40+ Agentic AI Anwendungsfälle mit Beispielen aus der Praxis

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

Im Gegensatz zur traditionellen KI, insbesondere der generativen KI, die bei komplexen Workflows oft menschliches Eingreifen erfordert, zielt Agentic AI darauf ab, Prozesse dank ihrer Entscheidungsfähigkeit und zielgerichteten Verhaltensweise 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 undReplit zielen darauf ab, Apps zu erstellen und bereitzustellen (z. B. To-Do-Listen-App), indem sie:

• Die richtigen Werkzeuge für die Aufgabe auswählen, wie Flask für APIs oder React für Frontends.
• Code generieren in der gewählten Sprache (z. B. Python, JavaScript) basierend auf einfachen Prompts.
• Workflows automatisieren mit Integrationen wie GitHub Actions für Tests und Bereitstellung.

Praxisbeispiel:

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

Praxisbeispiel:

Cursors Agent-Modus Composer zielt darauf ab, ein vollständiges Tic Tac Toe-Spiel aus einem einzigen Prompt zu generieren:„Erstelle 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 (ohne dass Dateien hinzugefügt werden müssen).

Mehr zum Erstellen von Agenten erfahren

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

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

2. Erstellen Sie Ihre eigene API mit KI-Codierung 

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

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

Praxisbeispiel:

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

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

3. Codebearbeitung in natürlicher Sprache

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

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

Praxisbeispiel:

Kodieragenten wie Cursor erkennen die Absicht, ändern den entsprechenden Code in mehreren Dateien und wenden die Änderungen an.

4. Websites erstellen

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

• Startseiten
• Kursübersichtsseiten
• Personalisierte Studenten-Dashboards

In ähnlicher Weise erstellen KI-Code-Editoren wie Replit Websites und nutzen APIs.⁵

Praxisbeispiel:

Wie man einen Website-KI-Agenten erstellt:

Hier ist der Automatisierungsworkflow:

5. Ein CRM-Dashboard generieren

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

Praxisbeispiel:

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

6. Rekursive Codierung und Modernisierung von Legacy-Code

Während grundlegendes Codieren typischerweise eine Aufgabe für LLMs ist, sind rekursive Codierungsworkflows, bei denen ein Agent Code iterativ über mehrere Schichten 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.

Praxisbeispiele:

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

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

7. Code-Refactoring

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

Praxisbeispiel:

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

8. Codevorschläge in Ihrer IDE generieren

GitHub Copilot bietet einen autonomen Agent-Modus, der mehrstufige Codierungsaufgaben ausführen, Befehle ausführen und Code unabhängig in VS Code und JetBrains-IDEs iterieren kann und damit über Echtzeitvorschläge und Automatisch-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 oder andere Workloads zu identifizieren
• Laufende Pods zu identifizieren
• Hochrangige Befehle zu interpretieren wie „fahre den NGINX-Pod herunter“

Praxisbeispiel:

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

KI-Agenten als SecOps-Assistenten

10. Bedrohungsaufklärung

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

Praxisbeispiel:

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

11. Erkennung & Triage

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

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

Praxisbeispiel:

Charlotte KI führt autonome Erkennung und Triage durch:

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

12. Kontextuelle Anreicherung & Bedrohungszuordnung

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

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

Praxisbeispiel:

Google Chronicle + Mandiant + Gemini KI-Agenten erfassen autonom Telemetrie 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 unter Verwendung von 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 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.

Praxisbeispiel:

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

Bei Eskalation und Übergabe führt Socrates Folgendes aus:

• Erstellt automatisch Fälle in ITSM-Plattformen (z. B. ServiceNow, Jira), die mit den relevanten Observablen, Anreicherungen und strukturierten Daten vorbefüllt sind.
• Weist Analysten zu basierend auf Arbeitslast und Schichtplänen.
• Eskaliert selektiv, nur wenn das Vertrauen gering ist, der Vorfall mehrdeutig ist oder die potenziellen Auswirkungen hoch sind.
• Fügt bei der Übergabe die vollständige Anreicherung bei, sodass Analysten eine sofort handlungsfähige Fallakte anstelle eines rohen Alarms erhalten.

14. Proaktive Reaktionsmaßnahmen

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

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

Praxisbeispiel:

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

Agentische Projektstruktur:

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

Quelle:
Mandiant & Google Cloud Security¹⁹

15. Bedrohungsjagd

Agenten in der Bedrohungsjagd zielen darauf ab:

• Kontinuierlich nach Anomalien zu suchen in Identitäts-, Netzwerk- und Cloud-Protokollen
• Wiederkehrende Jagden zu automatisieren wie IOC-Abfragen oder Mustererkennung
• Unbekannte Bedrohungen zu kennzeichnen durch Vergleich des Verhaltens mit historischen Basislinien und Peer-Aktivitäten

Praxisbeispiel:

Forscher entwickelten ein MITRE ATT&CK-getriebenes Bedrohungsjagd-System, automatisiert durch lokale LLM, bei dem KI-Agenten zusammenarbeiten, um Sigma-Regeln zur Bedrohungserkennung zu generieren.

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

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

16. Automatisiertes Software- und Anwendungstesten

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

Praxisbeispiel:

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

Lesen Sie mehr: Enterprise-KI-Assistenten, KI-Agenten-Builder, Open-Source-KI-Agenten.

KI-Agenten als menschenähnliche Spielfiguren

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

17. Agentische Nicht-Spieler-Charaktere (NPCs)

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

Praxisbeispiel:

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

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

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

• Verhaltensskripte: Stanford KI Village-Agenten verwenden vordefinierte Skripte für Aktionen und Reaktionen. Dazu gehören grundlegende Verhaltensweisen wie die positive Interaktion mit anderen NPCs. 
• Dynamisches Verhalten: NPCs nutzen KI, um ihr Verhalten basierend auf den Aktionen des Spielers anzupassen, wodurch die Spielwelt reaktionsfähiger wird.
• Pfadfindung: NPCs verwenden Algorithmen, um die Spielwelt effektiv zu navigieren, Wege um Hindernisse herum zu finden und den Spieler zu verfolgen.

18 Gameplay

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

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

Praxisbeispiel:

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

Quelle: Google²⁴

19. Prozedurale Inhaltsgenerierung

KI-Agenten sind hochgradig in der Lage, große Mengen an Spielinhalten algorithmisch zu generieren, wie:

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

Praxisbeispiel:

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

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

KI-Agenten als Inhaltsersteller

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

20. Automatisiertes narratives Schreiben

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

Praxisbeispiel:

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

• Spezifikationsagent: Analysiert die Anforderungen der Geschichte und sorgt für narrative Konsistenz.
• Produktionsagent: Generiert Inhalte und setzt kreative Änderungen um.
• Management-Agent: Koordiniert zwischen Agenten und verfolgt den kreativen Fluss.
• Duplizierungsagent: Verhindert Inhaltsredundanzen und -duplikationen.

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

21. Technische Berichte oder Angebotserstellung

KI-Agenten verfassen autonom technische Berichte, einschließlich:

• Ingenieursberichte
• Projektvorschläge
• Forschungsarbeiten
• Produktspezifikationen

Praxisbeispiel:

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

22. Wissensbasierte Artikelgenerierung

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

Praxisbeispiel:

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

23. Dashboard- und Diagrammerstellung

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

Praxisbeispiel:

FigJam KI verwendet Text-Prompts zur Generierung von:

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

KI-Agenten als Versicherungsassistenten

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

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

24. End-to-End-Schadenbearbeitung

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

Praxisbeispiel:

Microsofts Power Platform – automatisiert ein Versicherungsanspruchsformular:

Hier, Microsofts Power Platform:

• Erfasste Anspruchsformulardokumente wie Checkbox-Auswahlen und Texte.
• Anspruchsformular auf SharePoint hochgeladen, eine Content-Management-App.
• Daten aus dem Anspruchsformular extrahiert wie Anspruchs-ID und Checkbox-Werte (z. B. Anspruchstyp, Policennummer).
• In Dataverse für die Datenspeicherung integriert, um die extrahierten Daten (einschließlich Checkbox-Werte) in Microsoft Dataverse zu speichern.
• Workflows in Formularen verarbeitet, zum Beispiel mit Power App-Agenten, um Ansprüche zu genehmigen oder abzulehnen.

25. Underwriting

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

Praxisbeispiel:

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

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

26. Personalisierte Policenabwicklung

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

Praxisbeispiel:

Lemonades KI Jim kommuniziert 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, indem klärende Fragen gestellt werden, um den Kunden durch den Prozess zu führen.
• Überprüft Policen- und Deckungsdetails mit regelbasierten Prüfungen.
• Führt Anti-Betrugs-Algorithmen aus, bevor der Anspruch genehmigt wird.
• Sendet Zahlungsanweisungen an die Bank und benachrichtigt den Versicherungsnehmer, dass der Anspruch angenommen wurde.

KI-Agenten als Personalwesen (HR)-Assistenten

HR-Abläufe beinhalten oft zahlreiche wiederkehrende Aufgaben wie die Lebenslaufprüfung, die automatisiert werden können. Hier sind die wichtigsten Beispiele für agentische KI in HR-Abläufen:

27. Lebenslaufprüfung

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

Praxisbeispiel:

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

28. Interviewplanung

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

Praxisbeispiel:

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

29. Lohn- und Gehaltsautomatisierung

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

Erfahren Sie mehr über Finanzautomatisierungslösungen wie:

• RPA-Finanzanwendungsfälle und -Tools
• Finanz-LLM-Tools Benchmark
• Agentic AI Finanztools

Praxisbeispiel:

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

Quelle: Akira KI³⁶

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

• Datenerfassungs- & Vorverarbeitungsagent: Verwendet Datenextraktionsmethoden, um Daten aus HR- und Finanzsystemen zu bereinigen.
• Gehaltsabrechnungsagent: Automatisiert Gehaltsabrechnungsberechnungen, einschließlich Gehalt, Abzüge und Boni.
• Compliance-Berichtsagent: Erkennt Compliance-Probleme mithilfe von maschinellem Lernen.
• Anfragenlösungsagent: Löst Gehaltsabrechnungsprobleme mithilfe von RAG.

KI-Agenten als Kundenservice-Assistenten

Herkömmliche Chatbots bearbeiten einfache Anfragen, haben aber Schwierigkeiten mit komplexen Anliegen. Agentische Kundenservice-Tools gehen dies an, indem sie:

• Nuancierte Anfragen interpretieren, selbst wenn Fragen vage oder komplex sind
• Nahtlos über Chat-, Sprach- und E-Mail-Kanäle hinweg agieren, während sie Daten aus Kundenprofilen, Bestellverläufen und Wissensdatenbanken abrufen
• Kontext aus früheren Interaktionen beibehalten, was fundiertere und personalisierte Antworten ermöglicht
• Proaktiv handeln, z. B. Erinnerungen für Untersuchungen oder Nachfassaktionen senden, bevor der Kunde Kontakt aufnimmt

30. Kundenanrufe beantworten:

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

Praxisbeispiel:

Ada KI Agent beantwortet Kundenanrufe:

31. Auf Kundentickets antworten

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

Praxisbeispiel:

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

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

32. Nachfass- und informative SMS senden

Nach einer Interaktion senden Agenten SMS-Nachrichten, um bei Kunden nachzufassen. 42,8 % der Unternehmen verwenden KI-Textagenten und 33,4 % verwenden KI-Sprachagenten für proaktive Kontaktaufnahme. ³⁸

Praxisbeispiel:

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

Im Gegensatz zu geplanten Massensendungen passt sich die agentische Kontaktaufnahme pro Empfänger an. Bei einem Stromausfall führt der Agent Folgendes aus:

• Identifiziert, welche Stadtteile betroffen sind, anstatt die gesamte Basis zu benachrichtigen.
• Überprüft den bevorzugten Kanal jedes Kunden (SMS, WhatsApp, Sprache oder E-Mail).
• Sendet personalisierte Updates (z. B. „Die Stromversorgung wird voraussichtlich bis 16:15 Uhr wiederhergestellt“).
• Fasst automatisch nach, wenn die Wiederherstellung länger als erwartet dauert, und eskaliert an einen Live-Agenten, wenn der Kunde mit Bedenken antwortet.

33. FAQ-Generierung und -Optimierung

Agenten:

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

Praxisbeispiel:

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

• Inhaltslücken identifiziert und Aktualisierungen für Artikel vorschlägt, die wiederkehrende Tickets nur teilweise abdecken.
• Entwurfsartikel oder Verfahren generiert aus Ticketdaten.
• Den Inhaltszustand bewertet in Bezug auf Abdeckung, Aktualität (Anteil der kürzlich aktualisierten 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 Hilfe-Center-Artikel empfiehlt.

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

Als bevorzugte Quelle hinzufügen

KI-Agenten als Forschungsassistenten

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

Praxisbeispiele:

1. OpenAIs Deep Research nutzt Reasoning, um große Mengen an Online-Informationen zu synthetisieren und mehrstufige Forschung auf Promotionsniveau durchzuführen, wenn große Suchanfragen mit o3 & DeepSeek ausgeführt werden.^{40 41}

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

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

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

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

3. Das End-to-End agentische Workflow-System otto-SR nutzt LLMs zur Durchführung von Literaturrecherchen, wendet Ein-/Ausschlusskriterien an, extrahiert strukturierte Daten und führt Meta-Analysen durch.⁴⁴

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

• Ungefähr 10.000 Arbeiten mit einer Bearbeitungszeit von 30 Minuten pro Manuskript verarbeitet. 
• 34 % mehr mathematische Fehler entdeckt als standardmäßige Zero-Shot-Prompting-Methoden.⁴⁵

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

34. Literaturrecherche und Wissensentdeckung

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

35. Hypothesengenerierung und -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 den Benutzern innerhalb von Minuten statt Tagen validierte Erkenntnisse.

36. Data Mining und Analyse

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

37. Datenvisualisierung und -präsentation

Analyseagenten kompilieren Rohdaten automatisch in präsentationsfertige Visualisierungen und bilden komplexe Trends in übersichtliche Kohortenanalyse-Diagramme und Finanz-Waterfalls ab, indem sie integrierte Tools wie Tableau oder Power BI verwenden.

KI-Agenten als Computerbenutzer

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

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

1. Ausführung von OS-GUI-Aktionen (Anthropics Claude, Microsofts OmniParser usw.).
2. Webbrowsing (OpenAI Operator, Kura KI, Runner H, HyperWriteAI, MultiOn Agent Q usw.).

Werkzeugbeispiele:

1. ChatGPT Atlas mit Agent Mode, Nachfolger des Operator-Tools, wechselt zwischen Anwendungen und führt komplexe webbasierte Aufgaben aus, um die GUI zu vereinheitlichen.⁴⁶
2. Kura KI und Runner H zielen darauf ab, Aufgaben mithilfe von Webbrowsern zu erledigen.^{47 48}
3. HyperWriteAI zielt darauf ab, Textformulare auszufüllen, Schaltflächen zu klicken und Menüauswahlen zu treffen, um eine Online-Bestellung aufzugeben.⁴⁹
4. Microsofts OmniParser verbessert das Verständnis von Agenten für visuelle Schnittstellen zur GUI-Automatisierung.⁵⁰

38. Formularausfüllung & Webautomatisierung

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

Praxisbeispiel:

39. Dokumentengenerierung 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 führt Claude Folgendes aus:

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

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 innerhalb von 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 wie die Ausführung von Test-Suiten auszuführen (pytest, npm test). Der Agent interpretiert Terminalausgaben, behebt Fehler iterativ und committet Änderungen direkt in Git-Repositories.⁵⁴

Als Alternative zu Aider lieferte Cognition Devin 2.0, einen autonomen KI-Softwareentwickler mit einer CLI-nativen Variante, die direkt mit terminalbasierten Agenten konkurriert. Devin ist in der Lage, Codebasen umzustrukturieren, Shell-Befehle auszuführen, Test-Suiten auszuführen und Änderungen in Git-Repositories zu committen.⁵⁵

42. Multimodale App-Navigation & -Koordination

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

Praxisbeispiel:

Um einen Anwendungsfall für die Bestelllieferung zu testen, gab ich eine einfache Einkaufsanfrage an Open Operator: Hilf mir, einen Boho-Stil Kissenbezug für unter 30 $ zu kaufen.

Autonome Workflow-Agenten (Langfristige Aufgabenausführung)

Planungsagenten mit Gedächtnis + Werkzeugnutzung (z. B. Automatisch-GPT, Agent Q mit Zielsetzung) führen mehrstufige Ziele mit verschiedenen Werkzeugen aus (z. B. Eingaben sammeln, Aktionen ausführen, Plan überarbeiten) und treffen Entscheidungen in Echtzeit.

Praxisbeispiel:

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

Der Agent wird gebeten, Folgendes zu besorgen:

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

Hier ist das Ergebnis des Finanzberichts:

Praxisbeispiel:

MultiOn Agent Q bucht einen Flug.

KI-Agenten erstellen

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

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

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

43. Benutzerdefinierte KI-Agenten generieren:

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

• Entscheidungsfindungs- & Reasoning-Frameworks (z. B. Machine-Learning- oder probabilistische Modelle) zur Standardisierung von Mustern & Einbeziehung mehrerer Optionen.
• Datenzugriffs- & Integrationstools (z. B. API-Konnektoren) zur Anbindung an externe Systeme und APIs.

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

Praxisbeispiel:

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 and Şimşek, Hazal},
  title  = {{40+ Agentic AI Anwendungsfälle mit Beispielen aus der Praxis}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Abgerufen am 16. Juli 2026}
}

Referenzlinks

1.

Introducing Operator | OpenAI

2.

Lamar on X: "this is wild just paired openai operator with replit agent to build an app watch as two ai agents team up, exchange credentials, and start testing ai agent ai agent the future is here and it’s insane! https://t.co/jIZnqW4fJD"

3.

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

4.

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

5.

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

6.

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

7.

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

8.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

9.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

10.

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

11.

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

12.

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

13.

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

14.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

15.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

16.

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

MDPI

17.

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

Google Cloud

18.

GitHub - dandye/adk_runbooks · GitHub

19.

Agentic Incident Response - YouTube

20.

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

21.

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

22.

Generative Agents: Interactive Simulacra of Human Behavior

23.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

24.

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

SIMA team

25.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

26.

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

27.

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

28.

Engineering

29.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

30.

Introducing AI to FigJam | Figma Blog

Figma

31.

Dutch Insurance Provider

32.

Automating an insurance claim form with AI Builder - YouTube

33.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

34.

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

35.

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

LinkedIn Talent Solutions

36.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

37.

Ada Voice + Aircall - YouTube

38.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

39.

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

Cognigy

40.

Introducing deep research | OpenAI

41.

Deep Research - Marginal REVOLUTION

42.

Deep Research: First Impressions

UX Tigers

43.

ChemicalQDevice

44.

Automation of Systematic Reviews with Large Language Models | medRxiv

45.

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

46.

Introducing Operator | OpenAI

47.

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

48.

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

TechCrunch

49.

Matt Shumer on X: "Today, we’re unveiling Personal Assistant - @HyperWriteAI's groundbreaking AI agent that can use a web browser like a human. One agent to rule them all. It’s time to reimagine the way we interact with the internet. https://t.c

50.

OmniParser

51.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

52.

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

53.

Introducing deep research | OpenAI

54.

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

55.

Devin | The AI Software Engineer

Cognition

56.

Creating an AI Agent for Financial Report Analysis - YouTube

57.

MultiOn AI Agent books a flight - YouTube

58.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

Cem Dilmegani

Leitender Analyst

Folgen auf

Cem ist seit 2017 leitender Analyst bei AIMultiple. AIMultiple informiert monatlich Hunderttausende von Unternehmen (laut similarWeb), darunter 60% der Fortune 500. Cems Arbeit wurde von führenden globalen Publikationen zitiert, darunter Business Insider, Forbes, Washington Post, globalen Unternehmen wie Deloitte, HPE und NGOs wie dem World Economic Forum sowie supranationalen Organisationen wie der European Commission. Während seiner Karriere war Cem als Tech-Berater, Tech-Einkäufer und Tech-Unternehmer tätig. Er beriet Unternehmen über ein Jahrzehnt lang bei McKinsey & Company und Altman Solon in Technologieentscheidungen. Er veröffentlichte auch einen McKinsey-Bericht zur Digitalisierung. Er leitete die Technologiestrategie und Beschaffung eines Telekommunikationsunternehmens und berichtete dabei direkt an den CEO. Zudem führte er das kommerzielle Wachstum des Deep-Tech-Unternehmens Hypatos an, das innerhalb von 2 Jahren von null auf einen siebenstelligen jährlich wiederkehrenden Umsatz und eine neunstellige Bewertung anwuchs. Cems Arbeit bei Hypatos wurde von führenden Technologiepublikationen wie TechCrunch und Business Insider aufgegriffen. Cem spricht regelmäßig auf internationalen Technologiekonferenzen. Er schloss sein Studium an der Bogazici University als Computer-Ingenieur ab und hat einen MBA von der Columbia Business School.

Vollständiges Profil anzeigen

Recherchiert von

Hazal Şimşek

Branchenanalyst

Folgen auf

Hazal ist Branchenanalystin bei AIMultiple und konzentriert sich auf Process Mining und IT-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