# Vom KI-Chat zur agentischen Plattform: coreAI verändert den Arbeitsprozess

coreAI hat den Schritt vom KI-Chat zur agentischen Plattform vollzogen: der Assistent beantwortet nicht nur Fragen, sondern handelt – er sucht, zieht frische Echtzeitdaten direkt aus den Fachsystemen und führt komplexe Aufgaben über das Model Context Protocol (MCP) im Auftrag der Nutzer aus. coreAI begann als KI-Chat, der präzise Antworten aus eigenen Inhalten gab, und die Verschiebung macht die Lösung vom reinen Antwortwerkzeug zur integrierten Arbeitsplattform, die echten Wert schafft.

![Architekturskizze: ein Nutzer fragt coreAI, das über KI-Suche und agentischen Modus per MCP Echtzeitdaten von Profixio und einer Autowerkstatt abruft](/articles/from-chat-to-agentic-platform-architecture.webp)

## KI-Suche ist nur der Anfang

KI-Suche ist oft das Erste, was Kunden einsetzen: ein dialogbasierter Einstieg in alles, was das Unternehmen weiß. Sie liefert präzise Antworten aus eigenen Inhalten und ist für die meisten Partner der einfachste Startpunkt. Siehe die [Lösung für KI-Suche](https://coreai.no/de/solutions/ai-search).

## Agentischer Modus macht aus Chat Handlung

Wenn die Antwort Echtzeitdaten oder eine Handlung erfordert, geht coreAI in den agentischen Modus. Der Assistent plant über mehrere Schritte, führt eine Abdeckungsprüfung durch und sucht erneut, wenn die Antwort dünn ist, und ruft externe Werkzeuge über das Model Context Protocol (MCP) auf. Der MCP-Server entscheidet, was ein bestimmter Nutzer tatsächlich tun darf – es gilt das bestehende RBAC des Fachsystems, keine neue Autorisierung in der KI-Schicht. Mehr in den Artikeln zu [agentischem Modus](https://coreai.no/de/articles/agentic-mode) und [MCP](https://coreai.no/de/articles/mcp).

## Die Anwendungsfälle, die den Arbeitsprozess verschieben

Drei Anwendungsfälle schaffen heute den meisten Wert, alle auf demselben Plattformkern:

- **Kundenservice**: Der Assistent beantwortet Anfragen, schlägt Bestellungen nach, eskaliert Fälle und aktualisiert den Status, ohne den Kunden in eine Warteschlange zu schieben. [Siehe die Kundenservice-Lösung](https://coreai.no/de/solutions/customer-service).
- **Einkaufsliste und Produktentdeckung**: Der Nutzer beschreibt den Bedarf, coreAI findet die Produkte und legt sie auf die Einkaufsliste. [Siehe die Einkaufsliste in der Praxis](https://coreai.no/de/solutions/shopping-list).
- **Wissensbasis und Suche**: Hybride Suche über Quellen hinweg mit Antworten, die eigene Inhalte zitieren. [Siehe die Wissensbasis](https://coreai.no/de/solutions/knowledge-base).

Die nächsten beiden Beispiele zeigen, wie das in der Praxis aussieht.

## Beispiel: Profixio löst das Sport-Puzzle in Echtzeit

Profixio schlägt frische Sportdaten in Echtzeit über MCP nach, statt sich ständig ändernde Informationen im Voraus zu synchronisieren. Profixio ist ein IT-Unternehmen, das das digitale Rückgrat für den Sport liefert – ein System, das alles von Turnier- und Cup-Anmeldungen über Verbandsverwaltung und Lizenztransfers bis hin zu anspruchsvollen Spielplänen abdeckt, bei denen freie Plätze, Anfahrtswege und Wünsche zusammenpassen müssen.

Es ist ein enormes Puzzle aus Regeln, Daten und Menschen. Wenn Spieler, Eltern oder Trainer coreAI nutzen, um Spielpläne oder Ergebnisse zu finden, schlägt der Assistent direkt in der Datenbank nach und gibt eine aktuelle Antwort in Echtzeit. Der Kunde sieht nie veraltete Informationen, und Profixio muss keine teuren, maßgeschneiderten Integrationen bauen.

## Beispiel: Autowerkstatt automatisiert 90 % der Kundenreise

Eine Autowerkstatt kann coreAI nutzen, um volle 90 % aller Kundenanfragen rund um die Uhr eigenständig zu lösen. Agentische KI wird über eine in den Chat integrierte Kundenreise direkt zum Verbraucher gebracht und lässt den Assistenten alles von einfachen bis zu anspruchsvollen Aufgaben in drei Phasen übernehmen:

- **Phase 1 – Buchung und Hybridunterstützung**: Kunden schließen Terminbuchungen direkt im Chat ab, und das System sorgt für eine nahtlose Übergabe an den menschlichen Kundenservice, falls ein Problem auftritt.
- **Phase 2 – intelligente Preise**: Fragt ein Kunde nach dem Preis einer Wartung, führt der Assistent eine Abfrage durch, um genau zu ermitteln, welche Teile und wie viel Arbeitszeit das jeweilige Fahrzeugmodell erfordert, und nennt sofort einen exakten Standardpreis.
- **Phase 3 – komplexe Reparaturen**: Der Assistent berechnet Preise für anspruchsvolle Fehler und wählt automatisch die günstigsten Teileoptionen, um eine optimale Marge für die Werkstatt zu sichern.

Das ist agentische KI in der Praxis: Der Assistent versteht das Problem, schlägt über MCP die Fahrzeugdaten und das Preissystem der Werkstatt nach, berechnet ein Angebot und bucht den Termin.

## So legen Sie los

Beginnen Sie mit einem Anwendungsfall, bei dem die Daten bereits vorhanden sind – zum Beispiel einer KI-Suche auf der eigenen Wissensbasis. Sie müssen nicht am ersten Tag mit der gesamten Kundenreise starten. Sobald der erste Fluss steht, schließen Sie ein Fachsystem über MCP an und lassen den Assistenten handeln, nicht nur antworten. [Sehen Sie den gesamten Lösungskatalog](https://coreai.no/de/loesungen), um den einfachsten Einstieg zu finden.