Drei Kategorien von Agenten

Agenten unterscheiden sich darin, wo sie laufen und wen sie bedienen:

Lokale Agenten -- Laufen auf Entwicklermaschinen

• Nutzerorientiert, interaktiv
• Beispiele: Coding, Docs, Datenanalyse
• Vertrauensmodell: Nutzer genehmigt Aktionen

Remote-Agenten -- Laufen auf Servern, nutzerorientiert

• Bearbeiten Kunden-/Mitarbeiterinteraktionen
• Beispiele: Chatbots, Sprachassistenten, Ticket-Handler
• Vertrauensmodell: Vorkonfigurierte Leitplanken

Headless-Agenten -- Laufen auf Servern, kein Nutzer

• Ausgeloest durch Events, Zeitplaene oder andere Agenten
• Beispiele: CVE-Scanning, Anomalieerkennung, Health Checks
• Vertrauensmodell: Voll autonom mit Monitoring

Lokal: KI-Coding-Agent

Der ausgereifteste agentische Anwendungsfall:

Was er tut:

• Liest Ihre gesamte Codebasis
• Versteht Architekturmuster via AGENTS.md
• Schreibt, testet und debuggt Code ueber mehrere Dateien
• Korrigiert sich selbst, wenn Tests fehlschlagen

Beispiel-Workflow:

Sie: "Add pagination to the /api/users endpoint"
Agent:
  1. Liest vorhandene User-Route und Modell
  2. Fuegt page/limit Query-Parameter hinzu
  3. Aktualisiert Mongoose-Query mit skip/limit
  4. Fuegt Gesamtanzahl zu Response-Headers hinzu
  5. Schreibt Tests fuer Paginierungs-Randfaelle
  6. Fuehrt Tests aus -- 1 Fehler
  7. Behebt den Off-by-one-Fehler
  8. Tests bestanden
  9. Committet: "feat: add pagination to users endpoint"

Tools: Claude Code, OpenCode, Cursor Agent Mode

Lokal: Dokumentations-Agent

Automatisiert die am haeufigsten uebersprungene Entwicklungsaufgabe:

Was er tut:

• Scannt Codebasis nach undokumentierten Funktionen und APIs
• Generiert Dokumentation passend zum Stil Ihres Projekts
• Haelt Docs mit Code-Aenderungen synchron
• Erstellt Architekturdiagramme aus der Code-Struktur

Trigger-Beispiele:

• Post-Commit-Hook: "Docs fuer geaenderte Dateien aktualisieren"
• Woechentlicher Zeitplan: "Dokumentationsvollstaendigkeit pruefen"
• PR-Review: "Docs fuer neue oeffentliche APIs generieren"

Lokal: Datenanalyse-Agent

Was er tut:

• Akzeptiert Datendateien (CSV, JSON, SQL-Ergebnisse)
• Stellt klaerende Fragen zu den Daten
• Fuehrt Analysen durch und generiert Visualisierungen
• Exportiert Berichte in mehreren Formaten

Lokale Agenten sind am einfachsten zu bauen und bereitzustellen -- sie laufen in Ihrem Terminal und nutzen Ihr vorhandenes Dateisystem als die "Welt", in der sie operieren.

Remote: Kundensupport-Chatbot

Der Anwendungsfall mit dem hoechsten ROI fuer die meisten Unternehmen:

Architektur:

Kunde -> Chat-Widget -> Agent -> Backend-APIs
                          |
                    Wissensdatenbank (RAG)
                          |
                    Eskalation an Mensch

Was er tut:

• Beantwortet haeufige Fragen aus der Wissensdatenbank (70-80% automatisch geloest)
• Prueft Bestellstatus, Kontoinformationen via API-Tools
• Eskaliert komplexe Probleme an menschliche Agenten mit vollem Kontext
• Lernt aus geloesten Tickets zur kontinuierlichen Verbesserung

Zentrale Metriken:

• Ablenkungsrate: % der Tickets, die ohne Mensch geloest werden
• Kundenzufriedenheit: sollte >= menschlicher Agenten sein
• Durchschnittliche Loesungszeit: typischerweise 80% schneller als Mensch
• Kosten pro Ticket: $0,10-0,50 vs. $5-15 fuer menschliche Agenten

Remote: Sprach-Agent

Die naechste Grenze in der Kundeninteraktion:

Was er tut:

• Beantwortet Telefonanrufe mit natuerlicher Konversation
• Versteht Absichten, stellt Rueckfragen
• Greift auf Backend-Systeme zu (CRM, Bestellmanagement)
• Bearbeitet Terminplanung, Bestellstatus, einfache Fehlerbehebung
• Uebergibt bei komplexen Problemen an Menschen

Architektur:

Telefon -> Speech-to-Text -> LLM-Agent -> Text-to-Speech -> Telefon
              |                   |
         Audiostream        Backend-APIs

Remote: Ticket-Triage-Agent

Was er tut:

• Ueberwacht eingehende Support-/Engineering-Tickets
• Klassifiziert nach Prioritaet, Kategorie und Team
• Weist der richtigen Person/dem richtigen Team zu
• Fuegt Kontext aus verwandten vergangenen Tickets hinzu
• Schlaegt potenzielle Loesungen basierend auf aehnlich geloesten Problemen vor

Remote-Agenten bearbeiten die hochvolumige, repetitive Arbeit, die 60-80% der Support-Team-Kapazitaet beansprucht.

Headless: CVE-Scanner

Sicherheitsueberwachung, die nie schlaeft:

Was er tut:

• Ueberwacht CVE-Datenbanken auf neue Schwachstellen
• Gleicht mit Ihrer Abhaengigkeitsliste ab
• Bewertet Auswirkungen basierend auf Ihrer Architektur (via AGENTS.md)
• Erstellt priorisierte Tickets fuer kritische Funde
• Schlaegt Patches oder Abschwachungen vor

Workflow:

Neue CVE veroeffentlicht
  -> Agent prueft: "Betrifft das unsere Abhaengigkeiten?"
  -> JA: "Wie kritisch ist das fuer unsere spezifische Nutzung?"
  -> KRITISCH: P0-Ticket erstellen, Sicherheitsteam benachrichtigen, Fix vorschlagen
  -> NIEDRIG: Backlog-Ticket mit Analyse erstellen

Headless: Anomalie-Erkennungs-Agent

Was er tut:

• Ueberwacht Anwendungsmetriken (Latenz, Fehlerraten, Ressourcennutzung)
• Erkennt Anomalien durch statistische Analyse + LLM-Reasoning
• Untersucht Ursachen durch Korrelation von Logs, Metriken und kuerzlichen Deployments
• Erstellt Vorfallberichte mit wahrscheinlicher Ursache und Behebungsschritten

Headless: Health-Check-Agent

Proaktive Systemueberwachung:

Was er tut:

• Fuehrt geplante Health Checks ueber Ihre Infrastruktur durch
• Testet API-Endpunkte, Datenbankverbindungen, Drittanbieter-Integrationen
• Vergleicht aktuelle Leistung mit Baselines
• Prognostiziert potenzielle Ausfaelle, bevor sie passieren
• Generiert woechentliche Health-Berichte fuer Stakeholder

Beispiel-Zeitplan:

Alle 5 Minuten:  Kritische API-Endpunkte pruefen
Jede Stunde:     Datenbank-Query-Performance testen
Jeden Tag:       Vollstaendige Integrationstestsuite
Jede Woche:      Health-Zusammenfassungsbericht generieren
Bei Alert:       Ursache untersuchen und berichten

Headless-Agenten bieten den hoechsten ROI fuer Operations-Teams -- sie arbeiten 24/7, verpassen keinen Alert und untersuchen Probleme schneller als Bereitschaftsingenieure.

Ihren ersten Agenten waehlen

Beginnen Sie mit dem Anwendungsfall mit dem hoechsten Impact und dem niedrigsten Risiko:

Anwendungsfall	Impact	Komplexitaet	Risiko	Hier starten?
Coding-Agent	Hoch	Niedrig	Niedrig	Ja
Doku-Generierung	Mittel	Niedrig	Niedrig	Ja
Support-Chatbot	Sehr hoch	Mittel	Mittel	Nach Coding
CVE-Scanner	Hoch	Mittel	Niedrig	Nach Coding
Sprach-Agent	Sehr hoch	Hoch	Hoch	Spaeter
Anomalieerkennung	Hoch	Hoch	Mittel	Spaeter

Empfehlung: Beginnen Sie mit einem Coding-Agenten (Claude Code oder OpenCode). Sie lernen agentische Muster praxisnah, ohne Risiko fuer Produktionssysteme.

---quiz question: Was ist der Hauptunterschied zwischen einem "lokalen" und einem "headless" Agenten? options:

• { text: "Lokale Agenten sind schneller", correct: false }
• { text: "Lokale Agenten laufen auf Ihrer Maschine mit Nutzerinteraktion; Headless-Agenten laufen auf Servern, ausgeloest durch Events, ohne Nutzer", correct: true }
• { text: "Headless-Agenten sind intelligenter", correct: false } feedback: Lokale Agenten laufen interaktiv auf Entwicklermaschinen, wobei der Nutzer Aktionen ueberpruefen und genehmigen kann. Headless-Agenten laufen autonom auf Servern, ausgeloest durch Events, Zeitplaene oder andere Systeme -- ohne Menschen im Loop.

---quiz question: Warum haben Kundensupport-Chatbots den hoechsten ROI fuer die meisten Unternehmen? options:

• { text: "Weil sie am guenstigsten zu bauen sind", correct: false }
• { text: "Sie loesen 70-80% der Tickets automatisch zu $0,10-0,50 pro Stueck vs. $5-15 fuer menschliche Agenten", correct: true }
• { text: "Weil Kunden es bevorzugen, mit KI zu sprechen", correct: false } feedback: Support-Chatbots bearbeiten die hochvolumige, repetitive Arbeit, die den Grossteil der Zeit eines Support-Teams beansprucht. Bei 70-80% automatischer Loesung und 10-30x niedrigeren Kosten pro Ticket ist der ROI sofort und messbar.

---quiz question: Was sollte Ihr erstes agentisches KI-Projekt sein? options:

• { text: "Ein kundenorientierter Sprach-Agent", correct: false }
• { text: "Ein vollstaendiges Multi-Agent-Orchestrierungssystem", correct: false }
• { text: "Ein Coding-Agent -- niedriges Risiko, hoher Lernwert, sofortiger Nutzen", correct: true } feedback: Beginnen Sie mit einem Coding-Agenten, weil er kein Produktionsrisiko hat (laeuft auf Ihrer Maschine), Ihnen agentische Muster praxisnah beibringt und sofortige Produktivitaetsvorteile bietet.