Diese Use Cases haben wir schon vor zehn Jahren für Kunden gebaut – bei globalen Technologiekonzernen und in über 100 Projekten. Wir wissen, was im Produktivbetrieb funktioniert, was nur auf einer Folie gut aussieht und wo der echte Nutzen liegt. Hier sehen Sie, wie jeder Use Case damals aussah und wie er heute mit Agentic AI aussieht.
„Nicht mehr alle Kunden gleich behandeln.“
Segmentierung nach Wert, Bedarf und Verhalten mit k-Means und hierarchischem Clustering auf RFM-Merkmalen (Recency, Frequency, Monetary), Demografie und Produktaffinität. Das übliche Ergebnis: sechs bis zwölf benannte Segmente mit Behandlungsregeln, die in die CRM-Kampagnenplanung und die Budgetverteilung einfließen. Aktualisiert wurden die Segmente vierteljährlich, manchmal nur jährlich.
LLMs lesen unstrukturierte Signale – Support-Tickets, Chatverläufe, Produktbewertungen, NPS-Kommentare – und gewinnen daraus Merkmale, die klassisches Clustering nie erfasst hat: Frust im Tonfall, Wünsche, Markenstimmung. Ein Agent für Personas schreibt anschließend automatisch Segmentbeschreibungen, Handlungsempfehlungen und kanalspezifische Texte. Die Segmente werden laufend statt vierteljährlich aktualisiert, und das System meldet, wenn ein Kunde in ein anderes Segment gewandert ist.
„Das richtige Angebot, für den richtigen Kunden, im richtigen Kanal, zum richtigen Zeitpunkt.“
Ein hybrides Empfehlungssystem aus Propensity-Modellen je Produkt (logistische Regression, Gradient Boosting), Collaborative Filtering und Geschäftsregeln für Marge, Verfügbarkeit und Berechtigung. Ergebnis: eine sortierte Angebotsliste je Kunde und Kampagnenzyklus, meist in nächtlichen Batch-Läufen erzeugt und an CRM- oder E-Mail-Systeme übergeben.
Ein Orchestrierungs-Agent entscheidet nicht nur über das Angebot, sondern auch über Zeitpunkt und Kanal – in Echtzeit, auf Basis des jüngsten Surfverhaltens, offener Support-Tickets, der aktuellen Stimmung und des Lagerbestands. Ein Text-Agent formuliert das Angebot im bevorzugten Ton des Kunden. Entscheidungen fallen bei Ereignissen (Warenkorbabbruch, nahendes Vertragsende, nach dem Kauf), nicht in nächtlichen Batches. Das System lernt aus den Reaktionen und aktualisiert die Wahrscheinlichkeiten laufend.
„Wissen, um welche Kunden es sich zu kämpfen lohnt – bevor Sie um die falschen kämpfen.“
Historischer CLV (Umsatz oder Marge bis heute), kombiniert mit einer CLV-Prognose: Pareto/NBD- oder BG/NBD-Modelle, wo es keine Verträge gibt, Überlebenszeit- oder Regressionsmodelle bei Abos und Verträgen. Die Ergebnisse steuern Gebotsgrenzen in der Neukundengewinnung, die Verteilung des Haltebudgets und den Zugang zu Servicestufen – damit Premium-Ressourcen bei Premium-Kunden landen.
Hybride Modelle, in denen LLMs qualitative Signale – Tonfall von Beschwerden, NPS-Kommentare, Qualität der Support-Kontakte – als Merkmale für die probabilistische CLV-Prognose auswerten. So zeigt sich eine verschlechterte Kundenbeziehung, bevor die Transaktionsdaten einen Rückgang zeigen. Ein Beratungs-Agent empfiehlt dann die konkrete Maßnahme (Rabatthöhe, VIP-Onboarding, persönlicher Ansprechpartner), sortiert nach erwartetem CLV-Zuwachs – nicht nur den Score. So können die Teams im Kundenkontakt direkt damit arbeiten.
„Abwanderung erkennen, bevor sie passiert.“
Überlebenszeitanalyse (Cox Proportional Hazards) und Klassifikatoren (Random Forest, XGBoost), trainiert auf Verhaltens-, Transaktions- und Kontaktdaten. Zwei Varianten: Scoring kurz vor der Abwanderung für Kunden innerhalb von 30 Tagen vor dem Absprung und Frühwarnmodelle, die stilles Desinteresse 60–90 Tage im Voraus erkennen. Die Ergebnisse lösen Haltekampagnen im CRM aus.
Ein Multi-Agenten-System ersetzt den einzelnen Score: Ein Agent beobachtet laufend die Verhaltenssignale, ein zweiter wertet Support-Verläufe und NPS-Kommentare auf sich verschlechternde Stimmung aus, und ein dritter entscheidet über die Haltemaßnahme – Angebot, Anruf oder Inhalt – und leitet sie an den passenden Kanal weiter. Entscheidend: Das System erklärt in klarer Sprache, warum ein Kunde gefährdet ist, statt nur eine Wahrscheinlichkeit zu nennen. Ergebnisse, die sie verstehen, nutzen die Teams im Kundenkontakt auch.
„Betrug erkennen wie ein erfahrener Ermittler – in Maschinengeschwindigkeit.“
Anomalieerkennung in Echtzeit auf Transaktions-, Clickstream- und Session-Daten, kombiniert aus Geschäftsregeln, überwachten Klassifikatoren (Gradient Boosting) und unüberwachter Ausreißererkennung (Isolation Forest, Autoencoder). Die Scores fließen in Prüfqueues für Analysten und in automatische Sperrregeln für eindeutige Fälle. Hohe Fehlalarmquoten verärgern echte Kunden und binden Prüfkapazität.
LLM-Agenten prüfen jede markierte Transaktion so, wie es ein erfahrener Ermittler tun würde: Kontohistorie, Geräte-Fingerprint, Plausibilität des Standorts, jüngste Support-Kontakte und aktuelle Stimmung – und liefern neben dem Risikoscore eine schriftliche Begründung. Fehlalarme, an denen klassische Modelle scheitern (ungewöhnliche, aber legitime Transaktionen), werden mit Kontextwissen statt mit pauschalen Regeln behandelt. Jede Entscheidung ist prüffähig dokumentiert – wichtig für die EU-AI-Act-Compliance und die interne Governance.
„Nicht mehr alles dem letzten Klick zuschreiben.“
Kontaktpunkte über Geräte und Kanäle hinweg zu Sessions und vollständigen Customer Journeys zusammenführen. Mit Markov-Ketten und Shapley-Werten wird der Beitrag zur Conversion fair auf alle Kontaktpunkte verteilt. Die Ergebnisse fließen in das Kanal-Reporting zum ROI, in Empfehlungen zur Budgetverteilung und in Targeting-Regeln für das CRM. Meist eine vierteljährliche Übung, geliefert als Dashboard.
Ein Attributions-Agent verarbeitet Journeys laufend statt vierteljährlich. Ein Optimierungs-Agent verteilt das Budget wöchentlich über Paid, Owned und Earned Media neu – innerhalb von Leitplanken, die das Marketing-Team setzt. Ein Erklär-Agent beschreibt die Umschichtung für die Marketingleitung in klarer Sprache und nennt die Journey-Muster, die sie begründen. LLM-Clustering der Journeys macht bisher unsichtbare Typen sichtbar (Rechercheure, Spontankäufer, Mehrfachvergleicher), die feste Attributionsmodelle nicht erkennen.
„Vorhersagen, was kommt – auch das, was alte Modelle nicht sehen konnten.“
ARIMA, Prophet und Gradient-Boosting-Regression mit Kalender-, Feiertags- und Aktionsmerkmalen. Eingesetzt für Absatzprognosen, Kapazitätsplanung im Callcenter, Nachschub und Personaleinsatzplanung. Stark bei stabilen Zeitreihen mit klarer Saisonalität; anfällig, wenn externe Schocks – Lieferengpässe, Schritte der Konkurrenz, ungewöhnliches Wetter – nicht schon als Merkmale erfasst sind.
Nachfrageprognose ist im Kern eine ML-Aufgabe – kein klassischer Agentic-AI-Use-Case. Verändert haben sich die Modelle und die Werkzeuge drumherum. Foundation-Modelle für Zeitreihen (TimesFM, Chronos, Moirai) liefern starke Zero-Shot-Baselines ohne Training je Zeitreihe. Eine agentengestützte Schicht beobachtet externe Signale – Nachrichten, Wetterprognosen, Preise der Konkurrenz, Lieferkettenmeldungen – und bezieht sie automatisch als Kovariaten ein. Eine zweite Komponente erklärt die Prognose in klarer Sprache und meldet Strukturbrüche zur Prüfung durch einen Menschen. Die eigentliche Intelligenz ist ML; die Automatisierung drumherum senkt den Engineering-Aufwand deutlich.
„Nicht mehr warten, bis jemand ins Dashboard schaut.“
BI-Dashboards – Tableau, Power BI, Looker – mit statischen KPI-Ansichten und Schwellenwert-Alarmen. Jemand muss sich anmelden, die Auffälligkeit finden, verstehen, warum sie auftritt, und entscheiden, was zu tun ist. Bis ein Befund bei der richtigen Person ankommt, ist das Zeitfenster zum Handeln oft schon zu. Berichte laufen täglich oder wöchentlich, während sich das Geschäft schneller bewegt. Sind die Schwellen zu weit gefasst, stumpfen die Empfänger gegenüber Alarmen ab. Subtile Muster aus mehreren Faktoren – die keine einzelne Schwelle überschreiten – bleiben ganz unbemerkt.
Ein Monitoring-Agent beobachtet laufend Live-KPIs und Datenströme. Verschiebt sich etwas – eine schrumpfende Marge, eine wachsende Gruppe abwanderungsgefährdeter Kunden, eine Nachfrage, die von der Prognose abweicht –, löst er nicht nur einen Alarm aus. Er gleicht den Kontext ab: Saisonalität, laufende Kampagnen, Ereignisse in der Lieferkette, Zusammensetzung der Kundensegmente. Er formuliert in klarer Sprache eine Hypothese, was passiert und warum, fügt die relevanten Daten bei und leitet den Befund mit einem Handlungsvorschlag an die richtige Person – bevor diese überhaupt nachgesehen hätte.
Die Zeit zwischen „etwas hat sich verändert“ und „jemand handelt“ schrumpft von Tagen auf Minuten. Und anders als ein Dashboard verknüpft der Agent Signale über Systeme hinweg – CRM, ERP, Web-Analytics, Betrieb –, die kein einzelnes BI-Tool automatisch zusammenführt.
Wir haben diese Use Cases im Produktivbetrieb umgesetzt – in Fertigung, Handel, Finanzdienstleistung, Telekommunikation und Gesundheitswesen. Ein 30-minütiges Gespräch reicht, um zu sehen, wo in Ihrem Umfeld der echte Nutzen liegt.