40+ Anwendungsfälle für agentische KI mit Praxisbeispielen

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

Im Gegensatz zu traditioneller KI, insbesondere generativer KI, die oft menschliches Eingreifen in komplexen Arbeitsabläufen erfordert, zielt agentische KI 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. Anwendungen erstellen

KI-Code-Editoren wie der Cursor KI Editor, der 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 den Replit KI Agent, um eine gesamte App in 90 Minuten zu erstellen. Zwei Agenten tauschten autonom Anmeldeinformationen aus und führten Tests durch. Diese agentenübergreifende Zusammenarbeit wurde in den ChatGPT Atlas Agent Mode integriert und erweitert die Fähigkeiten der Agenten über Entwicklungsumgebungen hinaus, etwa im E-Commerce, bei Reisebuchungen und in Unternehmens-Web-Workflows.¹

Praxisbeispiel:

Cursors Agentenmodus 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 programmieren, Befehle auszuführen und automatisch zu bestimmen, welchen Kontext es benötigt (kein Hinzufügen von Dateien erforderlich).

Mehr zum Erstellen von Agenten entdecken

Wenn Sie die Infrastruktur hinter agentischen KI-Systemen erkunden, empfehlen wir Ihnen unsere neuesten Benchmarks:

• Remote-Browser: Wie Browser-Infrastruktur Agenten eine sichere Interaktion mit dem Web ermöglicht.
• MCP-Benchmark: Top MCP-Server für Werkzeugnutzung und Webzugriff.

2. Eigene API mit KI-Codierung erstellen 

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

• Integration der Ausgabe in die Umgebung des Entwicklers 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. Code-Bearbeitung in natürlicher Sprache

Sie können Code-Snippets auswählen und einfache englische Befehle erteilen, wie zum Beispiel:

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

Praxisbeispiel:

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

4. Websites erstellen

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

• Startseiten
• Kursübersichtsseiten
• Personalisierte Studenten-Dashboards

Ähnlich erstellt der KI-Code-Editor Replit Websites und nutzt APIs.⁵

Praxisbeispiel:

So erstellt man einen Website-KI-Agenten:

Hier ist der Automatisierungs-Workflow:

5. Generierung eines CRM-Dashboards

Agenten sind in der Lage, die Frontend-Oberfläche zu generieren, die 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 grundlegende Codierung typischerweise eine Aufgabe für LLMs ist, sind rekursive Codierungs-Workflows, bei denen ein Agent iterativ Code über mehrere Schichten hinweg verbessert/erweitert, von Natur aus agentisch.

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

Praxisbeispiele:

GT Edge KI konvertiert alten 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 durch:⁹

7. Code-Refactoring

Durch den Einsatz von rekursiven Code-KI-Agenten wird das Codedesign kontinuierlich verbessert, ohne dass sich die Funktionsweise ändert, wodurch es leichter verständlich und wartbar wird.

Praxisbeispiel:

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

8. Codevorschläge in Ihrer IDE generieren

GitHub Copilot bietet einen autonomen Agentenmodus, der zu mehrstufigen Codierungsaufgaben fähig ist, Befehle ausführt und Code unabhängig in VS Code und JetBrains-IDEs iteriert, was über Echtzeit-Vorschläge und Autovervollständigungen hinausgeht.¹¹

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

KI-Agenten verwalten 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 wie „Fahre den NGINX-Pod herunter“ zu interpretieren

Praxisbeispiel:

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

KI-Agenten als SecOps-Assistenten

10. Threat Intelligence

Agenten sammeln und korrelieren Bedrohungsakteur-TTPs (Taktiken, Techniken, Verfahren) aus Open-Source- und proprietären Feeds und integrieren die Ergebnisse in Erkennungs-Workflows.

Praxisbeispiel:

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

11. Erkennung & Triage

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

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

Praxisbeispiel:

Charlotte KI führt autonome Erkennung und Triage durch:

• Identifizierung bösartigen Verhaltens basierend auf bekannten TTPs.
• Querverweise auf Ausführungsmuster und Dateipfade.
• Bereitstellung einer menschenlesbaren Urteilserklärung.

12. Kontextuelle Anreicherung & Bedrohungszuordnung

Dieser Schritt erfolgt nach der ersten Triage und fügt Alarmen Tiefe und Kontext hinzu.

Automatisierte Angreifer-Zuordnungssysteme nehmen CTI-Feeds auf, extrahieren Verhaltens- und Zeitmerkmale und berechnen Ähnlichkeitswerte über Vorfälle hinweg. Clustering-Algorithmen ordnen dann Intrusionen 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 an (z. B. IP-Reputation, Malware-Hashes) 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 mittels Service-Konten.
• Anreicherung: Er reichert den Alarm automatisch mit Daten aus Chronicle-Protokollen, dem Asset-Inventar und Mandiant Threat Intelligence an.
• Zuordnung: Ein zweiter Agent gruppiert diese Aktivität mit historischen Intrusionsketten, die einer bekannten Gruppe (z. B. APT41) zugeordnet sind.

13. Eskalation & Übergabe

• Alarmübersetzung / -vereinfachung: Wandelt technische Alarme in analystenfreundliche Zusammenfassungen um.
• Automatische Ticketerstellung und Analystenzuweisung: Erstellt Tickets und leitet Vorfälle an das zuständige Tier oder Team weiter.

Praxisbeispiel:

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

Bei Eskalation und Übergabe führt Socrates:

• Erstellt Fälle automatisch in ITSM-Plattformen (z. B. ServiceNow, Jira), vorausgefüllt mit den relevanten Observablen, Anreicherungen und strukturierten Daten.
• Weist Analysten zu, basierend auf Arbeitslast und Schichtplänen.
• Eskaliert selektiv, nur wenn die Konfidenz gering, der Vorfall mehrdeutig oder die potenzielle Auswirkung hoch ist.
• Hängt bei der Übergabe die vollständige Anreicherung an, sodass Analysten eine handlungsbereite Fallakte anstelle eines Rohalarms erhalten.

14. Proaktive Reaktionsmaßnahmen

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

• Protokolle 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-Agenten, 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 suchen in Identitäts-, Netzwerk- und Cloud-Protokollen
• Sich wiederholende Hunts zu automatisieren, wie IOC-Abfragen oder Mustererkennung
• Unbekannte Bedrohungen zu kennzeichnen, indem Verhalten mit historischen Basislinien und Peer-Aktivitäten verglichen wird

Praxisbeispiel:

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

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

Agent 1 ruft relevante Erkennungsmethoden von MITRE ATT&CK ab, während Agent 2 diese Eingabe verwendet, um kontextbewusste Sigma-Regeln mithilfe eines Sprachmodells zu generieren.²⁰

16. Automatisiertes Software- und Anwendungstesten

KI-Testagenten erstellen und führen Unit-, Integrations-, Schwachstellen- und Leistungstests ohne umfangreiche manuelle Eingriffe durch. Allerdings ist der Aufbau dieser KI-Systeme 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, Spielausführung & Anpassungsfähigkeit, und prozedurale Inhaltserzeugung ausführen.

17. Agentische Nicht-Spieler-Charaktere (NPCs)

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

Praxisbeispiel:

Forscher erstellten eine kleine virtuelle Stadt, die 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 Neuigkeiten austauschen, Beziehungen aufbauen und Gruppenaktivitäten arrangieren. 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. Dies kann grundlegende Verhaltensweisen beinhalten, 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 zu finden und den Spieler zu verfolgen.

18 Spielausführung

KI-Agenten spielen Videospiele oder helfen menschlichen Spielern, bestimmte Ziele zu erreichen, indem sie 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. Dies ermöglicht es ihnen, mit dem Spiel zu interagieren, wie es ein menschlicher Spieler tun würde.
• Gameplay-Anpassungsfähigkeit: Agenten analysieren den Spielstil eines Spielers und passen die Spielwelt, Interaktionen und das Missionsdesign entsprechend an. Ein Stealth-Spieler könnte beispielsweise 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 Inhaltserzeugung

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

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

Praxisbeispiel:

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

• Abwechslungsreichen Topographien (z. B. Berge, Täler, Schluchten).
• Einzigartigen Biomen (z. B. Wüsten, Wälder, Ozeane).
• Dynamischen Wettermustern (z. B. Stürme, Regen).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, um einen Roman mit 100.000 Wörtern (~300 Seiten) und ohne menschliches Zutun zu schreiben.²⁶ Einige Beispiele dieser 10 Agenten umfassen:

• Spezifikationsagent: Analysiert die Anforderungen der Geschichte und erhält die narrative Konsistenz aufrecht.
• Produktionsagent: Generiert Inhalte und implementiert kreative Änderungen.
• Management-Agent: Koordiniert zwischen Agenten und verfolgt den kreativen Fluss.
• Duplizierungsagent: Verhindert Inhaltsredundanz und Duplikate.

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

21. Technischer Bericht oder Angebotserstellung

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 Mitarbeiter 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 Schadenbearbeitungsprozess. Ein großer Versicherer automatisiert beispielsweise ~90% der individuellen Kfz-Schäden, indem er benutzerdefinierte KI-Agenten in seinen Schaden-Workflow integriert. ³¹

Unternehmensanbieter wie Oracle und SAP haben agentische KI in den Bereichen Lieferkettenmanagement, Finanzoperationen, Personalwesen und Kundenerfahrung eingesetzt. Diese Agenten können Bestandsoptimierung, Beschaffungsautomatisierung und Finanzabstimmung übernehmen.

24. End-to-End-Schadenbearbeitung

Sobald ein Anspruch eingereicht wurde, extrahieren agentische KI-Systeme relevante Daten aus den eingereichten Formularen, überprüfen die Details anhand bestehender Datenbanken und kennzeichnen Unstimmigkeiten oder potenzielle Betrugssignale.

Praxisbeispiel:

Microsofts Power Platform – automatisiert ein Versicherungsanspruchsformular:

Hier, Microsofts Power Platform:

• Erfasste Anspruchsformulardokumente wie Checkbox-Auswahlen und Texte.
• Anspruchsformular in SharePoint hochgeladen, einer Content-Management-App.
• Daten aus dem Anspruchsformular 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.
• Verarbeitete Workflows in Formularen, zum Beispiel mit Power App-Agenten, um Ansprüche zu genehmigen oder abzulehnen.

25. Underwriting

Agentische KI automatisiert das Underwriting mit spezialisierten Agenten, darunter ein Risikobewertungsagent für die Beurteilung der Anspruchswahrscheinlichkeit und ein Preisagent für dynamische Prämienanpassungen usw.

Praxisbeispiel:

Akira KI‘s Agenten automatisieren das Versicherungs-Underwriting und die Risikobewertung durch ein Multi-Agenten-System, bei dem sich jeder Agent auf einen kritischen Aspekt des Underwritings spezialisiert:

• Datensammlungsagent: 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 bei Ansprüchen und Anträgen.
• Preisagent: 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 aller erforderlichen zusätzlichen Unterlagen, Genehmigungs-/Ablehnungsaktualisierungen oder Auszahlungsdetails.

Praxisbeispiel:

Lemonades KI Jim kommuniziert Anspruchsergebnisse direkt an den Versicherungsnehmer. Sobald ein Anspruch eingereicht wird, führt KI Jim:

• Empfängt die erste Schadenmeldung (FNOL), ein kurzes Video oder einen Text vom Kunden.
• Führt eine konversationelle Triage durch, 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 Assistenten im Personalwesen (HR)

HR-Operationen beinhalten oft zahlreiche sich wiederholende Aufgaben wie das Screening von Lebensläufen, die automatisiert werden können. Hier sind wichtige Beispiele für agentische KI in HR-Operationen:

27. Lebenslauf-Screening

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

Praxisbeispiel:

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

28. Vorstellungsgesprächsplanung

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

Praxisbeispiel:

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

29. Gehaltsabrechnungsautomatisierung

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

Erkunden Sie mehr zu Finanzautomatisierungslösungen wie:

• RPA-Finanzanwendungsfälle und -Tools
• Finanz-LLM-Tools-Benchmark
• Agentische KI-Finanztools

Praxisbeispiel:

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

Quelle: Akira KI³⁶

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

• Datenerfassungs- & Vorverarbeitungsagent: Verwendet Datenextraktionsmethoden zur Bereinigung von Daten aus HR- und Finanzsystemen.
• Gehaltsabrechnungsagent: Automatisiert Gehaltsabrechnungsberechnungen, einschließlich Lohn, Abzüge und Boni.
• Compliance-Berichtsagent: Erkennt Compliance-Probleme mithilfe von maschinellem Lernen.
• Anfragebeantwortungsagent: Löst Gehaltsabrechnungsprobleme mittels RAG.

KI-Agenten als Kundenservice-Assistenten

Traditionelle Chatbots bearbeiten einfache Anfragen, haben aber Schwierigkeiten mit komplexen Anliegen. Agentische Kundenservice-Tools begegnen dem durch:

• Interpretation nuancierter Anfragen, selbst wenn Fragen vage oder komplex sind
• Nahtloses Operieren über Chat-, Sprach- und E-Mail-Kanäle hinweg, während Daten aus Kundenprofilen, Bestellverlauf und Wissensdatenbanken abgerufen werden
• Beibehalten des Kontexts aus früheren Interaktionen, was fundiertere und personalisierte Antworten ermöglicht
• Proaktives Engagement, wie das Versenden von Erinnerungen für Untersuchungen oder Nachfassaktionen, bevor der Kunde Kontakt aufnimmt

30. Kundenanrufe beantworten:

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

Praxisbeispiel:

Ada KI Agent beantwortet Kundenanrufe:

31. Reagieren auf Kundentickets

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

Praxisbeispiel:

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

• Absicht ableiten aus der Kundennachricht.
• Relevante Inhalte abrufen aus der Wissensdatenbank, Hilfeartikeln und dem Ticketverlauf.
• Eine Antwort entwerfen und dann entscheiden, ob das Ticket allein gelöst werden kann oder eskaliert werden muss.
• Übergabe mit Kontext bei Eskalation, wobei das vollständige Transkript, seine Zusammenfassung des Problems und warum es nicht gelöst werden konnte, übergeben wird.

32. Senden von Follow-up- und informativen SMS

Nach einer Interaktion senden Agenten SMS-Nachrichten, um mit Kunden in Kontakt zu bleiben. 42,8 % der Unternehmen nutzen KI-Textagenten und 33,4 % KI-Sprachagenten für proaktive Ansprache. ³⁸

Praxisbeispiel:

Toyotas E-Care KI-Agent verbindet sich mit der Bordelektronik eines Autos und kontaktiert Kunden, um sie auf Reparatur- oder Wartungsbedarf hinzuweisen, und leitet sie dann durch die Buchung des Fahrzeugs in einer Serviceeinrichtung. Der Agent reduziert die Gesamtbelastung durch eingehende Serviceanrufe.³⁹

Im Gegensatz zu geplanten Massensendungen passt sich die agentische ausgehende Kommunikation pro Empfänger an. Bei einem Versorgungsausfall führt der Agent:

• Identifizierung, welche Nachbarschaften betroffen sind, anstatt die gesamte Basis zu benachrichtigen.
• Überprüfung des bevorzugten Kanals jedes Kunden (SMS, WhatsApp, Sprache oder E-Mail).
• Versand personalisierter Updates (z. B. „Die Stromversorgung wird voraussichtlich um 16:15 Uhr wiederhergestellt sein.“).
• Automatische Nachfassaktion, wenn die Wiederherstellung länger als erwartet dauert, und Eskalation an einen Live-Agenten, falls der Kunde mit Bedenken antwortet.

33. FAQ-Erstellung und -Optimierung

Agenten:

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

Praxisbeispiel:

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

• Inhaltslücken identifiziert und Aktualisierungen für Artikel vorschlägt, die wiederkehrende Tickets nur teilweise abdecken.
• Entwurfsartikel oder -verfahren generiert aus Ticketdaten.
• Inhaltsgesundheit bewertet nach Abdeckung, Aktualität (Anteil kürzlich aktualisierter Artikel) und KI-Lesbarkeit (Anteil der für KI-Verarbeitung formatierten Artikel).
• Support-Themen hervorhebt, Spitzen bei wiederkehrenden Anfragen (z. B. Passwort-Zurücksetzungen) kennzeichnet und neue Hilfe-Center-Artikel empfiehlt.

Entdecken Sie weitere unserer Benchmarks und datengestützten Erkenntnisse in der Google-Suche.

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 Schlussfolgerungen, um große Mengen an Online-Informationen zu synthetisieren und mehrstufige Forschung auf Ph.D.-Niveau durchzuführen, wenn umfangreiche Suchanfragen mit dem o3 & DeepSeek ausgeführt werden.^{40 41}

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

• Stellte Folgefragen, um Umfang und Details des Forschungsprojekts zu klären, bevor es begann.
• Synthetisierte Ergebnisse aus 22 Quellen basierend auf akademischen und Branchenberichten.⁴²

2. Das Clinical Decision Support (CDS)-System von ChemicalQDevice wurde gebeten, einen agentischen Workflow zur Arzneimittelforschung auszuführen. In diesem Beispiel führte das System von ChemicalQDevice:

• Analysierte riesige Mengen klinischer Literatur aus Datensätzen.
• Führte automatisierte Codierung mit Tools wie GitHub Actions durch.
• Verwendete generative KI (z. B. GPT-4 oder benutzerdefinierte Modelle), um Hypothesen zu generieren, experimentelle Designs vorzuschlagen und Forschungsberichte zu schreiben.⁴³

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.⁴⁴

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

• Verarbeitete der Agent etwa 10.000 Arbeiten mit einer Durchlaufzeit von 30 Minuten pro Manuskript. 
• Fing 34 % mehr mathematische Fehler als Standardmethoden mit Zero-Shot-Prompting.⁴⁵

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, 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 -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 Promo-Codes und liefert 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

Analytische Agenten kompilieren automatisch Rohdaten in präsentationsfertige Visualisierungen und bilden komplexe Trends in saubere Kohortenanalyse-Diagramme und Finanz-Waterfalls ab, wobei integrierte Tools wie Tableau oder Power BI verwendet werden.

KI-Agenten als Computerbenutzer

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

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

1. Ausführen von Aktionen in der grafischen Benutzeroberfläche (GUI) des Betriebssystems (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 führt komplexe webbasierte Aufgaben aus, um die GUI zu vereinheitlichen.⁴⁶
2. Kura KI undRunner H zielen darauf ab, Aufgaben mithilfe von Web-Browsern zu erledigen.^{47 48}
3. HyperWriteAI zielt darauf ab, Textformulare auszufüllen, Schaltflächen zu klicken und Menüauswahlen zu treffen, um eine Online-Bestellung aufzugeben.⁴⁹
4. Microsofts OmniParser verbessert das Verständnis von Agenten für visuelle Schnittstellen zur GUI-Automatisierung.⁵⁰

38. Formularausfüllen & Webautomatisierung

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 Bearbeitungen vor, benennen um, organisieren und speichern Dokumente in lokalen oder Cloud-Umgebungen.

Praxisbeispiel:

Anthropics Claude wird gebeten: „Generiere 25 Zeilen mit Beispielausgaben, speichere sie in einer Tabelle und öffne dann die Tabelle“.

In diesem Beispiel führt Claude:

• Öffnete die CSV-Datei in der LibreOffice Calc-App.
• Erstellte eine CSV-Datei mit 25 Zeilen mit Beispiel-Ausgabedaten.
• Installierte die LibreOffice Calc-Tabelle.⁵²

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, konzipiert für mehrstufige, kontextreiche Web-Recherche 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 Terminalschnittstellen.

Praxisbeispiele:

Aider, ein CLI-nativer KI-Coding-Agent, wird von Entwicklern verwendet, um Codebasen umzugestalten und Shell-Befehle auszuführen, wie z. B. das Ausführen von Test-Suites (pytest, npm test). Der Agent interpretiert Terminalausgaben, behebt iterativ Fehler und überträgt Änderungen direkt in Git-Repositories.⁵⁴

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 umzugestalten, Shell-Befehle auszuführen, Test-Suites laufen zu lassen und Änderungen in Git-Repositories zu übertragen.⁵⁵

42. Multimodale App-Navigation & -Koordination

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

Praxisbeispiel:

Um einen Anwendungsfall für die Lieferung einer Bestellung zu testen, gab ich eine einfache Einkaufsanfrage beim Open Operator auf: Hilf mir, einen Kissenbezug im Boho-Stil für unter 30 $ zu kaufen.

Autonome Workflow-Agenten (Langfristige Aufgabenplanung)

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 durchführen, Plan überarbeiten) und treffen Entscheidungen in Echtzeit.

Praxisbeispiel:

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

Der Agent wird gebeten, zu erhalten:

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

Hier ist die Ausgabe des Finanzberichts:

Praxisbeispiel:

MultiOn Agent Q bucht einen Flug.

KI-Agenten erstellen

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 den Herausforderungen:

Dieser Wandel bringt Herausforderungen mit sich, wie die Verwaltung 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. „Sollte ich diesen Bildschirm oder einen anderen basierend auf Benutzereingaben anzeigen?“).
• Schnittstelle zu externen Systemen und APIs

43. Generierung benutzerdefinierter KI-Agenten:

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

• Entscheidungs- & Argumentations-Frameworks (z. B. maschinelles Lernen oder probabilistische Modelle), um Muster zu standardisieren & mehrere Optionen einzubeziehen.
• Datenzugriffs- & Integrationstools (z. B. API-Konnektoren) zur Schnittstellenbildung 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 langfristige Aufgaben bieten.

Praxisbeispiel:

Erstellen 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+ Anwendungsfälle für agentische KI 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

Cognition

56.

Creating an AI Agent for Financial Report Analysis - YouTube

57.

MultiOn AI Agent books a flight - YouTube

58.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

Cem Dilmegani

Hauptanalyst

Folgen auf

Cem ist seit 2017 Hauptanalyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 55 % der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen zitiert, darunter Business Insider, Forbes, Washington Post, globale Unternehmen wie Deloitte, HPE und NGOs wie das World Economic Forum und supranationale Organisationen wie die Europäische Kommission. Sie können weitere renommierte Unternehmen und Ressourcen sehen, die AIMultiple referenziert haben. Im Laufe seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen mehr als ein Jahrzehnt lang bei McKinsey & Company und Altman Solon zu ihren Technologieentscheidungen. Er veröffentlichte auch einen McKinsey-Bericht zur Digitalisierung. Er leitete die Technologiestrategie und -beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Er leitete auch das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos, das innerhalb von 2 Jahren einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung von 0 aus erreichte. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider behandelt. Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er absolvierte die Boğaziçi-Universität als Computeringenieur und hat einen MBA von 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