Grundlagen von KI-Agenten – Definition und Abgrenzung: KI-Modelle vs. KI-Agenten – Komponenten eines Agenten: Eingaben, Logik, Tools, Speicher – Rolle von Large Language Models (LLMs) im Agentenkontext – Unterschied zwischen einfachen Prompts, Workflows und autonomen Agenten Funktionsweise und Architektur – Datenfluss in KI-Agenten-Systemen – Tools und Schnittstellen (z. B. APIs, Datenquellen, Anwendungen) – Entscheidungslogik und Steuerung von Agenten – Einführung in Memory-Konzepte (kurz- vs. langfristig) No-/Low-Code Plattformen und Werkzeuge – Überblick über gängige Plattformtypen – Prinzipien visueller Workflow-Erstellung – Arbeiten mit Triggern, Aktionen und Bedingungen – Nutzung vorgefertigter Bausteine und Integrationen Typische Anwendungsfälle im Unternehmen – Automatisierung von E-Mail- und Dokumentenprozessen – Wissensmanagement und interne Assistenzsysteme – Datenverarbeitung und -anreicherung – Unterstützung im Kundenservice und in Fachabteilungen – Entscheidungsunterstützung durch KI-Agenten Praktische Umsetzung einfacher Use Cases – Strukturierung eines Automatisierungsproblems – Schrittweise Entwicklung eines einfachen Agenten – Einbindung externer Datenquellen – Testen und Optimieren von Workflows Grenzen und Risiken – Halluzinationen und Fehlinterpretationen – Abhängigkeit von Datenqualität und Kontext – Technische und organisatorische Limitierungen – Wann klassische Automatisierung sinnvoller ist Governance, Sicherheit und Compliance – Datenschutz und Umgang mit sensiblen Informationen – Kontrollmechanismen und Freigabeprozesse (Human-in-the-loop) – Monitoring und Qualitätssicherung – Richtlinien für den unternehmensweiten Einsatz Einführung in die Organisation – Identifikation geeigneter Prozesse – Zusammenarbeit zwischen Fachbereich und IT – Change Management und Schulung von Mitarbeitenden – Skalierung von ersten Pilotprojekten