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 in komplexen Workflows oft menschliches Eingreifen erfordert, zielt Agentische KI darauf ab, Prozesse dank ihrer Entscheidungsfähigkeiten und ihres zielgerichteten Verhaltens autonom zu steuern und zu optimieren. KI-Agenten fungieren als:

• Entwickler
• SecOps-Assistenten
• Menschenähnliche Spielfiguren
• Content-Ersteller
• Versicherungsassistenten
• Assistenten im Personalwesen (HR)
• Kundenservice-Assistenten
• Forschungsassistenten
• Computerbenutzer
• KI-Agenten-Entwickler

KI-Agenten als Entwickler

1. Erstellen von Anwendungen

KI-Code-Editoren wie Cursor KI Editor, Windsurf Editor und Replit 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.
• Generieren von Code in der gewählten Sprache (z. B. Python, JavaScript) basierend auf einfachen Prompts.
• Automatisieren von Workflows mit Integrationen wie GitHub Actions für Tests und Bereitstellung.

So funktioniert es:

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

Cursor's 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).

Praxisbeispiel: Building applications case study

Rakuten hat seinen Entwicklungsworkflow mit Anthropics Claude Code über Unit-Tests, API-Mocking, Komponentenbau, Fehlerbehebung und Dokumentation neu aufgebaut. Rakuten erzielte:

• Time-to-Market für Features um 79 % gesenkt
• Bis zu fünf Aufgaben parallel ausgeführt
• Verständnis komplexer Codebasen und Architekturentscheidungen.⁴

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 Tool-Nutzung und Webzugriff.

2. Erstellen Sie Ihre eigene API mit KI-Codierung

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

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

So funktioniert es:

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

Hier ist eine abstrakte Übersicht eines API-Workflows:

3. Codebearbeitung in natürlicher Sprache

Sie können Code-Snippets auswählen und Befehle in einfachem Englisch erteilen, wie zum Beispiel:

„Verdoppeln Sie die Größe des Boards. Machen Sie es grün – wie einen Apple 2e.“ (siehe Praxisbeispiel unten).

So funktioniert es:

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

Praxisbeispiel: Natural language code editing

Coinbase wechselte zu einem Agent-First-Engineering-Modell rund um Cursor, gestaltete die Sprintplanung neu und erweiterte den parallelen Agenteneinsatz, was zu Folgendem führte:

• 90 % Reduzierung der Zeit von der Idee bis zur Produktion
• 55 % mehr gemergte Pull Requests pro Entwickler.⁷

4. Erstellen von Websites

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

• Startseiten
• Kursübersichtsseiten
• Personalisierte Studenten-Dashboards

Ähnlich erstellen KI-Code-Editoren wie Replit Websites und nutzen APIs.⁶

So funktioniert es:

Hier ist der Automatisierungs-Workflow:

5. Erstellen eines CRM-Dashboards

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

So funktioniert es:

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

6. Rekursives Codieren

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

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

So funktioniert es:

GT Edge KI konvertiert Legacy-COBOL-Code in modernes Java.¹⁰

Persistent bietet ein Multi-Agenten-Framework zur autonomen Migration von COBOL-Code zu Java; es funktioniert folgendermaßen:¹¹

Praxisbeispiel: Rekursives Codieren

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

• 60 % höhere Entwicklerproduktivität bei der COBOL-zu-Java-Transformation
• Validiertes generiertes Java mit automatisierten Unit-Tests, die identische Ausgaben wie das ursprüngliche COBOL bestätigen¹²

7. Code-Refactoring

Durch den Einsatz rekursiver Codier-KI-Agenten wird das Design des Codes kontinuierlich verbessert, ohne sein Verhalten zu ändern, was ihn leichter verständlich und wartbar macht.

So funktioniert es:

Entwickler eines Tech-Startups haben einen Agenten zum Refactoring Ihres Codes in 25+ Programmiersprachen erstellt.¹³

Praxisbeispiel: Code-Refactoring

Cognition veröffentlichte eine 18-monatige Leistungsbeurteilung von Devin auf Basis des Produktionseinsatzes in seinem Kundenstamm, zu dem Goldman Sachs, Santander und Nubank gehören, und meldete folgende Geschwindigkeits- und Merge-Raten-Werte für Migrations- und Refactoring-Arbeiten:

• Die Migration jeder Datei wurde in 3–4 Stunden abgeschlossen, im Vergleich zu 30–40 Stunden für einen menschlichen Ingenieur, eine Verbesserung um etwa das 10-fache
• Als Oracle den Legacy-Support für eine Java-Version einstellte, migrierte Devin jedes Repository 14-mal schneller als ein menschlicher Ingenieur
• Rund 67 % von Devins Pull Requests werden jetzt gemergt, gegenüber etwa 34 %
• Hunderttausende Pull Requests wurden im gesamten Kundenstamm gemergt.¹⁴

8. Generieren von Codevorschlägen in Ihrer IDE

GitHub Copilot bietet einen autonomen Agentenmodus, der mehrstufige Codieraufgaben ausführen, Befehle ausführen und Code unabhängig über VS Code und JetBrains-IDEs hinweg iterieren kann, über Echtzeit-Vorschläge und Automatisch-Vervollständigungen hinaus.¹⁵

Praxisbeispiel: Generieren von Codevorschlägen

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

• 8,69 % mehr Pull Requests pro Entwickler
• 15 % höhere Merge-Rate bei Pull Requests
• 84 % mehr erfolgreiche Builds, was darauf hindeutet, dass der Durchsatz ohne Qualitätseinbußen stieg
• Rund 30 % der Copilot-Vorschläge wurden akzeptiert, wobei 88 % der generierten Zeichen im Editor beibehalten wurden
• 90 % der Entwickler gaben an, sich in ihrem Job erfüllter zu fühlen, und 95 % sagten, sie hätten mehr Freude am Programmieren.¹⁷

9. Überwachung und Optimierung von CI/CD-Pipelines

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
• High-Level-Befehle zu interpretieren, wie etwa „den NGINX-Pod herunterfahren“

So funktioniert es:

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

Praxisbeispiel: Überwachung und Optimierung von CI/CD-Pipelines

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

• 3x mehr Code, der von 30.000 Entwicklern committet wurde
• Benutzerdefinierte Regeln automatisieren Branch-Erstellung, Code-Commits, CI-Debugging und Issue-Tracking
• Cursor wird praktisch in allen Produktbereichen und in jeder Phase des Softwareentwicklungslebenszyklus eingesetzt
• Besonders effektiv beim Auffinden und Beheben seltener, hartnäckiger Bugs, wobei Agenten zu deren Behebung entsandt werden.¹⁹

KI-Agenten als SecOps-Assistenten

10. Threat Intelligence

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

So funktioniert es:

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

Praxisbeispiel: Threat Intelligence

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

• TÜV SÜD analysiert Bedrohungen 60–70 % schneller
• Elanco reduzierte die Reaktionszeiten um bis zu 50 %
• Analysten können Angriffsvektoren abfragen, die sie noch nie zuvor gesehen haben, und erhalten verwertbare Antworten, ohne manuell verschiedene Intelligence-Feeds durchsuchen zu müssen.²¹

11. Erkennung & Triage

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

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

So funktioniert es:

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

• Identifiziert bösartiges Verhalten auf der Grundlage bekannter TTPs.
• Querverweise auf Ausführungsmuster und Dateipfade herstellt.
• Eine für Menschen lesbare Urteilsbegründung liefert.

Praxisbeispiel: Erkennung und Triage

CrowdStrike trainierte Charlotte KI Detection Triage mit Millionen realer Triage-Entscheidungen seiner eigenen Falcon-Complete-MDR-Analysten und veröffentlichte es dann unter einer vom Kunden definierten begrenzten Autonomie, sodass Unternehmen festlegen, welche Aktionen es ohne Hilfe ausführen darf.

• Über 98 % Übereinstimmungsrate mit den menschlichen Experten-Triage-Entscheidungen von Falcon Complete
• Durchschnittlich mehr als 40 Stunden manuelle Triage-Arbeit pro Woche eingespart
• Filtert autonom Fehlalarme und schließt Alarme mit geringem Risiko, bevor ein Analyst sie sieht
• Offengelegte Berechnung: durchschnittliche Anzahl triagierter Alarme multipliziert mit einer manuellen Triage-Zeit von fünf Minuten pro Alarm²³

12. Kontextuelle Anreicherung & Bedrohungszuordnung

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

Automatisierte Systeme zur Angreiferzuordnung nehmen CTI-Feeds auf, extrahieren Verhaltens- und Zeitmerkmale und berechnen Ähnlichkeitswerte über Vorfälle hinweg. Clustering-Algorithmen ordnen dann Intrusionen bekannten Bedrohungsakteuren wie (z. B. APT41, Mozi oder Lazarus) auf der Grundlage von Musterüberschneidungen zu.

So funktioniert es:

Google Chronicle + Mandiant + Gemini KI-Agenten nehmen autonom Telemetrie auf und CTI-Feeds, 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 mithilfe von Dienstkonten.
• Anreicherung: Er reichert den Alarm automatisch mit Daten aus Chronicle-Protokollen, Asset-Inventar und Mandiant Threat Intelligence an.
• Zuordnung: Ein zweiter Agent gruppiert diese Aktivität mit historischen Intrusionsketten, die einer bekannten Gruppe zugeordnet sind (z. B. APT41).

13. Eskalation & Übergabe

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

So funktioniert es:

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

Bei Eskalation und Übergabe:

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

Praxisbeispiel: Fallstudie zu Eskalation und Übergabe

Carvana setzte Torq HyperSOC ein, wobei Socrates spezialisierte Unteragenten über den Tier-1-Falllebenszyklus hinweg koordinierte, von der Benutzerverifizierung bis zur Fallerstellung und Analystenzuweisung.

• 100 % der Tier-1-Sicherheitsalarme von Carvana werden jetzt vom agentischen System bearbeitet
• 41 separate Runbooks innerhalb eines Monats nach der Bereitstellung automatisiert
• Analysten können sich auf Alarme mit potenziell erheblichen organisatorischen Auswirkungen konzentrieren.²⁷

14. Proaktive Reaktionsmaßnahmen

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

• Protokolle automatisch abzufragen, unter Verwendung natürlicher Sprache oder kontextbezogener Auslöser
• Automatisierte Playbooks auszuführen für Untersuchungen und Eskalation
• Workflows in Echtzeit anzupassen auf der Grundlage neuer Erkenntnisse oder geänderter Logik
• Infrastructure-as-Code zu generieren (z. B. Terraform, Pulumi) für die Behebung
• Erkennungsregeln zu entwerfen und zu ändern auf der Grundlage von Untersuchungserkenntnissen

So funktioniert es:

Google entwickelte den SOC-Manager-Agenten, der mehrere Unteragenten einsetzt, um einen strukturierten Incident-Response-Plan für die Malware-Erkennung auszuführen.²⁸

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).

Praxisbeispiel: Proaktive Reaktion

Deepwatch, ein Anbieter für Managed Detection and Response, ersetzte ein versagendes Legacy-SOAR durch Torq Hyperautomation, um Analyse und Triage in den Sicherheits-Stacks seiner Kunden zu beschleunigen.

• Über 90 % der Tier-1- und Tier-2-Aufgaben automatisiert
• Jahrelang angesammelte Legacy-SOAR-Automatisierungen wurden in wenigen Wochen nachgebildet
• Schnelleres Kunden-Onboarding als das Unternehmen zuvor erreicht hatte, mit Workflows, die bei Bedarf erstellt werden.³⁰

15. Threat Hunting

Agenten im Threat Hunting zielen darauf ab:

• Kontinuierlich nach Anomalien zu scannen über Identitäts-, Netzwerk- und Cloud-Protokolle hinweg
• Sich wiederholende Hunts zu automatisieren, wie IOC-Lookups oder Mustererkennung
• Unbekannte Bedrohungen zu kennzeichnen durch Vergleich des Verhaltens mit historischen Baselines und Peer-Aktivitäten

So funktioniert es:

Forscher entwickelten ein MITRE ATT&CK-gesteuertes Threat-Hunting-System, automatisiert durch lokale LLM, bei dem KI-Agenten zusammenarbeiten, um Sigma-Regeln für die 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 aus MITRE ATT&CK ab, während Agent 2 diese Eingabe verwendet, um kontextbewusste Sigma-Regeln mit einem Sprachmodell zu generieren.³¹

16. Automatisiertes Testen von Software und Anwendungen

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 erfordern.

So funktioniert es:

Pcloudys Copilot stellt Selenium-Testskripte bereit, findet verfügbare Browser zum Testen und führt die Testfälle aus.³²

Praxisbeispiel: Automatisiertes Testen

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

• Zwischen September 2024 und September 2025 an alle Uber-Ingenieure ausgerollt
• Generiert jetzt rund 11 % aller neuen Tests, die überprüft und zu Ubers Codebasis hinzugefügt werden
• Produziert Hunderttausende Tests pro Monat im IDE-Modus und Zehntausende im Headless-Modus
• Orchestriert fünf spezialisierte Agenten für Testvorbereitung, Synthese, Ausführung, Validierung und Reparatur.³³

Lesen Sie mehr: KI-Agenten-Builder und Open-Source-KI-Agenten.

KI-Agenten als menschenähnliche Spielfiguren

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

17. Agentische Nicht-Spieler-Charaktere (NPCs)

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

Praxisbeispiel: NPCs

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

In diesem Dorf können Benutzer die Agenten beobachten und mit ihnen interagieren, wie sie Nachrichten austauschen, Beziehungen aufbauen und Gruppenaktivitäten organisieren. ³⁴

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

• Verhaltensskripte: Die Agenten von Stanford AI Village verwenden vordefinierte Skripte für Aktionen und Reaktionen. Dazu können grundlegende Verhaltensweisen gehören, wie das positive Engagement mit anderen NPCs.
• Dynamisches Verhalten: NPCs passen ihr Verhalten mithilfe von KI an die Aktionen des Spielers an, 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 Game Playing

KI-Agenten spielen Videospiele oder unterstützen menschliche Spieler beim Erreichen bestimmter Ziele durch:

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

Praxisbeispiel: Game Playing

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.

GenAI-Agent für 3D-virtuelle Umgebungen³⁶

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

So funktioniert es:

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

• Variierte Topografien (z. B. Berge, Täler, Schluchten).
• Einzigartige Biome (z. B. Wüsten, Wälder, Ozeane).
• Dynamische Wettermuster (z. B. Stürme, Regen).³⁷

KI-Agenten als Content-Ersteller

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

20. Automatisiertes narratives Schreiben

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

Praxisbeispiel: Automatisiertes narratives Schreiben

In einem GitHub-KI-Agentenprojekt arbeiteten 10 spezialisierte KI-Agenten autonom daran, einen Roman mit 100.000 Wörtern (~300 Seiten) ohne menschliches Schreiben zu verfassen.³⁸ Einige Beispiele dieser 10 Agenten umfassen:

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

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

21. Verfassen technischer Berichte oder Angebote

KI-Agenten entwerfen autonom technische Berichte, darunter:

• Engineering-Berichte
• Projektvorschläge
• Forschungsarbeiten
• Produktspezifikationen

So funktioniert es:

ParagraphAI, ein KI-Schreibassistent, verfasst technische Engineering-Berichte, indem er Zeitplan, Budget sowie benötigte Ressourcen und Personal skizziert.⁴⁰

22. Wissensbasierte Artikelgenerierung

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

So funktioniert es:

Perplexity Pages verwandelt generative KI-Suchergebnisse in strukturierte Wikipedia-Seiten.⁴¹

23. Dashboard- und Diagrammerstellung

Agenten generieren UI/UX-Komponenten, Systemdiagramme und Flussdiagramme auf der Grundlage von Text-Prompts und rationalisieren so den Designprozess.

So funktioniert es:

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

• Dashboards für Meetings und Teamübungen
• Diagramme und Flussdiagramme
• Visuelle Zeitpläne und Gantt-Diagramme⁴²

KI-Agenten als Versicherungsassistenten

Agenten automatisieren die Prüfung, Genehmigung und Betrugserkennung von Ansprüchen und rationalisieren so den gesamten Lebenszyklus der Schadenbearbeitung. Beispielsweise automatisiert ein großer Versicherer etwa 90 % der individuellen Kfz-Schäden durch die Integration benutzerdefinierter KI-Agenten in seinen Schaden-Workflow. ⁴³

Unternehmensanbieter wie Oracle und SAP haben Agentische KI in Lieferkettenmanagement, Finanzoperationen, HR und Kundenerlebnis eingesetzt. Diese Agenten können Bestandsoptimierung, Beschaffungsautomatisierung und Finanzabstimmung übernehmen.

24. End-to-End-Schadenbearbeitung

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

So funktioniert es:

Microsofts Power Platform – automatisiert ein Versicherungsanspruchsformular:

Hier, Microsofts Power Platform:

• Erfasste Anspruchsformular-Dokumente wie Checkbox-Auswahlen und Texte.
• Anspruchsformular in SharePoint hochgeladen, eine Content-Management-App.
• Daten aus dem Anspruchsformular extrahiert, wie Anspruchs-ID und Checkbox-Werte (z. B. Anspruchsart, Policennummer).
• Integration mit Dataverse zur Datenspeicherung, um die extrahierten Daten (einschließlich Checkbox-Werte) in Microsoft Dataverse zu speichern.
• Workflows in Formularen verarbeitet, z. B. mithilfe von Power-App-Agenten Ansprüche genehmigt oder abgelehnt.

25. Underwriting

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

So funktioniert es:

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

• Datensammelagent: Erfasst sowohl strukturierte als auch unstrukturierte Daten.
• Risikobewertungsagent: Analysiert historische Daten und Antragstellerdetails, um die Wahrscheinlichkeit von Ansprüchen vorherzusagen.
• Betrugserkennungsagent: Erkennt Anomalien oder verdächtige Muster in Ansprüchen und Anträgen.
• Preisagent: Schlägt einen Preis vor, basierend auf Faktoren wie Marktbedingungen, Wettbewerbspreisen und Kundenverhalten.⁴⁵

Praxisbeispiel: Underwriting

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

• 80 % der von 16 Underwritern bearbeiteten Anträge wurden während der ersten Einführung mit Sixfold verarbeitet
• Geschätzte 60 Minuten Ersparnis pro Antrag im Durchschnitt
• Start im Januar 2025 mit vier Middle-Market-Büros, jetzt Ausweitung auf Dutzende Büros landesweit
• Sixfold kam über die Zurich Innovation Championship 2024 zu Zurich und gewann in der Kategorie Gewerbeversicherung.⁴⁶

26. Personalisierte Policenklärung

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

Praxisbeispiel: Personalisierte Policenklärung

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

• 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 Police und Deckungsdetails mit regelbasierten Prüfungen.
• Führt Anti-Betrugs-Algorithmen aus, bevor der Anspruch genehmigt wird.
• Sendet Zahlungsanweisungen an die Bank und benachrichtigt den Versicherungsnehmer, dass der Anspruch angenommen wurde.

KI-Agenten als Personalwesen (HR)-Assistenten

HR-Abläufe beinhalten oft zahlreiche repetitive Aufgaben wie das Screening von Lebensläufen, 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 vergeben automatisch Punktzahlen auf der Grundlage Ihrer vordefinierten Kriterien.

So funktioniert es:

PepsiCo nutzt KI-Tools, um Kandidaten danach zu bewerten, wie gut sie die Stellenanforderungen erfüllen.⁴⁸

Praxisbeispiel: Lebenslauf-Screening

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

• Die Zeit von der Bewerbung bis zum Startdatum sank von 12 Tagen auf vier, eine Reduzierung um bis zu 75 %
• Die Abschlussrate der Bewerbungen stieg von 50 % auf über 85 %
• Die Anzahl der Bewerbungen verdoppelte sich
• Eingesetzt in mehr als 3.500 Restaurants in Nordamerika und Europa
• Arbeitet auf Englisch, Spanisch, Französisch und Deutsch.⁴⁹

28. Terminplanung für Vorstellungsgespräche

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

So funktioniert es:

LinkedIn HR Assistant führt alltägliche Aufgaben aus, wie das Erstellen von Stellenbeschreibungen, die Suche nach Kandidaten und grundlegende Screening-Anrufe.⁵⁰

Praxisbeispiel: Terminplanung für Vorstellungsgespräche

ISS North America nutzte die konversationelle KI von Paradox, um die administrative Planungsebene zwischen Kandidaten und Personalverantwortlichen in einer stark frequentierten, verteilten Einstellungsumgebung zu bewältigen.

• 85 % Reduzierung der Einstellungszeit
• Jährlich rund 10.000 eingesparte Stunden
• Auf derselben Plattform spart Great Wolf Lodge jährlich 700.000 US-Dollar, und ein Einzelhändler gab den Filialleitern wöchentlich über 40.000 Stunden zurück
• Ein Kunde verkürzte die durchschnittliche Einstellungszeit unmittelbar nach der Einführung von über 10 Tagen auf unter fünf.⁵¹

29. Lohn- und Gehaltsautomatisierung

Agenten in der Lohnabrechnung berechnen Gehälter, verarbeiten Abzüge und behandeln Steuereinbehalte. Sie integrieren sich in HR-Informationssysteme (HRIS) und Buchhaltungssoftware, um Genauigkeit und Einhaltung der Lohnstandards sicherzustellen.

Erfahren Sie mehr über Lösungen zur Finanzautomatisierung wie:

• RPA-Finanzanwendungsfälle und -Tools
• Benchmark für Finanz-LLM-Tools
• Tools für Agentische KI im Finanzwesen

So funktioniert es:

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

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

• Datenaufnahme- & Vorverarbeitungsagent: Verwendet Datenextraktionsmethoden, um Daten aus HR- und Finanzsystemen zu bereinigen.
• Lohnberechnungsagent: Automatisiert Lohnberechnungen, einschließlich Gehältern, Abzügen und Boni.
• Compliance-Berichtsagent: Erkennt Compliance-Probleme mithilfe von maschinellem Lernen.
• Agent zur Anfragebeantwortung: Löst Lohnprobleme mithilfe von RAG.

KI-Agenten als Kundenservice-Assistenten

Herkömmliche 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 Arbeiten über Chat-, Sprach- und E-Mail-Kanäle hinweg, während Daten aus Kundenprofilen, Bestellverläufen und Wissensdatenbanken abgerufen werden
• Beibehalten des Kontexts aus früheren Interaktionen, was fundiertere und personalisiertere Antworten ermöglicht
• Proaktives Engagement, etwa das Senden von Erinnerungen für Checks oder Follow-ups, bevor der Kunde Kontakt aufnimmt

30. Beantwortung von Kundenanrufen:

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

So funktioniert es:

Ada KI Agent beantwortet Kundenanrufe:

31. Beantwortung von Kunden-Tickets

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

Praxisbeispiel: Beantwortung von Kunden-Tickets

Intercoms Fin KI Agent löst Kunden-Tickets autonom. Für jedes eingehende Ticket führt Fin Folgendes aus:

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

Synthesia und Fundrise setzten denselben Intercom-Fin-Agenten im Startup- und Wachstumsstadium ein und bilden damit einen Gegenpol zu Klarnas Unternehmenszahlen.

• Synthesia: über 6.000 Gespräche innerhalb von sechs Monaten gelöst, über 1.300 eingesparte Support-Stunden
• Synthesia: Self-Service-Supportraten von bis zu 87 %
• Fundrise: über 50 % des gesamten Supportvolumens innerhalb von drei Monaten automatisiert
• Fundrise: 95 % Antwortgenauigkeit beibehalten, saisonale Fallspitzen im Jahresvergleich etwa halbiert.⁵⁴

32. Versenden von Follow-up- und informativen SMS

Nach einer Interaktion senden Agenten SMS-Nachrichten, um Kunden nachzufassen. 42,8 % der Unternehmen nutzen KI-Textagenten und 33,4 % nutzen KI-Sprachagenten für die proaktive Kontaktaufnahme. ⁵⁵

So funktioniert es:

Toyotas E-Care-KI-Agent verbindet sich mit der Bordelektronik eines Fahrzeugs und kontaktiert Kunden, um sie auf Reparatur- oder Wartungsbedarf aufmerksam zu machen, und führt sie dann durch die Buchung des Fahrzeugs in einer Wartungseinrichtung. Der Agent reduziert die Gesamtbelastung durch eingehende Serviceanrufe.⁵⁶

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

• Identifiziert, welche Stadtteile betroffen sind, statt die gesamte Basis zu benachrichtigen.
• Prüft den bevorzugten Kanal jedes Kunden (SMS, WhatsApp, Sprache oder E-Mail).
• Sendet personalisierte Updates (z. B. „Die Stromversorgung wird voraussichtlich bis 15:15 Uhr wiederhergestellt.“).
• Fasst automatisch nach, wenn die Wiederherstellung länger dauert als erwartet, und eskaliert an einen Live-Agenten, wenn der Kunde mit Bedenken antwortet.

33. FAQ-Erstellung und -Optimierung

Agenten:

• Automatisches Generieren und Aktualisieren von FAQs aus Live-Kundeninteraktionen und Ticketverlauf.
• Integration mit CRM-, Chat- und Wissensdatenbank-Tools, um wiederkehrende Anfragen zu identifizieren.

So funktioniert es:

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

• Inhaltslücken identifiziert und Aktualisierungen für Artikel vorschlägt, die wiederkehrende Tickets teilweise abdecken.
• Entwurfsartikel oder Verfahren aus Ticketdaten generiert.
• Die Content-Gesundheit bewertet hinsichtlich Abdeckung, Aktualität (Anteil kürzlich aktualisierter Artikel) und KI-Lesbarkeit (Anteil der für die KI-Verarbeitung formatierten Artikel).
• Support-Themen hervorhebt, Spitzen bei wiederkehrenden Anfragen kennzeichnet (z. B. Passwortzurücksetzungen) und neue Help-Center-Artikel empfiehlt.

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, Hypothesenbildung und Versuchsplanung zu unterstützen.

Praxisbeispiele:

1. OpenAIs Deep Research nutzt Reasoning, um große Mengen an Online-Informationen zu synthetisieren und mehrstufige Recherchen auf Ph.D.-Niveau durchzuführen, wenn große Suchen mit o3 & DeepSeek ausgeführt werden.⁵⁹⁶⁰

In einem Experiment, in dem Forscher Deep Research aufforderten, ein reales Projekt mit einem detaillierten Prompt durchzuführen, tat Deep Research Folgendes:

• Stellte Nachfragen, um Umfang und Details des Forschungsprojekts zu klären, bevor es begann.
• Synthetisierte Erkenntnisse aus 22 Quellen auf der Grundlage akademischer und industrieller Berichte.⁶¹

2. ChemicalQDevices Clinical Decision Support (CDS)-System wurde gebeten, einen agentischen Workflow für die Arzneimittelentwicklung auszuführen. In diesem Beispiel führte das System von ChemicalQDevice Folgendes aus:

• Analysierte große Mengen klinischer Literatur aus Datensätzen.
• Führte automatisierte Codierung mit Tools wie GitHub Actions aus.
• Verwendete generative KI (z. B. GPT-4 oder angepasste Modelle), um Hypothesen zu generieren, Versuchsdesigns vorzuschlagen und Forschungsberichte zu schreiben.⁶²

3. Das End-to-End-Agentic-Workflow-System otto-SR nutzt LLMs, um Literaturrecherchen durchzuführen, Ein-/Ausschlusskriterien anzuwenden, strukturierte Daten zu extrahieren und Meta-Analysen durchzuführen.⁶³

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

• Verarbeitete ungefähr 10.000 Arbeiten mit einer Durchlaufzeit von 30 Minuten pro Manuskript.
• Fand 34 % mehr mathematische Fehler als Standard-Zero-Shot-Prompting-Methoden.⁶⁴

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. Hypothesenbildung und -prüfung

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

36. Data Mining und Analyse

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

Fallstudie zu Data Mining und Analyse: AES

AES nutzte Agenten, die auf Google Clouds BigQuery und Vertex AI aufbauen, um strukturierte und unstrukturierte Daten in seinem internen Prüfungsbestand zu synthetisieren.

• Prüfungskosten um 99 % gesenkt und Zeit von 14 Tagen auf eine Stunde verkürzt
• General Mills sparte über 100 Millionen US-Dollar, indem es Mitarbeitern sicheren Zugang zu generativer KI über seine Daten gewährte
• Das Department of Employment, Training and Rehabilitation von Nevada baute einen Widerspruchsassistenten, der Schiedsrichtern half, 4-mal schneller zu entscheiden.⁶⁵

37. Datenvisualisierung und -präsentation

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

KI-Agenten als Computerbenutzer

„Computer Use“ zielt darauf ab, KI zu ermöglichen, mit einem Computer wie ein Mensch zu interagieren. 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 grafischen Benutzeroberflächen-Aktionen des Betriebssystems (GUI) (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.¹
2. Kura KI und Runner H zielen darauf ab, Aufgaben mithilfe von Webbrowsern zu erledigen.⁶⁶⁶⁷
3. HyperWriteAI zielt darauf ab, Textformulare auszufüllen, Schaltflächen anzuklicken und Menüpunkte auszuwählen, um eine Online-Bestellung aufzugeben.⁶⁸
4. Microsofts OmniParser verbessert das Verständnis von visuellen Schnittstellen für die GUI-Automatisierung.⁶⁹

38. Formularausfüllen & Web-Automatisierung

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

So funktioniert es:

Praxisbeispiel: Formularausfüllen

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

• 80 % der Transaktionsentscheidungen automatisiert
• Durchschnittliche Kundenreaktionszeit von 42 Stunden auf nahezu Echtzeit gesenkt.⁷¹

39. Dokumenterstellung und -bearbeitung

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

So funktioniert es:

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

In diesem Beispiel Claude:

• Öffnete die CSV-Datei in der LibreOffice-Calc-App.
• Erstellte eine CSV-Datei mit 25 Zeilen Beispieldaten für Ausgaben.
• Installierte das LibreOffice-Calc-Tabellenprogramm.⁷²

40. Web-Recherche & strukturierte Datenerfassung

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

So funktioniert es:

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

So funktioniert es:

Aider, ein CLI-nativer KI-Codier-Agent, wird von Entwicklern verwendet, um Codebasen zu refactoren und Shell-Befehle auszuführen, wie z. B. das Ausführen von Test-Suiten (pytest, npm test). Der Agent interpretiert Terminal-Ausgaben, behebt Fehler iterativ und committet Änderungen direkt in Git-Repositories.⁷³

Als Alternative zu Aider lieferte Cognition Devin 2.0, einen autonomen KI-Softwareingenieur mit einer CLI-nativen Variante, der direkt mit terminalbasierten Agenten konkurriert. Devin ist in der Lage, Codebasen zu refactoren, Shell-Befehle auszuführen, Test-Suiten zu starten und Änderungen in Git-Repositories zu committen.⁷⁴

42. Multimodale App-Navigation & -Koordination

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

So funktioniert es:

Um einen Anwendungsfall für die Bestellzustellung zu testen, gab ich eine einfache Einkaufsanfrage bei Open Operator ein: Hilf mir, einen Boho-Stil-Kissenbezug für unter 30 US-Dollar zu kaufen.

43. 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 ausführen, Plan überarbeiten) und treffen Entscheidungen in Echtzeit.

So funktioniert es:

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

Der Agent wird gebeten, Folgendes zu beschaffen:

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

Hier ist die Ausgabe des Finanzberichts:

MultiOn Agent Q bucht einen Flug.

KI-Agenten erstellen

Der Wandel von einfachen Agentenanwendungen, wie Wetterabfragen in natürlicher Sprache mit Tools wie LangChain, zu komplexeren, autonomen Anwendungsfällen wie der App-Entwicklung (z. B. Generieren 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.

• Komplexitätsmanagement 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 anzeigen oder einen anderen, basierend auf der Benutzereingabe?“).
• Schnittstellen zu externen Systemen und APIs

44. Erstellen benutzerdefinierter KI-Agenten:

Frameworks zum Erstellen von KI-Agenten helfen bei der Bewältigung dieser Herausforderungen durch:

• Entscheidungs- & Reasoning-Frameworks (z. B. maschinelles Lernen oder probabilistische Modelle), um Muster zu standardisieren & mehrere Optionen einzubeziehen.
• Tools für Datenzugriff & Integration (z. B. API-Connectors), um mit externen Systemen und APIs zu interagieren.

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

So funktioniert es:

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

Praxisbeispiel: Erstellen benutzerdefinierter KI-Agenten

AppFolio migrierte seinen Realm-X-Copiloten für die Immobilienverwaltung von einer kettenbasierten Architektur zu LangGraph und veröffentlichte Vorher-Nachher-Zahlen zu den Auswirkungen der Änderung.

• 2x Verbesserung der Antwortgenauigkeit nach der Migration
• Über 10 eingesparte Stunden pro Woche und Immobilienverwalter
• Dynamisches Few-Shot-Prompting steigerte die Leistung bei bestimmten Funktionen von 40 % auf 80 %.⁷⁸

FAQs

Diese Forschung zitieren

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

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{40+ Anwendungsfälle für Agentische KI mit Praxisbeispielen}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Abgerufen am 8. September 2026}
}

Änderungsprotokoll

20 Aktualisierungen

202620252024

1. 26. Aug

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

2. 4. Aug

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

3. 16. Jul

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

4. 8. Jul

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

5. 7. Jul

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

Referenzlinks

1.

Introducing Operator | OpenAI

2.

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

3.

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

4.

Rakuten Claude Code case study | Claude

5.

APIs for AI Agents: The Only Beginner’s Guide You’ll Ever Need (n8n) - YouTube

6.

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

7.

Cursor · Customers

Cursor

8.

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

9.

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

10.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

11.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

12.

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

IBM

13.

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

14.

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

Cognition

15.

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

16.

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

17.

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

18.

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

19.

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

Cursor

20.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

21.

Microsoft Security Copilot – Microsoft Adoption

Microsoft Corporation LLC

22.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

23.

CrowdStrike Unveils Charlotte AI Detection Triage for Faster SOC Triage

CrowdStrike

24.

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

MDPI

25.

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

Google Cloud

26.

Torq Security Automation Demo | Phishing Response Workflow - YouTube

27.

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

Torq®

28.

GitHub - dandye/adk_runbooks · GitHub

29.

Agentic Incident Response - YouTube

30.

Case Study: Deepwatch Maximizes MDR Customer ROI | Torq

Torq®

31.

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

32.

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

33.

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

34.

Generative Agents: Interactive Simulacra of Human Behavior

35.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

36.

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

SIMA team

37.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

38.

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

39.

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

40.

Engineering

41.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

42.

Introducing AI to FigJam | Figma Blog

Figma

43.

Dutch Insurance Provider

44.

Automating an insurance claim form with AI Builder - YouTube

45.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

46.

AI tool brings real-world value to Zurich USMM underwriters

47.

Lemonade - Insurance claims handled instantly - YouTube

48.

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

49.

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

50.

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

LinkedIn Talent Solutions

51.

Paradox AI recruiting success stories — Paradox

52.

Ada Voice + Aircall - YouTube

53.

A demo of Intercom's Fin AI Copilot: an AI assistant for every support agent - YouTube

54.

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

55.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

56.

AI Agent Examples and Use Cases for Enterprise Contact Centers

Cognigy

57.

Live Demo Toyota & Cognigy Breaking New Boundaries - YouTube

58.

Knowledge Builder in action | Zendesk demo video - YouTube

59.

Introducing deep research | OpenAI

60.

Deep Research - Marginal REVOLUTION

61.

Deep Research: First Impressions

UX Tigers

62.

ChemicalQDevice

63.

Automation of Systematic Reviews with Large Language Models | medRxiv

64.

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

65.

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

Google Cloud

66.

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

67.

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

TechCrunch

68.

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

69.

OmniParser

70.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

71.

Google Cloud’s Business Trends Report 2026: Key findings

Google

72.

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

73.

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

74.

Devin | The AI Software Engineer

Cognition

75.

Creating an AI Agent for Financial Report Analysis - YouTube

76.

MultiOn AI Agent books a flight - YouTube

77.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

78.

LangGraph AI Agent Framework for Production Applications

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple.

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

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

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

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

Vollständiges Profil anzeigen

Recherchiert von

Hazal Şimşek

Branchenanalystin

Folgen auf

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

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

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

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten