermaßen: ⁸

7. Code-Refactoring

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

Beispiel aus dem realen Leben:

Die Entwickler eines Tech-Startups haben einen Agenten entwickelt, der Ihren Code in über 25 Programmiersprachen refaktoriert . ⁹

8. Codevorschläge in Ihrer IDE generieren

Agenten wie GitHub Copilot bieten Codevorschläge und automatische Vervollständigungen in Echtzeit und verringern die Wahrscheinlichkeit von Syntaxfehlern.

9. Überwachung und Optimierung der CI/CD-Pipeline

KI-Agenten verwalten die Infrastruktur in Cloud-nativen Umgebungen wie Kubernetes. Diese DevOps-Agenten haben folgende Ziele:

• Laufende Ingress-Controller oder andere Workloads identifizieren
• Identifizieren Sie laufende Pods.
• Hochrangige Befehle wie „NGINX-Pod herunterfahren“ interpretieren

Beispiel aus dem realen Leben:

Wenn Claude über Tools oder Wrapper mit Kubernetes verbunden ist, kann er als DevOps-Agent fungieren, um den Clusterstatus abzufragen. „Prüfen, ob irgendwelche Pods ausgeführt werden.“

KI-Agenten als SecOps-Assistenten

10. Bedrohungsanalyse

Die Agenten sammeln und korrelieren die TTPs (Taktiken, Techniken und Verfahren) von Bedrohungsakteuren aus Open-Source- und proprietären Quellen und integrieren die Ergebnisse in Erkennungs-Workflows.

Beispiel aus dem realen Leben:

Der Security Copilot von Microsoft beinhaltet einen spezialisierten Threat Intelligence Briefing Agent , der Bedrohungsinformationen dynamisch sammelt, filtert und zusammenfasst.

11. Erkennung und Triage

Diese Maßnahmen erfolgen in der ersten Phase der Signalaufnahme , um Rauschen zu reduzieren und Alarmdaten vor einer tiefergehenden Analyse zu ordnen.

• Alarm-Deduplizierung : Entfernt identische oder nahezu identische Ereignisse aus mehreren Quellen, um das Rauschen zu reduzieren.
• Unterdrückung von Fehlalarmen : Unterdrückt wiederkehrende harmlose Warnmeldungen anhand vergangener Auflösungsmuster.
• Alarmgruppierung / Clustering : Gruppiert zusammengehörige Alarme (gleicher Benutzer, Host oder gleiche Taktik) zu einem einzigen Vorfall.

Beispiel aus dem realen Leben:

Charlotte AI führt eine autonome Erkennung und Triage durch. von:

• Identifizierung von bösartigem Verhalten anhand bekannter TTPs (Taktiken, Techniken und Verfahren).
• Querverweise auf Ausführungsmuster und Dateipfade.
• Bereitstellung einer für Menschen verständlichen Urteilsbegründung .

12. Kontextuelle Anreicherung und Bedrohungszuordnung

Dieser Schritt wird nach der ersten Sichtung durchgeführt und verleiht den Warnmeldungen mehr Tiefe und Kontext.

Automatisierte Systeme zur Zuordnung von Angreifern verarbeiten CTI-Daten, extrahieren Verhaltens- und Zeitmerkmale und berechnen Ähnlichkeitswerte zwischen den Vorfällen. Clustering-Algorithmen ordnen die Angriffe dann bekannten Bedrohungsakteuren wie beispielsweise APT41 , Mozi oder Lazarus anhand der Musterübereinstimmung zu.

Beispiel aus dem realen Leben:

Google Chronicle + Mandiant + Gemini KI-Agenten erfassen autonom Telemetrie- und CTI-Feeds , reichern Warnmeldungen 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 dieser agentenbasierten Konfiguration:

• Erkennung: Ein KI-Agent erkennt laterale Bewegungen mithilfe von Dienstkonten .
• Anreicherung: Die Warnung wird automatisch mit Daten aus Chronicle-Protokollen , dem Anlageninventar und der Mandiant-Bedrohungsanalyse angereichert.
• Zuordnung: Ein zweiter Agent ordnet diese Aktivität historischen Angriffsketten zu, die einer bekannten Gruppe (z. B. APT41 ) zugeordnet werden.

13. Eskalation & Übergabe

• Übersetzung/Vereinfachung von Warnmeldungen : Wandelt technische Warnmeldungen in für Analysten leicht verständliche Zusammenfassungen um.
• Automatische Ticketerstellung und Analystenzuweisung : Erstellt Tickets und leitet Vorfälle an die entsprechende Ebene oder das entsprechende Team weiter.

14. Proaktive Reaktionsmaßnahmen

Im Bereich SecOps isolieren Agenten Endpunkte, deaktivieren Konten oder beenden schädliche Prozesse. Ziel dieser Systeme ist Folgendes:

• Protokolle automatisch mithilfe von natürlicher Sprache oder kontextbezogenen Auslösern abfragen
• Automatisierte Playbooks für Ermittlungen und Eskalationen ausführen
• Passen Sie Arbeitsabläufe in Echtzeit an neue Erkenntnisse oder geänderte Logik an.
• Infrastruktur als Code generieren (z. B. Terraform, Pulumi) zur Behebung von Problemen
• Erstellt und modifiziert Erkennungsregeln auf Grundlage von Ermittlungserkenntnissen.

Beispiel aus dem realen Leben:

Google entwickelte den SOC Manager-Agenten , der mehrere Subagenten nutzt, um einen strukturierten Incident Response Plan zur Malware-Erkennung auszuführen. ¹⁶

Agentische Projektstruktur:

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

Quelle:
Mandiant & Google Cloud-Sicherheit ¹⁷

15. Bedrohungsjagd

Agenten im Bereich der Bedrohungsanalyse haben folgende Ziele:

• Kontinuierliche Suche nach Anomalien in Identitäts-, Netzwerk- und Cloud-Protokollen.
• Automatisieren Sie wiederkehrende Suchvorgänge wie IOC-Abfragen oder Mustererkennung.
• Unbekannte Bedrohungen erkennen , indem das Verhalten mit historischen Vergleichswerten und der Aktivität ähnlicher Personen verglichen wird.

Beispiel aus dem realen Leben:

Forscher entwickelten ein MITRE ATT&CK Driven Threat Hunting Automated by Local LLM- System, bei dem KI-Agenten zusammenarbeiten, um Sigma-Regeln zur Bedrohungserkennung zu generieren.

In diesem Beispiel gibt ein Benutzer eine Anfrage (z. B. „Bitte generieren Sie eine Sigma-Regel für die Kerberoasting-Erkennung“ ) über eine Web-Benutzeroberfläche ein.

Agent 1 ruft relevante Erkennungsmethoden aus MITRE ATT&CK ab, während Agent 2 diese Eingabe nutzt, um mithilfe eines Sprachmodells kontextsensitive Sigma-Regeln zu generieren. ¹⁸

16. Automatisierte Software- und Anwendungstests

KI-Testagenten erstellen und führen Unit-, Integrations-, Schwachstellen- und Leistungstests ohne umfangreichen manuellen Eingriff durch. Die Entwicklung dieser KI-Systeme ist jedoch ressourcenintensiv, da sie erhebliche Rechenleistung erfordern.

Beispiel aus dem realen Leben:

Pcloudy's Copilot stellt Selenium-Testskripte bereit und findet verfügbare Browser, auf denen die Testfälle ausgeführt werden können. ¹⁹

Mehr dazu: KI-Assistenten für Unternehmen , KI-Agenten-Builder , Open-Source-KI-Agenten .

KI-Agenten als menschenähnliche Spielfiguren

KI-Agenten verbessern NPCs und andere agentenbasierte Prozesse in der Spielwelt, indem sie NPC-Verhaltensweisen, Spielmechaniken und Anpassungsfähigkeit sowie prozedurale Inhaltsgenerierung ausführen.

17. Agentische Nichtspielercharaktere (NPCs)

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

Beispiel aus dem realen Leben:

Forscher haben eine kleine virtuelle Stadt mit KI-Bevölkerung geschaffen, indem sie eine Sandbox-Umgebung ähnlich wie bei Die Sims mit 25 Agenten namens „ Stanford AI Village “ aufgebaut haben.

In diesem Dorf können die Nutzer die Agenten beobachten und mit ihnen interagieren, während diese Neuigkeiten austauschen, Beziehungen aufbauen und Gruppenaktivitäten organisieren. ²⁰

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

• Verhaltensskripte : Die Agenten von Stanford AI Village verwenden vordefinierte Skripte für Aktionen und Reaktionen. Dies kann grundlegende Verhaltensweisen wie die positive Interaktion mit anderen NPCs umfassen.
• Dynamisches Verhalten : NPCs nutzen KI, um ihr Verhalten an die Aktionen des Spielers anzupassen, wodurch die Spielwelt reaktionsschneller wird.
• Wegfindung : NPCs nutzen Algorithmen, um sich effektiv in der Spielwelt zu bewegen, Wege um Hindernisse herum zu finden und den Spieler zu verfolgen.

18-jähriges Spiel

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

• Wegfindung und Navigation: Spielagenten erkunden Spielumgebungen und nutzen dabei Versuch und Irrtum, um optimale Strategien zu finden. Beispielsweise lernen sie Navigationswege in komplexen Labyrinthen, indem sie ihren Entscheidungsprozess kontinuierlich verfeinern.
• Eingabesimulation: Spielagenten simulieren Eingaben wie Tastaturdrücke, Mausbewegungen oder Gamepad-Steuerung. Dadurch können sie mit dem Spiel so interagieren, wie es ein menschlicher Spieler tun würde.
• Anpassungsfähigkeit des Gameplays: Agenten analysieren den Spielstil eines Spielers und passen die Spielwelt, Interaktionen und das Missionsdesign entsprechend an. So kann es beispielsweise vorkommen, dass ein Spieler, der auf Schleichen setzt, weniger direkten Kampfherausforderungen begegnet.

Beispiel aus dem realen Leben:

Google DeepMinds skalierbarer, anweisungsfähiger Multiagent (SIMA) navigiert und interagiert mit Spielsituationen. SIMA soll Spiele wie No Man's Sky und Goat Simulator spielen können.

Quelle: Google ²²

19. Prozedurale Inhaltsgenerierung

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

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

Beispiel aus dem realen Leben:

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

• Abwechslungsreiche Topographie (z. B. Berge, Täler, Schluchten).
• Einzigartige Biome (z. B. Wüsten, Wälder, Ozeane).
• Dynamische Wettermuster (z. B. Stürme, Regenfälle). ²³

KI-Agenten als Content-Ersteller

KI-Systeme automatisieren die Erstellung, Bearbeitung und Veröffentlichung von Inhalten. Sie unterstützen menschliche Autoren und generieren selbstständig Inhalte. Beispiele für Anwendungsbereiche von KI-Schreibassistenten sind:

20. Automatisiertes Erzählen

KI-Agenten verfassen eine Erzählung, indem sie Kapitel gliedern, Inhalte entwerfen und den Text überarbeiten.

Beispiel aus dem realen Leben:

In einem GitHub-Projekt für KI-Agenten arbeiteten zehn spezialisierte KI-Agenten autonom daran, einen Roman von 100.000 Wörtern (ca. 300 Seiten) ohne menschliches Zutun zu verfassen. Einige Beispiele dieser zehn Agenten sind:

• Spezifikationsagent : Analysiert die Story-Anforderungen und sorgt für narrative Konsistenz.
• Produktionsagent : Erstellt Inhalte und setzt kreative Änderungen um.
• Managementagent : Koordiniert die Zusammenarbeit der Agenten und verfolgt den kreativen Fluss.
• Duplikationsagent : Verhindert Inhaltsredundanz und Duplikate.

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

21. Erstellung technischer Berichte oder Angebote

KI-Agenten erstellen autonom technische Berichte, darunter:

• Ingenieurberichte
• Projektvorschläge
• Forschungsarbeiten
• Produktspezifikationen

Beispiel aus dem realen Leben:

ParagraphAI , ein KI-Schreibassistent, verfasst technische Ingenieurberichte, indem er den Zeitplan, das Budget sowie die benötigten Ressourcen und das Personal skizziert. ²⁵

22. Wissensbasierte Artikelgenerierung

Die Agenten greifen auf Informationen aus Wissensdatenbanken wie Wikipedia, Produkthandbüchern oder Fachzeitschriften zurück, um einen umfassenden Überblick über ein bestimmtes Thema zu erstellen.

Beispiel aus dem realen Leben:

Perplexity Pages wandelt gen-KI-Suchergebnisse in strukturierte Wikipedia-Seiten um. ²⁶

23. Dashboard- und Diagrammerstellung

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

Beispiel aus dem realen Leben:

FigJam AI verwendet Texteingabeaufforderungen, um Folgendes zu generieren:

• Dashboards für Besprechungen und Teamübungen
• Diagramme und Flussdiagramme
• Visuelle Zeitleisten und Gantt-Diagramme ²⁷

KI-Agenten als Versicherungsassistenten

Agenten automatisieren die Prüfung, Genehmigung und Betrugserkennung von Schadensfällen und optimieren so den gesamten Schadensbearbeitungsprozess. Ein großer Versicherer automatisiert beispielsweise rund 90 % der Kfz-Schadensfälle durch die Integration von KI-gestützten Agenten in seinen Arbeitsablauf. ²⁸

24. Vollständige Schadensabwicklung

Sobald ein Antrag eingereicht wird, extrahiert ein KI-System relevante Daten aus den eingereichten Formularen, überprüft die Angaben anhand bestehender Datenbanken und kennzeichnet etwaige Unstimmigkeiten oder potenzielle Betrugssignale.

Beispiel aus dem realen Leben:

Die Power Platform von Microsoft automatisiert ein Versicherungsantragsformular:

Hier die Power Platform von Microsoft :

• Erfasste Dokumente aus Antragsformularen, wie z. B. Kontrollkästchenauswahlen und Texte.
• Das Antragsformular wurde in die SharePoint-Content-Management-App hochgeladen .
• Aus dem Schadensformular extrahierte Daten wie Schadens-ID und Werte der Kontrollkästchen (z. B. Schadensart, Versicherungsnummer).
• Integriert mit Dataverse zur Datenspeicherung , um die extrahierten Daten (einschließlich der Checkbox-Werte) in Microsoft Dataverse zu speichern.
• Beispielsweise wurden in Formularen verarbeitete Workflows mithilfe von Power Apps-Agenten verwendet, um Anträge zu genehmigen oder abzulehnen.

25. Versicherungswesen

Agentic AI automatisiert das Underwriting mit spezialisierten Agenten, darunter ein Risikobewertungsagent zur Einschätzung der Schadenwahrscheinlichkeit und ein Preisgestaltungsagent für dynamische Prämienanpassungen usw.

Beispiel aus dem realen Leben:

Die Agenten von Akira AI automatisieren die Versicherungszeichnung und Risikobewertung durch das Multi-Agenten-System, wobei jeder Agent auf einen kritischen Aspekt der Zeichnung spezialisiert ist:

• Datenerfassungsagent: Sammelt sowohl strukturierte als auch unstrukturierte Daten.
• Risikobewertungsbeauftragter: Analysiert historische Daten und Angaben zu Antragstellern, um die Wahrscheinlichkeit von Schadensfällen vorherzusagen.
• Betrugserkennungsagent: Erkennt Anomalien oder verdächtige Muster bei Schadensmeldungen und Anträgen.
• Preisberater: Schlägt einen Preis vor, der auf Faktoren wie Marktbedingungen, Preisen der Konkurrenz und Kundenverhalten basiert. ³⁰

26. Individuelle Richtlinienlösung

Die Agenten informieren den Versicherungsnehmer über den Status des Schadensfalls und die nächsten Schritte, einschließlich etwaiger erforderlicher zusätzlicher Unterlagen, Aktualisierungen zum Genehmigungs-/Ablehnungsstatus oder Auszahlungsdetails.

KI-Agenten als Assistenten im Personalwesen

Personalprozesse umfassen häufig zahlreiche sich wiederholende Aufgaben wie die Vorauswahl von Lebensläufen, die automatisiert werden können. Hier einige Beispiele für den Einsatz von KI-Agenten im Personalwesen:

27. Lebenslaufprüfung

Agentic-Workflows automatisieren den Screening-Prozess, filtern relevante Fähigkeiten und vergeben automatisch Punktzahlen auf Basis Ihrer vordefinierten Kriterien.

Beispiel aus dem realen Leben:

PepsiCo nutzt KI-Tools, um Kandidaten danach zu bewerten, wie gut sie die Stellenanforderungen erfüllen. ³¹

28. Terminplanung für Vorstellungsgespräche

Agenten können die Terminplanung für Vorstellungsgespräche übernehmen und die Kommunikation zwischen Kandidaten und Personalverantwortlichen koordinieren, um optimale Zeitpunkte zu finden.

Beispiel aus dem realen Leben:

Der LinkedIn HR Assistant übernimmt alltägliche Aufgaben wie das Zusammenfassen von Stellenbeschreibungen, die Suche nach Kandidaten und das Führen einfacher Screening-Anrufe. ³²

29. Automatisierung der Gehaltsabrechnung

Die Mitarbeiter in der Lohn- und Gehaltsabrechnung berechnen Gehälter, verarbeiten Abzüge und wickeln Lohnsteuerabzüge ab. Sie arbeiten mit Personalinformationssystemen (HRIS) und Buchhaltungssoftware zusammen, um Genauigkeit und die Einhaltung der Lohn- und Gehaltsabrechnungsstandards zu gewährleisten.

Erfahren Sie mehr über Lösungen zur Finanzautomatisierung wie:

• Anwendungsfälle und Tools für RPA im Finanzbereich
• Benchmark für Tools im Bereich Finance LLM
• Agentic AI Finanztools

Beispiel aus dem realen Leben:

Das Multiagenten-Lohnabrechnungssystem von Akira AI automatisiert jeden Aspekt des Lohnabrechnungszyklus. Das System verwendet mehrere Agenten, darunter:

Quelle: Akira AI ³³

Hierbei verwendet das Multiagenten-Gehaltsabrechnungssystem von Akira AI mehrere Agenten, darunter:

• Datenaufnahme- und Vorverarbeitungsagent : Nutzt Datenextraktionsmethoden, um Daten aus HR- und Finanzsystemen zu bereinigen.
• Lohnabrechnungs-Agent : Automatisiert die Lohn- und Gehaltsabrechnung, einschließlich Gehalt, Abzüge und Boni.
• Compliance-Meldeagent : Erkennt Compliance-Probleme mithilfe von maschinellem Lernen.
• Anfragelösungsagent: Löst Gehaltsabrechnungsprobleme mithilfe von RAG .

KI-Agenten als Kundendienstassistenten

Herkömmliche Chatbots beantworten zwar grundlegende Fragen, stoßen aber oft an ihre Grenzen, wenn es darum geht, dem Kunden wirklich zu helfen. Agentische Kundenservice-Tools ändern das, indem sie:

• Nuancenreiche Anfragen interpretieren , auch wenn die Fragen vage oder komplex sind.
• Nahtloses Funktionieren über Chat-, Sprach- und E-Mail-Kanäle hinweg beim Abrufen von Daten aus Kundenprofilen, Bestellhistorie und Wissensdatenbanken.
• Beibehaltung des Kontextes aus früheren Interaktionen , um fundiertere und personalisierte Antworten zu ermöglichen.
• Proaktives Handeln , z. B. durch das Versenden von Erinnerungen für Kontrolluntersuchungen oder Nachfassaktionen, bevor der Kunde selbst Kontakt aufnimmt.

30. Beantwortung von Kundenanrufen:

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

Beispiel aus dem realen Leben:

Ada AI Agent beantwortet Kundenanrufe:

31. Beantwortung von Kundentickets

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

32. Versenden von Folge- und Informations-SMS

Nach einem Kundenkontakt versenden die Mitarbeiter SMS-Nachrichten, um mit den Kunden in Kontakt zu bleiben.

33. Erstellung und Optimierung von FAQs

Agenten:

• Erstellt und aktualisiert automatisch FAQs aus Live-Kundeninteraktionen und der Tickethistorie.
• Integration mit CRM-, Chat- und Wissensdatenbank-Tools zur Identifizierung wiederkehrender Anfragen.

KI-Agenten als Forschungsassistenten

KI-Agenten werden als Forschungsassistenten in verschiedenen Bereichen eingesetzt, um bei der Datenanalyse, der Literaturrecherche, der Hypothesenbildung und der Versuchsplanung zu helfen.

Beispiele aus dem realen Leben:

1. OpenAI's Deep Research nutzt logisches Denken, um große Mengen an Online-Informationen zu synthetisieren und mehrstufige Forschung auf Doktorandenniveau durchzuführen, wenn große Suchvorgänge mit o3 & DeepSeek durchgeführt werden. ^{35 36}

In einem Experiment, bei dem Forscher Deep Research baten, ein reales Projekt mit einer detaillierten Aufgabenstellung durchzuführen, Deep Research:

• Vor Beginn des Forschungsprojekts wurden Nachfragen gestellt, um den Umfang und die Details zu klären.
• Zusammengefasste Ergebnisse aus 22 Quellen, basierend auf Berichten aus Wissenschaft und Industrie. ³⁷

2. Das klinische Entscheidungsunterstützungssystem (CDS) von ChemicalQDevice wurde beauftragt, einen Wirkstoff-Workflow für die Arzneimittelforschung durchzuführen. In diesem Beispiel funktioniert das System von ChemicalQDevice wie folgt:

• Analysierte umfangreiche klinische Literatur aus Datensätzen.
• Automatisierte Codierung mit Tools wie GitHub Actions durchgeführt.
• Ich habe generative KI (z. B. GPT-4 oder kundenspezifische Modelle) verwendet, um Hypothesen zu generieren, experimentelle Designs vorzuschlagen und Forschungsberichte zu schreiben. ³⁸

3. Das durchgängige agentenbasierte Workflow-System otto-SR nutzt LLMs, um Literaturrecherchen durchzuführen, wendet Einschluss-/Ausschlusskriterien an, extrahiert strukturierte Daten und führt Metaanalysen durch. ³⁹

Das System von OpenAI Deep Research ChemicalQDevice und otto-SR können in mehreren Anwendungsfällen eingesetzt werden, die im Folgenden aufgeführt sind:

34. Literaturrecherche und Wissensgewinnung

Selbstständiges Durchsuchen von akademischen Datenbanken, Zeitschriften und Online-Forschungsrepositorien (z. B. Google Scholar, PubMed), um relevante Studien, Aufsätze und Artikel zu spezifischen Forschungsthemen oder Hypothesen zu sammeln.

35. Hypothesenbildung und -prüfung

Proaktive Generierung von Analysehypothesen auf Basis von Mustern in den Daten und deren Test (eine typische Aufgabe von Analysten und Geschäftsanwendern).

36. Datengewinnung und -analyse

Die Verarbeitung strukturierter und unstrukturierter Daten aus verschiedenen Quellen wie Forschungsdatenbanken, sozialen Medien, Patenten oder Ergebnissen klinischer Studien, um Einblicke in neue Trends zu gewinnen.

37. Datenvisualisierung und -präsentation

Erstellung aussagekräftiger visueller Darstellungen komplexer Datensätze.

KI-Agenten als Computerbenutzer

„Computernutzung“ zielt darauf ab, KI die Interaktion mit einem Computer wie einem Menschen zu ermöglichen. Dies bietet die Flexibilität, digitale Aufgaben ohne die Verwendung betriebssystem- oder webspezifischer APIs auszuführen.

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

1. Ausführen von Aktionen der grafischen Benutzeroberfläche (GUI) des Betriebssystems ( Anthropics Claude, Microsofts OmniParser usw. ).
2. Web-Browsing ( OpenAI Operator, Kura AI, Runner H , HyperWriteAI, MultiOn Agent Q, etc) .

Werkzeugbeispiele:

1. Das neue Operator-Tool von OpenAI ermöglicht es KI-Agenten, Aufgaben auf verschiedenen Websites zu erledigen, wie zum Beispiel den Kauf von Tierfutter. ⁴⁰
2. Kura AI und Runner H zielen darauf ab, Aufgaben mithilfe von Webbrowsern zu erledigen. ^{41 42}
3. HyperWriteAI hat zum Ziel, Textformulare auszufüllen, Schaltflächen anzuklicken und Menüpunkte auszuwählen, um eine Online-Bestellung aufzugeben. ⁴³
4. Der OmniParser von Microsoft verbessert das Verständnis von Agenten für visuelle Schnittstellen zur GUI-Automatisierung. ⁴⁴

38. Formularausfüllung & Webautomatisierung

Agenten navigieren durch Webseiten, klicken Felder an und füllen Formulare anhand von Benutzereingaben oder strukturierten Daten aus.

Beispiel aus dem realen Leben:

39. Dokumentenerstellung und -bearbeitung

Agenten öffnen Dateien, bearbeiten sie, benennen sie um, organisieren sie und speichern Dokumente in lokalen oder Cloud-Umgebungen.

Beispiel aus dem realen Leben:

Claude von Anthropic wird gebeten, „25 Zeilen mit Beispielausgaben zu generieren, diese in einer Tabellenkalkulation zu speichern und die Tabellenkalkulation anschließend zu öffnen“.

In diesem Beispiel Claude:

• Die CSV-Datei wurde in der LibreOffice Calc-App geöffnet.
• Es wurde eine CSV-Datei mit 25 Zeilen Beispielausgabendaten erstellt.
• LibreOffice Calc Tabellenkalkulationsprogramm installiert. ⁴⁶

40. Web-Recherche und 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.

Beispiel aus dem realen Leben:

OpenAI's Deep Research , eine neue agentenbasierte Funktion innerhalb von ChatGPT, die für mehrstufige, kontextbezogene Web- Recherchenpläne entwickelt wurde, navigiert und synthetisiert Informationen aus mehreren Quellen, um komplexe Anfragen zu beantworten.

41. CLI-Operationen und Skriptausführung

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

Beispiel aus dem realen Leben:

Aider, ein KI-basierter Programmieragent für die Kommandozeile, wird von Entwicklern zur Refaktorisierung von Codebasen und zur Ausführung von Shell-Befehlen, wie z. B. dem Ausführen von Test-Suites, verwendet (pytest, npm test). Der Agent interpretiert Terminalausgaben, behebt Fehler iterativ und speichert Änderungen direkt in Git-Repositories. ⁴⁸

42. Multimodale App-Navigation und -Koordination

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

Beispiel aus dem realen Leben:

Um einen Anwendungsfall für die Auftragslieferung zu testen, habe ich eine einfache Einkaufsanfrage über Open Operator gestellt: Hilf mir, einen Kissenbezug im Boho-Stil für unter 30 Dollar zu kaufen .

Autonome Workflow-Agenten (Langfristige Aufgabenplanung)

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

Beispiel aus dem realen Leben:

Bei dieser mehrstufigen Finanzberichtanalyse 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 besorgen:

• Aktuelle Unternehmensnachrichten (Top 3 Meldungen)
• Aktueller Aktienkurs des Unternehmens (AAPL)
• Unternehmensinformationen (z. B. Profil, Marktkapitalisierung, Branche)
• Historische Aktienkurse (1-Tages-Intervall über den letzten Monat)
• Analystenempfehlungen (z. B. Kauf-/Halten-/Verkaufsempfehlungen)

Hier ist das Ergebnis des Finanzberichts:

Beispiel aus dem realen Leben:

MultiOn-Agent Q bucht einen Flug.

KI-Agenten erstellen

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

• Umgang mit Komplexität bei der Aufgabenausführung
  • Standardisierung von Mustern, die ihren Entscheidungsprozess leiten.
  • Mehrere Optionen einbeziehen und die optimale Aktion zur Ausführung einer Aufgabe auswählen. (z. B. „Soll ich diesen oder einen anderen Bildschirm basierend auf der Benutzereingabe anzeigen?“).
• Schnittstellen zu externen Systemen und APIs

43. Generierung kundenspezifischer KI-Agenten:

Frameworks zur Entwicklung von KI-Agenten tragen zur Bewältigung dieser Herausforderungen bei, indem sie Folgendes bieten:

__21833__
• Entscheidungsfindungs- und Argumentationsrahmen (z. B. maschinelles Lernen oder probabilistische Modelle) zur Standardisierung von Mustern und zur Einbeziehung mehrerer Optionen.
• Tools für Datenzugriff und -integration (z. B. API-Konnektoren) zur Anbindung an externe Systeme und APIs.

Beispiel aus dem realen Leben:

Erstellung eines individuellen Slowenien-Reiseführeragenten mit Microsoft 365:

FAQs

Referenzlinks

1.

Lamar en 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" / X

2.

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

3.

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

4.

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

5.

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

6.

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

7.

Local Models & Inference Engines – GT EDGE AI

8.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

9.

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

10.

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

11.

https://www.youtube.com/watch?v=vbbP6Q6BY_U&t=591s

12.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

13.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

14.

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

15.

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

Google Cloud

16.

GitHub - dandye/adk_runbooks · GitHub

17.

Agentic Incident Response - YouTube

18.

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

19.

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

20.

Generative Agents: Interactive Simulacra of Human Behavior

21.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

22.

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

SIMA team

23.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

24.

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

25.

Engineering

26.

Seite schnell erstellen

27.

Introducing AI to FigJam | Figma Blog

Figma

28.

Niederländischer Versicherungsanbieter

29.

Automating an insurance claim form with AI Builder - YouTube

30.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

31.

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

32.

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

LinkedIn Talent Solutions

33.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

34.

Ada Voice + Aircall

35.

Introducing deep research | OpenAI

36.

Deep Research - Marginal REVOLUTION

37.

Deep Research: First Impressions

UX Tigers

38.

ChemicalQDevice

39.

Automation of Systematic Reviews with Large Language Models | medRxiv

40.

Introducing Operator | OpenAI

41.

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

42.

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

TechCrunch

43.

X 上的 Matt Shumer：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.co/csGjtIU0I

44.

OmniParser

45.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

46.

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

47.

Introducing deep research | OpenAI

48.

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

49.

Creating an AI Agent for Financial Report Analysis - YouTube

50.

MultiOn AI Agent books a flight - YouTube

51.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

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.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten