40+ Agentische KI-Anwendungsfälle mit Praxisbeispielen

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

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

KI-Agenten als Entwickler

1. Anwendungen erstellen

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.
• Generierung von Code in der gewählten Sprache (z. B. Python, JavaScript) basierend auf einfachen Eingabeaufforderungen.
• Automatisierung von Workflows mit Integrationen wie GitHub Actions für Tests und Bereitstellung.

Praxisbeispiel:

Ein Entwickler verwendete OpenAI’s Operator und Replit’s KI-Agent, um eine ganze App in 90 Minuten zu erstellen. Zwei Agenten tauschten selbstständig Anmeldeinformationen aus und führten Tests durch. Diese Cross-Agent-Kollaboration wurde in den ChatGPT Atlas Agent Mode integriert und erweitert die Fähigkeiten des Agenten über Entwicklungsumgebungen hinaus, z. B. in E-Commerce, Reisebuchungen und unternehmensinterne Web-Workflows.¹

Praxisbeispiel:

Cursor’s agent mode Composer zielt darauf ab, ein vollständiges Tic Tac Toe-Spiel aus einer einzigen Eingabeaufforderung 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).

Erfahren Sie mehr über das Erstellen von Agenten

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

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

2. Bauen Sie Ihre eigene API mit KI-Codierung 

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

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

Praxisbeispiel:

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

Hier ist eine hochrangige Abstraktion eines API-Workflows:

3. Codebearbeitung in natürlicher Sprache

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

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

Praxisbeispiel:

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

4. Websites erstellen

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

• Startseiten
• Kurslisten-Seiten
• Personalisierte Studenten-Dashboards

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

Praxisbeispiel:

So erstellen Sie einen Website-KI-Agenten:

Hier ist der Automatisierungs-Workflow:

5. Generierung eines CRM-Dashboards

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

Praxisbeispiel:

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

6. Rekursive Codierung und Modernisierung von Legacy-Code

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

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

Praxisbeispiele:

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

Persistent bietet ein Multi-Agenten-Framework, das verwendet wird, um COBOL-Code autonom nach Java zu migrieren; es funktioniert folgendermaßen:⁹

7. Code-Refactoring

Durch den Einsatz rekursiver Codierungs-KI-Agenten wird das Design des Codes kontinuierlich verbessert, ohne seine Funktionsweise zu verändern, was ihn verständlicher und wartbarer macht.

Praxisbeispiel:

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

8. Generierung von Codevorschlägen in Ihrer IDE

GitHub Copilot bietet einen autonomen Agentenmodus, der zu mehrstufigen Codierungsaufgaben fähig ist, Befehle ausführt und Code unabhängig über VS Code und JetBrains-IDEs hinweg iteriert, was über Echtzeitvorschläge und Auto-Vervollständigungen 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 zu identifizieren oder andere Workloads
• Laufende Pods zu identifizieren
• Hochrangige Befehle zu interpretieren wie „Fahre den NGINX-Pod herunter“

Praxisbeispiel:

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

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 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 auf der Stufe der ersten Signalaufnahme statt, um Rauschen zu reduzieren und Alarmdaten vor der tiefergehenden 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 vergangener Lösungsmuster.
• Alarmgruppierung / Clustering: Gruppiert verwandte Alarme (gleicher Benutzer, Host oder Taktik) zu einem einzigen Vorfall.

Praxisbeispiel:

Charlotte KI führt autonome Erkennung und Triage durch durch:

• Identifizierung von bösartigem Verhalten basierend auf bekannten TTPs.
• Querverweise von Ausführungsmustern und Dateipfaden.
• Bereitstellung einer menschenlesbaren Urteilsbegründung.

12. Kontextuelle Anreicherung & Bedrohungszuordnung

Wird nach der ersten Triage durchgeführt 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 Eindringlinge bekannten Bedrohungsakteuren zu (z. B. APT41, Mozi oder Lazarus), basierend auf Musterüberlappungen.

Praxisbeispiel:

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

In diesem agentischen Setup:

• Erkennung: Ein KI-Agent erkennt laterale Bewegung mittels Dienstkonten.
• Anreicherung: Er reichert den Alarm automatisch mit Daten aus Chronicle-Protokollen, Asset-Inventar und Mandiant-Bedrohungsinformationen an.
• Zuordnung: Ein zweiter Agent gruppiert diese Aktivität mit historischen Eindringketten, 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 die entsprechende Stufe oder das entsprechende Team weiter.

14. Proaktive Reaktionsmaßnahmen

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

• Automatisches Abfragen von Protokollen mittels natürlicher Sprache oder kontextueller Auslöser
• Ausführen automatisierter Playbooks für Untersuchungen und Eskalation
• Anpassen von Workflows in Echtzeit basierend auf neuen Erkenntnissen oder geänderten Logiken
• Generierung von Infrastruktur als Code (z. B. Terraform, Pulumi) zur Behebung
• Entwurf und Änderung von Erkennungsregeln basierend auf Untersuchungserkenntnissen

Praxisbeispiel:

Google entwickelte den SOC Manager Agent, der mehrere Unteragenten nutzt, um einen strukturierten Incident-Response-Plan für die Malware-Erkennung auszuführen.¹⁸

Agentische Projektstruktur:

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

Quelle:
Mandiant & Google Cloud Sicherheit¹⁹

15. Threat Hunting

Agenten im Threat Hunting zielen darauf ab:

• Kontinuierliches Scannen nach Anomalien in Identitäts-, Netzwerk- und Cloud-Protokollen
• Automatisieren wiederkehrender Hunts wie IOC-Abfragen oder Mustererkennung
• Kennzeichnen unbekannter Bedrohungen durch Vergleich des Verhaltens mit historischen Baselines und Peer-Aktivitäten

Praxisbeispiel:

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

In diesem Beispiel gibt ein Benutzer eine Anfrage über eine Web-Benutzeroberfläche ein (z. B. „Bitte generiere eine Sigma-Regel für das Hunting von Kerberoasting“).

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

16. Automatisiertes Software- und Anwendungstesten

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

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-Bauer, 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:

Forscher schufen ein kleines virtuelles Dorf, das mit KI bevölkert war, 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 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 umfassen, 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 reaktionsschneller wird.
• Wegfindung: NPCs verwenden Algorithmen, um die Spielwelt effektiv zu navigieren, Wege um Hindernisse herum zu finden und den Spieler zu verfolgen.

18 Spielen

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

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

Praxisbeispiel:

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

Quelle: Google²⁴

19. Prozedurale Inhaltsgenerierung

KI-Agenten sind sehr fähig, riesige Mengen an Spielinhalten algorithmisch zu generieren, wie zum Beispiel:

• Gelände und Landschaften
• Kampfszenarien
• Charakterdesigns
• Soundscapes und Musik

Praxisbeispiel:

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

• Vielfältigen Topographien (z. B. Berge, Täler, Canyons).
• 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 den Stil verfeinern.

Praxisbeispiel:

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

• Spezifikationsagent: Analysiert Anforderungen an die Geschichte und bewahrt die narrative Konsistenz.
• Produktion-Agent: Generiert Inhalte und implementiert kreative Änderungen.
• Management-Agent: Koordiniert zwischen Agenten und verfolgt den kreativen Fluss.
• Duplikationsagent: Verhindert inhaltliche Redundanz und Doppelungen.

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

21. Verfassen technischer Berichte oder Angebote

KI-Agenten entwerfen autonom technische Berichte, einschließlich:

• Ingenieurberichte
• Projektvorschläge
• Forschungsarbeiten
• Produktspezifikationen

Praxisbeispiel:

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

22. Wissensbasierte Artikelerstellung

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 KI-generierte Suchergebnisse in strukturierte Wikipedia-Seiten um.²⁹

23. Dashboard- und Diagrammerstellung

Agenten generieren UI/UX-Komponenten, Systemdiagramme und Flussdiagramme basierend auf Texteingaben und rationalisieren so den Designprozess.

Praxisbeispiel:

FigJam KI verwendet Texteingaben, um Folgendes zu generieren:

• Dashboards für Meetings und Teamübungen
• Diagramme und Flussdiagramme
• Visuelle Zeitpläne und Gantt-Diagramme³⁰

KI-Agenten als Versicherungsassistenten

Agenten automatisieren die Prüfung, Genehmigung und Betrugserkennung von Schadensfällen und rationalisieren so den gesamten Schadensbearbeitungszyklus. Beispielsweise automatisiert ein großer Versicherer ~90% der individuellen Kfz-Schadensfälle durch die Integration benutzerdefinierter KI-Agenten in seinen Schadens-Workflow. ³¹

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

24. End-to-End-Schadensbearbeitung

Sobald ein Schadensfall eingereicht wird, 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 Versicherungsschadensformular:

Hier, Microsofts Power Platform:

• Erfasst Schadensformulardokumente wie Checkbox-Auswahlen und Texte.
• Lud Schadensformular in SharePoint Content-Management-App hoch.
• Extrahierte Daten aus dem Schadensformular wie Schadens-ID und Checkbox-Werte (z. B. Schadenstyp, Policennummer).
• Integrierte 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 Schadensfälle zu genehmigen oder abzulehnen.

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.

Praxisbeispiel:

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

• Datensammelagent: Sammelt sowohl strukturierte als auch unstrukturierte Daten.
• Risikobewertungsagent: Analysiert historische Daten und Antragstellerdetails, um die Wahrscheinlichkeit von Schadensfällen vorherzusagen.
• Betrugserkennungsagent: Erkennt Anomalien oder verdächtige Muster in Schadensfällen und Anträgen.
• Preisagent: Schlägt eine Preisgestaltung basierend auf Faktoren wie Marktbedingungen, Wettbewerbspreisen und Kundenverhalten vor.³³

26. Personalisierte Policenklärung

Agenten kommunizieren den Schadensstatus und die nächsten Schritte an den Versicherungsnehmer, einschließlich erforderlicher zusätzlicher Unterlagen, Genehmigungs-/Ablehnungsupdates oder Auszahlungsdetails.

KI-Agenten als Personalwesen (HR)-Assistenten

HR-Abläufe beinhalten oft zahlreiche repetitive Aufgaben wie das Screening von Lebensläufen, die automatisiert werden können. Hier sind einige wichtige Beispiele für agentische KI im Personalwesen:

27. Lebenslauf-Screening

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

Praxisbeispiel:

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

28. Vorstellungsgesprächsplanung

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

Praxisbeispiel:

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

29. Lohn- und Gehaltsabrechnungsautomatisierung

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

Erfahren Sie mehr über Finanzautomatisierungslösungen wie:

• RPA-Anwendungsfälle und -Tools für das Finanzwesen
• 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:

• Agent für Datenaufnahme & -vorverarbeitung: Nutzt Datenextraktionsmethoden, um Daten aus HR- und Finanzsystemen zu bereinigen.
• Agent für Gehaltsabrechnungsberechnung: Automatisiert Gehaltsabrechnungsberechnungen, einschließlich Gehalt, Abzüge und Boni.
• Agent für Compliance-Berichterstattung: Erkennt Compliance-Probleme mittels maschinellem Lernen.
• Agent für Anfragenlösung: Löst Gehaltsabrechnungsprobleme mit RAG.

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

Als bevorzugte Quelle hinzufügen

KI-Agenten als Kundenservice-Assistenten

Herkömmliche Chatbots bearbeiten einfache Anfragen, haben aber bei komplexen Anfragen Schwierigkeiten. Agentische Kundenservice-Tools gehen dies wie folgt an:

• Interpretieren 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 informiertere und personalisierte Antworten ermöglicht
• Proaktives Ansprechen, z. B. Senden von Erinnerungen für Untersuchungen oder Nachfassaktionen, bevor der Kunde Kontakt aufnimmt

30. Beantworten von Kundenanrufen:

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

Praxisbeispiel:

Ada KI-Agent beantwortet Kundenanrufe:

31. Beantworten von Kundentickets

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

32. Senden von Follow-up- und informativen SMS

Nach einer Interaktion senden Agenten SMS-Nachrichten, um mit Kunden in Kontakt zu bleiben.

33. FAQ-Erstellung und -Optimierung

Agenten:

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

KI-Agenten als Forschungsassistenten

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

Praxisbeispiele:

1. OpenAIs Deep Research verwendet logisches Denken, um große Mengen an Online-Informationen zu synthetisieren und mehrstufige Forschung auf Promotionsniveau durchzuführen, wenn große Suchanfragen mit dem o3 & DeepSeek ausgeführt werden.^{38 39}

In einem Experiment, bei dem Forscher Deep Research mit einer detaillierten Eingabeaufforderung bat, ein reales Projekt durchzuführen, tat Deep Research Folgendes:

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

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

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

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

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

• Verarbeitete etwa 10.000 Arbeiten mit einer Bearbeitungszeit von 30 Minuten pro Manuskript. 
• Entdeckte 34% mehr mathematische Fehler als Standard-Zero-Shot-Prompting-Methoden.⁴³

OpenAIs Deep Research ChemicalQDevices System und otto-SR können in mehreren agentischen Anwendungsfällen verwendet werden, die im Folgenden aufgeführt sind:

34. Literaturrecherche und Wissensentdeckung

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

35. Hypothesengenerierung und -prüfung

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

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

Analyseagenten kompilieren Rohdaten automatisch zu präsentationsreifen Visualisierungen und bilden komplexe Trends in sauberen Kohortenanalysediagrammen und Finanz-Wasserfällen mit integrierten Tools wie Tableau oder Power BI ab.

KI-Agenten als Computerbenutzer

„Computer Use“ zielt darauf ab, KI zu befähigen, mit einem Computer so zu interagieren, wie es ein Mensch tun würde. Dies bietet die Flexibilität, digitale Aufgaben ohne Verwendung von betriebssystem- oder webspezifischen APIs auszuführen. 

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

1. Ausführen von OS-GUI-Aktionen (Graphical User Interface) (Anthropics Claude, Microsofts OmniParser, etc).
2. Web-Browsing (OpenAI Operator, Kura KI, Runner H, HyperWriteAI, MultiOn Agent Q, etc).

Beispiele für Tools:

1. ChatGPT Atlas mit Agent Mode, Nachfolger des Operator-Tools, wechselt zwischen Anwendungen und erledigt komplexe webbasierte Aufgaben, um die GUI zu vereinheitlichen.⁴⁴
2. Kura KI und Runner H zielen darauf ab, Aufgaben durch die Nutzung von Webbrowsern zu erledigen.^{45 46}
3. HyperWriteAI zielt darauf ab, Textformulare auszufüllen, Schaltflächen zu klicken und Menüoptionen auszuwählen, um eine Online-Bestellung aufzugeben.⁴⁷
4. Microsofts OmniParser verbessert das Verständnis von visuellen Schnittstellen durch Agenten für die GUI-Automatisierung.⁴⁸

38. Formularausfüllung & Web-Automatisierung

Agenten navigieren auf Webseiten, klicken auf Felder und füllen Formulare basierend auf Benutzereingaben oder strukturierten Daten aus.

Praxisbeispiel:

39. Dokumentgenerierung und -bearbeitung

Agenten öffnen Dateien, nehmen Änderungen 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 hat Claude:

• Die CSV-Datei in der LibreOffice Calc-App geöffnet.
• Eine CSV-Datei mit 25 Zeilen Beispieldaten zu Ausgaben erstellt.
• LibreOffice Calc-Tabellenkalkulation installiert.⁵⁰

40. Web-Recherche & strukturierte Datensammlung

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 in ChatGPT, die für mehrstufige, kontextreiche Web-Recherche konzipiert ist, plant, navigiert und synthetisiert Informationen aus mehreren Quellen, um komplexe Anfragen zu beantworten.

41. CLI-Operationen & Skriptausführung

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

Praxisbeispiele:

Aider, ein CLI-nativer KI-Codierungsagent, wird von Entwicklern verwendet, um Codebasen umzustrukturieren und Shell-Befehle auszuführen, wie z. B. das Ausführen von Test-Suites (pytest, npm test). Der Agent interpretiert Terminalausgaben, behebt Fehler iterativ und committet Änderungen direkt in Git-Repositories.⁵²

Als Alternative zu Aider lieferte Cognition Devin 2.0, einen autonomen KI-Softwareentwickler mit einer CLI-nativen Variante, der direkt mit terminalbasierten Agenten konkurriert. Devin kann Codebasen umstrukturieren, Shell-Befehle ausführen, Test-Suites durchlaufen und Änderungen in Git-Repositories committen.⁵³

42. Multimodale App-Navigation & -Koordination

Vereinheitlichte 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 an Open Operator: Hilf mir, einen Boho-Stil-Kissenbezug für unter 30 $ zu kaufen.

Autonome Workflow-Agenten (Langzeittasking)

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

Praxisbeispiel:

In dieser mehrstufigen Finanzberichtsanalyse wird der KI-Planungsagent mit der Aufgabe betraut: „Analysiere die finanzielle Leistung des letzten Quartals und bereite eine Zusammenfassung für das Finanzteam vor.“

Der Agent wird gebeten, Folgendes zu beschaffen:

• Aktuelle Unternehmensnachrichten (Top 3 Stories)
• 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 das Ergebnis des Finanzberichts:

Praxisbeispiel:

MultiOn Agent Q bucht einen Flug.

KI-Agenten bauen

Der Wechsel von grundlegenden Agentenanwendungen, wie wetterbezogenen Sprachsuchen mit Tools wie LangChain, zu komplexeren, autonomen Anwendungsfällen wie der App-Entwicklung (z. B. Generierung eines Tic-Tac-Toe-Spiels mit dem Cursor-KI-Editor), führte zu folgenden Herausforderungen:

Dieser Wandel bringt Herausforderungen mit sich, wie das Management mehrstufiger Arbeitsabläufe, die Behandlung von API-Fehlerschleifen und die Beibehaltung des Kontexts über große Codebasen hinweg.

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

43. Erstellung benutzerdefinierter KI-Agenten:

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

• Entscheidungsfindungs- & Argumentationsframeworks (z. B. maschinelles Lernen oder probabilistische Modelle), um Muster zu standardisieren und mehrere Optionen einzubeziehen.
• Datenzugriffs- & Integrationstools (z. B. API-Konnektoren), um mit externen Systemen und APIs zu kommunizieren.

Das Entwickler-Ökosystem hat begonnen, spezialisierte agentische Orchestrierungstools wie LangGraph, CrewAI, Google Agent Development Kit, Mastra, OpenAI Agents SDK und Claude Agent SDK zu übernehmen, da diese Tools die strukturierten Arbeitsabläufe für die Koordination mehrerer Agenten und langfristige Aufgaben bieten.

Praxisbeispiel:

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

FAQs

Diese Forschung zitieren

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

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

Referenzlinks

1.

https://openai.com/tr-TR/index/introducing-operator/

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.

https://github.blog/ai-and-ml/github-copilot/agent-mode-101-all-about-github-copilots-powerful-mode/

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.

Introducing deep research | OpenAI

39.

Deep Research - Marginal REVOLUTION

40.

Deep Research: First Impressions

UX Tigers

41.

ChemicalQDevice

42.

Automation of Systematic Reviews with Large Language Models | medRxiv

43.

https://arxiv.org/abs/2606.28277

44.

Introducing Operator | OpenAI

45.

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

46.

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

TechCrunch

47.

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

48.

OmniParser

49.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

50.

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

51.

Introducing deep research | OpenAI

52.

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

53.

https://devin.ai

54.

Creating an AI Agent for Financial Report Analysis - YouTube

55.

MultiOn AI Agent books a flight - YouTube

56.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

Cem Dilmegani

Leitender Analyst

Folgen auf

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

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

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

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten