40+ Agentic AI-Anwendungsfälle mit Praxisbeispielen

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

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

KI-Agenten als Entwickler

1. Anwendungen erstellen

KI-Code-Editoren wie Cursor KI Editor, Windsurf Editor, undReplit zielen darauf ab, Apps zu erstellen und bereitzustellen (z. B. To-Do-Listen-App) durch:

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

Praxisbeispiel:

Ein Entwickler nutzte OpenAIs Operator und Replits KI-Agenten, um eine komplette App in 90 Minuten zu erstellen. Zwei Agenten tauschten autonom Zugangsdaten 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, wie z. B. E-Commerce, Reisebuchungen und unternehmensinterne Web-Workflows.¹

Praxisbeispiel:

Cursors Agent-Modus 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).

Erfahren Sie mehr über das Erstellen von Agenten

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 Werkzeugnutzung und Webzugriff.

2. Erstellen Sie Ihre eigene API mit KI-Coding 

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. Code-Bearbeitung in natürlicher Sprache

Sie können Code-Snippets auswählen und einfache englische Befehle erteilen, wie z. B.:

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

Praxisbeispiel:

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

4. Websites erstellen

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

• Startseiten
• Kursübersichtsseiten
• Personalisierte Studenten-Dashboards

Ähnlich erstellen KI-Code-Editoren wie Replit Websites und nutzen APIs.⁴

Praxisbeispiel:

So erstellen Sie einen Website-KI-Agenten:

Hier ist der Automatisierungs-Workflow:

5. Ein CRM-Dashboard generieren

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

Praxisbeispiel:

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

6. Rekursives Coding und Modernisierung von Legacy-Code

Während grundlegendes Coding typischerweise eine Aufgabe für LLMs ist, sind rekursive Coding-Workflows, bei denen ein Agent iterativ Code über mehrere Ebenen hinweg verbessert/erweitert, inhärent 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.⁷

Persistent bietet ein Multi-Agenten-Framework, das zur autonomen Migration von COBOL-Code zu Java verwendet wird. Es funktioniert wie folgt:⁸

7. Code-Refactoring

Durch den Einsatz von rekursiven Coding-KI-Agenten wird das Design des Codes kontinuierlich verbessert, ohne seine Funktionsweise zu ändern, wodurch er leichter verständlich und wartbar wird.

Praxisbeispiel:

Entwickler eines Tech-Startups erstellten einen Agenten, der Ihren Code refaktorisiert in 25+ Programmiersprachen.⁹

8. Code-Vorschläge in Ihrer IDE generieren

GitHub Copilot bietet einen autonomen Agent-Modus, der zu mehrstufigen Coding-Aufgaben fähig ist, Befehle ausführt und Code unabhängig über VS Code und JetBrains IDEs hinweg iteriert, was über Echtzeit-Vorschläge und Automatisch-Vervollständigungen hinausgeht.¹⁰

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
• High-Level-Befehle zu interpretieren, wie z. B. „Fahre den NGINX-Pod herunter“

Praxisbeispiel:

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

KI-Agenten als SecOps-Assistenten

10. Threat Intelligence

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

Praxisbeispiel:

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

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.
• False-Positive-Unterdrückung: Unterdrückt wiederkehrende harmlose Alarme anhand vergangener Lösungsmuster.
• Alarm-Gruppierung / Clustering: Gruppiert verwandte Alarme (gleicher Benutzer, Host oder Taktik) zu einem einzigen Vorfall.

Praxisbeispiel:

Charlotte KI führt autonome Erkennung und Triage durch:

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

12. Kontextanreicherung & Bedrohungsattribution

Wird nach der ersten Triage durchgeführt und fügt Alarmen Tiefe und Kontext hinzu.

Automatisierte Angreifer-Attributionssysteme 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 Musterüberschneidungen.

Praxisbeispiel:

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

In diesem agentischen Setup:

• Erkennung: Ein KI-Agent erkennt laterale Bewegung mithilfe von Service-Konten.
• Anreicherung: Er reichert den Alarm automatisch mit Daten aus Chronicle-Protokollen, Asset-Inventar und Mandiant Threat Intelligence an.
• Attribution: Ein zweiter Agent gruppiert diese Aktivität mit historischen Eindringketten, die einer bekannten Gruppe zugeordnet sind (z. B. APT41).

13. Eskalation & Übergabe

• Alarm-Übersetzung / -Vereinfachung: Wandelt technische Alarme in analystenfreundliche Zusammenfassungen um.
• Automatisch-Ticketing und Analystenzuweisung: Erstellt Tickets und leitet Vorfälle an die entsprechende Stufe oder das entsprechende Team weiter.

Praxisbeispiel:

Torqs Socrates, ein agentischer SOC-Orchestrator, koordiniert spezialisierte Sub-Agenten (Runbook-, Untersuchungs-, Remediation- und Case-Management-Agenten) über den gesamten Tier-1-Case-Lebenszyklus hinweg.

Bei Eskalation und Übergabe führt Socrates Folgendes durch:

• Erstellt automatisch Fälle 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 ist, der Vorfall mehrdeutig ist oder die potenziellen Auswirkungen hoch sind.
• Fügt bei der Übergabe vollständige Anreicherungen bei, sodass Analysten eine einsatzbereite Fallakte anstelle eines rohen Alarms erhalten.

14. Proaktive Reaktionsmaßnahmen

Im SecOps-Bereich 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 basierend auf neuen Erkenntnissen oder angepasster Logik
• Infrastructure-as-Code zu generieren (z. B. Terraform, Pulumi) für die Behebung
• Erkennungsregeln zu entwerfen und zu ändern basierend auf Untersuchungserkenntnissen

Praxisbeispiel:

Google entwickelte den SOC Manager-Agenten, der mehrere Sub-Agenten nutzt, um einen strukturierten Incident Response Plan für die Malware-Erkennung auszuführen.¹⁷

Agentische Projektstruktur:

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

Quelle:
Mandiant & Google Cloud Security¹⁸

15. Threat Hunting

Agenten im Threat Hunting zielen darauf ab:

• Kontinuierlich nach Anomalien zu scannen in Identitäts-, Netzwerk- und Cloud-Protokollen
• Wiederkehrende Hunts zu automatisieren, wie IOC-Abfragen oder Mustererkennung
• Unbekannte Bedrohungen zu kennzeichnen, indem das Verhalten mit historischen Baselines und Peer-Aktivitäten verglichen wird

Praxisbeispiel:

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

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

Agent 1 ruft relevante Erkennungsmethoden aus MITRE ATT&CK ab, während Agent 2 diese Eingabe verwendet, um kontextbewusste Sigma-Regeln mithilfe eines Sprachmodells zu generieren.¹⁹

16. Automatisiertes Software- und Anwendungstesting

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

Praxisbeispiel:

Pcloudys Copilot stellt Selenium-Testskripte bereit, findet verfügbare Browser zum Testen und führt die Testfälle aus.²⁰

Weiterlesen: 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 durch NPC-Verhalten, Gameplay & Anpassungsfähigkeit, und prozedurale Inhaltsgenerierung.

17. Agentische Nicht-Spieler-Charaktere (NPCs)

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

Praxisbeispiel:

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

In diesem Dorf können Benutzer Agenten beobachten und mit ihnen interagieren, während sie Neuigkeiten austauschen, Beziehungen aufbauen und Gruppenaktivitäten organisieren. ²¹

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

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

18 Spielen

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

• Wegfindung und Navigation: Spielagenten erkunden Spielumgebungen und nutzen Versuch und Irrtum, um optimale Strategien zu finden. Zum Beispiel lernen sie Navigationspfade in komplexen Labyrinthen, indem sie ihren Entscheidungsprozess kontinuierlich verfeinern.
• Eingabeemulation: Spielagenten emulieren Eingaben wie Tastendrücke, Mausbewegungen oder Gamepad-Steuerungen. Dies ermöglicht 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 das Missionsdesign entsprechend an. Zum Beispiel kann ein Stealth-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: Google²³

19. Prozedurale Inhaltsgenerierung

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

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

Praxisbeispiel:

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

• Variierten Topografien (z. B. Berge, Täler, Schluchten).
• Einzigartigen Biomen (z. B. Wüsten, Wälder, Ozeane).
• Dynamischen Wettermustern (z. B. Stürme, Regenfälle).²⁴

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 Schreiben zu verfassen.²⁵ Einige Beispiele dieser 10 Agenten umfassen:

• Spezifikations-Agent: Analysiert die Anforderungen der Geschichte und wahrt die erzählerische Konsistenz.
• Produktions-Agent: Generiert Inhalte und implementiert kreative Änderungen.
• Management-Agent: Koordiniert zwischen Agenten und verfolgt den kreativen Fluss.
• Duplikations-Agent: Verhindert inhaltliche Redundanz und Duplikationen.

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

21. Technische Berichte oder Angebotserstellung

KI-Agenten entwerfen autonom technische Berichte, einschließlich:

• Ingenieursberichte
• Projektangebote
• Forschungsarbeiten
• Produktspezifikationen

Praxisbeispiel:

ParagraphAI, ein KI-Schreibassistent, verfasst technische Ingenieursberichte, indem er den Zeitplan, das Budget und die erforderlichen Ressourcen und das Personal skizziert.²⁷

22. Wissensbasierte Artikelerstellung

Agenten beziehen 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.²⁸

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
• Diagramme und Flussdiagramme
• Visuelle Zeitpläne und Gantt-Diagramme²⁹

KI-Agenten als Versicherungsassistenten

Agenten automatisieren die Schadensprüfung, -genehmigung und Betrugserkennung und optimieren so den gesamten Schadensbearbeitungslebenszyklus. Zum Beispiel automatisiert ein großer Versicherer ~90 % der individuellen Kfz-Schadensfälle durch die Integration benutzerdefinierter KI-Agenten in seinen Schadens-Workflow. ³⁰

Unternehmensanbieter wie Oracle und SAP haben Agentic AI 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 etwaige Inkonsistenzen oder potenzielle Betrugssignale.

Praxisbeispiel:

Microsofts Power Platform – automatisiert ein Versicherungsschadensformular:

Hier Microsofts Power Platform:

• Erfasste Schadensformular-Dokumente wie Checkbox-Auswahlen und Texte.
• Schadensformular in SharePoint hochgeladen, der Content-Management-App.
• Daten aus dem Schadensformular extrahiert wie Schadens-ID und Checkbox-Werte (z. B. Schadensart, Policennummer).
• Mit Dataverse für die Datenspeicherung integriert, um die extrahierten Daten (einschließlich Checkbox-Werte) in Microsoft Dataverse zu speichern.
• Workflows in Formularen verarbeitet, z. B. mit Power App-Agenten, um Schadensfälle zu genehmigen oder abzulehnen.

25. Underwriting

Agentic AI automatisiert das Underwriting mit spezialisierten Agenten, darunter ein Risikobewertungs-Agent für die Bewertung der Schadenswahrscheinlichkeit und ein Preisgestaltungs-Agent für dynamische Prämienanpassungen usw.

Praxisbeispiel:

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

• Datenerfassungs-Agent: Sammelt sowohl strukturierte als auch unstrukturierte Daten.
• Risikobewertungs-Agent: Analysiert historische Daten und Antragstellerdetails, um die Wahrscheinlichkeit von Schadensfällen vorherzusagen.
• Betrugserkennungs-Agent: Erkennt Anomalien oder verdächtige Muster in Schadensfällen und Anträgen.
• Preisgestaltungs-Agent: Schlägt eine Preisgestaltung basierend auf Faktoren wie Marktbedingungen, Wettbewerbspreisen und Kundenverhalten vor.³²

26. Personalisierte Policenabwicklung

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

Praxisbeispiel:

Lemonades KI Jim kommuniziert Schadensergebnisse direkt an den Versicherungsnehmer. Sobald ein Schadensfall eingereicht wird, führt KI Jim Folgendes aus:

• Empfängt die First Notice of Loss (FNOL), ein kurzes Video oder einen Text vom Kunden.
• Führt eine konversationelle Triage durch, stellt klärende Fragen, um den Kunden durch den Prozess zu führen.
• Überprüft Policen- und Deckungsdetails mit regelbasierten Prüfungen.
• Führt Anti-Betrugs-Algorithmen aus, bevor der Schadensfall genehmigt wird.
• Sendet Zahlungsanweisungen an die Bank und benachrichtigt den Versicherungsnehmer, dass der Schadensfall angenommen wurde.

KI-Agenten als Personalwesen (HR)-Assistenten

HR-Operationen umfassen oft zahlreiche sich wiederholende Aufgaben wie die Lebenslaufprüfung, die automatisiert werden können. Hier sind wichtige Beispiele für Agentic AI im HR-Betrieb:

27. Lebenslaufprüfung

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

Praxisbeispiel:

PepsiCo verwendet KI-Tools, um Kandidaten danach zu bewerten, wie gut sie die Stellenanforderungen erfüllen.³³

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 alltägliche Aufgaben aus, wie das Zusammenfassen von Stellenbeschreibungen, die Suche nach Kandidaten und grundlegende Screening-Anrufe.³⁴

29. Lohnabrechnungsautomatisierung

Agenten in der Lohnabrechnung berechnen Gehälter, verarbeiten Abzüge und behandeln Steuerabzüge. Sie integrieren sich mit Human Resources Information System (HRIS)-Systemen und Buchhaltungssoftware, um Genauigkeit und Compliance mit Lohnabrechnungsstandards sicherzustellen.

Erfahren Sie mehr über Finanzautomatisierungslösungen wie:

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

Praxisbeispiel:

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:

• Datenerfassungs- & Vorverarbeitungs-Agent: Verwendet Datenextraktionsmethoden, um Daten aus HR- und Finanzsystemen zu bereinigen.
• Lohnabrechnungsberechnungs-Agent: Automatisiert Lohnabrechnungsberechnungen, einschließlich Gehalt, Abzüge und Boni.
• Compliance-Reporting-Agent: Erkennt Compliance-Probleme mithilfe von Machine Learning.
• Anfrageklärungs-Agent: Löst Lohnabrechnungsprobleme mithilfe von RAG.

KI-Agenten als Kundendienst-Assistenten

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

• Interpretation nuancierter Anfragen, selbst wenn Fragen vage oder komplex sind
• Nahtloses Agieren über Chat-, Sprach- und E-Mail-Kanäle hinweg, während Daten aus Kundenprofilen, Bestellhistorie und Wissensdatenbanken abgerufen werden
• Beibehalten des Kontexts aus früheren Interaktionen, was informiertere und personalisiertere Antworten ermöglicht
• Proaktives Engagement, wie das Senden von Erinnerungen für Checkups oder Follow-ups, bevor der Kunde Kontakt aufnimmt

30. Kundenanrufe beantworten:

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

Praxisbeispiel:

Ada KI Agent beantwortet Kundenanrufe:

31. Kunden-Tickets beantworten

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

Praxisbeispiel:

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

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

32. Follow-up und informative SMS senden

Nach einer Interaktion senden Agenten SMS-Nachrichten, um mit Kunden in Kontakt zu bleiben. 42,8 % der Unternehmen nutzen KI-Textagenten und 33,4 % nutzen KI-Sprachagenten für proaktive Kontaktaufnahme. ³⁶

Praxisbeispiel:

Toyotas E-Care KI-Agent verbindet sich mit der Bordelektronik eines Autos und kontaktiert Kunden, um sie auf Reparatur- oder Wartungsanforderungen hinzuweisen, und führt sie dann durch die Buchung des Fahrzeugs in einer Serviceeinrichtung. Der Agent reduziert die Gesamtbelastung durch eingehende Serviceanrufe.³⁷

Im Gegensatz zu geplanten Massensendungen passt sich agentische Ausgehende-Kommunikation pro Empfänger an. Bei einem Versorgungsausfall führt der Agent Folgendes aus:

• Identifiziert, welche Nachbarschaften betroffen sind, anstatt 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 4:15 Uhr wiederhergestellt sein“).
• Folgt automatisch nach, wenn die Wiederherstellung länger als erwartet dauert, und eskaliert an einen Live-Agenten, wenn der Kunde mit Bedenken antwortet.

33. FAQ-Erstellung und -Optimierung

Agenten:

• Erstellen und aktualisieren FAQs automatisch 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 vorgebrachten Probleme als auch die von Agenten bereitgestellten Lösungen und erstellt eine Kategoriestruktur, die mit Entwurfsartikeln gefüllt ist. Zendesks Knowledge Copilot pflegt dann die Basis durch:

• Identifizierung von Inhaltslücken und Vorschlagen von Aktualisierungen für Artikel, die wiederkehrende Tickets teilweise abdecken.
• Generierung von Entwurfsartikeln oder -verfahren aus Ticketdaten.
• Bewertung der Inhaltsgesundheit nach Abdeckung, Aktualität (Anteil kürzlich aktualisierter Artikel) und KI-Lesbarkeit (Anteil der für die KI-Verarbeitung formatierten Artikel).
• Hervorhebung von Support-Themen, Kennzeichnung von Spitzen bei wiederkehrenden Anfragen (z. B. Passwort-Zurücksetzungen) und Empfehlung neuer Hilfe-Center-Artikel.

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, Hypothesengenerierung und experimentellem Design zu unterstützen.

Praxisbeispiele:

1. OpenAIs Deep Research nutzt Reasoning, um große Mengen an Online-Informationen zu synthetisieren und mehrstufige Forschung auf Ph.D.-Niveau durchzuführen, wenn große Suchen mit den Modellen o3 & DeepSeek ausgeführt werden.^{38 39}

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

• Stellte Folgefragen, um den Umfang und die 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 führte das System von ChemicalQDevice Folgendes aus:

• Analysierte große Mengen klinischer Literatur aus Datensätzen.
• Führte automatisiertes Coding mit Tools wie GitHub Actions aus.
• Verwendete generative KI (z. B. GPT-4 oder angepasste Modelle), um Hypothesen zu generieren, experimentelle Designs vorzuschlagen und Forschungsberichte zu schreiben.⁴¹

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

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 führte der Agent Folgendes aus: 

• Verarbeitete etwa 10.000 Arbeiten mit 30-minütigen Durchlaufzeiten pro Manuskript. 
• Fing 34 % mehr mathematische Fehler als Standard-Zero-Shot-Prompting-Methoden.⁴³

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 -testung

Fortschrittliche analytische Agenten 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

Analytische Agenten kompilieren automatisch Rohdaten zu präsentationsreifen Visualisierungen und bilden komplexe Trends in übersichtliche Kohortenanalyse-Diagramme und Finanz-Waterfalls ab, unter Verwendung integrierter Tools wie Tableau oder Power BI.

KI-Agenten als Computer-Benutzer

"Computer Use" zielt darauf ab, es KI zu ermöglichen, mit einem Computer so zu interagieren, wie es ein Mensch tun würde. Dies bietet die Flexibilität, digitale Aufgaben auszuführen, ohne OS- 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, etc).
2. Web-Browsing (OpenAI Operator, Kura KI, Runner H, HyperWriteAI, MultiOn Agent Q, etc).

Tool-Beispiele:

1. ChatGPT Atlas mit Agent Mode, Nachfolger des Operator-Tools, wechselt zwischen Anwendungen und führt komplexe webbasierte Aufgaben zur Vereinheitlichung der GUI aus.¹
2. Kura KI undRunner H zielen darauf ab, Aufgaben durch die Nutzung von Web-Browsern zu erledigen.^{44 45}
3. HyperWriteAI zielt darauf ab, Textformulare auszufüllen, Schaltflächen zu klicken und Menüauswahlen zu treffen, um eine Online-Bestellung aufzugeben.⁴⁶
4. Microsofts OmniParser verbessert das Verständnis von Agenten für visuelle Schnittstellen zur GUI-Automatisierung.⁴⁷

38. Formularausfüllung & Web-Automatisierung

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

Praxisbeispiel:

39. Dokumenterstellung und -bearbeitung

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

Praxisbeispiel:

Anthropics Claude wird gebeten, „25 Zeilen mit Beispielausgaben zu generieren, sie in einer Tabelle zu speichern und dann die Tabelle zu öffnen“.

In diesem Beispiel führte Claude Folgendes aus:

• Öffnete die CSV-Datei in der LibreOffice Calc-App.
• Erstellte eine CSV-Datei mit 25 Zeilen mit Beispielausgabedaten.
• Installierte das LibreOffice Calc-Tabellenkalkulationsprogramm.⁴⁹

40. Web-Recherche & strukturierte Datenerfassung

Im Gegensatz zu einfachen Automatisierungsskripten interpretieren Deep-Web-Recherche-Agenten unstrukturierte Informationen über mehrere Seiten hinweg und geben Erkenntnisse in einem strukturierten Format zurück.

Praxisbeispiel:

OpenAIs Deep Research, eine neue agentische Fähigkeit innerhalb von ChatGPT, die für mehrstufige, kontextreiche Web-Recherche konzipiert ist, plant, navigiert und synthetisiert Informationen über mehrere Quellen hinweg, um komplexe Anfragen zu beantworten.

41. CLI-Operationen & Skriptausführung

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

Praxisbeispiele:

Aider, ein CLI-nativer KI-Coding-Agent, wird von Entwicklern verwendet, um Codebasen zu refaktorisieren und Shell-Befehle auszuführen, wie z. B. das Ausführen von Test-Suites (pytest, npm test). Der Agent interpretiert Terminal-Ausgaben, behebt Fehler iterativ und überträgt Änderungen direkt in Git-Repositories.⁵⁰

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 zu refaktorisieren, Shell-Befehle auszuführen, Test-Suites durchzuführen und Änderungen in Git-Repositories zu übertragen.⁵¹

42. Multimodale App-Navigation & -Koordination

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

Praxisbeispiel:

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

Autonome Workflow-Agenten (Langzeitorientierte Aufgaben)

Planungsagenten mit Gedächtnis + Werkzeugnutzung (z. B. Automatisch-GPT, Agent Q mit Zielsetzung) führen mehrstufige Ziele über verschiedene Werkzeuge hinweg 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 erstelle eine Zusammenfassung für das Finanzteam.“

Der Agent wird gebeten, Folgendes zu beschaffen:

• Aktuelle Unternehmensnachrichten (Top 3 Stories)
• 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:

Praxisbeispiel:

MultiOn Agent Q bucht einen Flug.

KI-Agenten erstellen

Der Wandel von grundlegenden Agentenanwendungen, wie Wetterabfragen in natürlicher Sprache mit Tools wie LangChain, hin zu komplexeren, autonomen Anwendungsfällen wie der App-Entwicklung (z. B. Generierung eines Tic Tac Toe-Spiels mit dem Cursor KI Editor) führte zu folgenden 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 oder einen anderen basierend auf der Benutzereingabe anzeigen?“).
• Schnittstellen zu externen Systemen und APIs

43. Benutzerdefinierte KI-Agenten generieren:

KI-Agenten-Building-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 Schnittstellenbildung mit externen Systemen und APIs.

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

Praxisbeispiel:

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

FAQs

Diese Forschung zitieren

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

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{40+ Agentic AI-Anwendungsfälle mit Praxisbeispielen}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Abgerufen am 4. August 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.

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

6.

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

7.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

8.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

9.

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

10.

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

11.

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

12.

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

13.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

14.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

15.

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

MDPI

16.

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

Google Cloud

17.

GitHub - dandye/adk_runbooks · GitHub

18.

Agentic Incident Response - YouTube

19.

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

20.

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

21.

Generative Agents: Interactive Simulacra of Human Behavior

22.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

23.

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

SIMA team

24.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

25.

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

26.

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

27.

Engineering

28.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

29.

Introducing AI to FigJam | Figma Blog

Figma

30.

Dutch Insurance Provider

31.

Automating an insurance claim form with AI Builder - YouTube

32.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

33.

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

34.

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

LinkedIn Talent Solutions

35.

Ada Voice + Aircall - YouTube

36.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

37.

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

Cognigy

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.

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

44.

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

45.

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

TechCrunch

46.

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

47.

OmniParser

48.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

49.

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

50.

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

51.

Devin | The AI Software Engineer

Cognition

52.

Creating an AI Agent for Financial Report Analysis - YouTube

53.

MultiOn AI Agent books a flight - YouTube

54.

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

Branchenanalystin

Folgen auf

Hazal ist eine Branchenanalystin bei AIMultiple, mit Schwerpunkt 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