Use Cases
Konkrete Arbeit statt Konzepte
Drei Projekte, die die Bandbreite zeigen — von Daten-Mappings bis zu vollständig agentischem Betrieb, jeweils mit dem Weg, wie wir es wirklich bauen.
Quell-zu-Ziel-Mappings für Dynamics 365
Alt-Daten aus CRM und ERP passen selten in das Schema eines neuen Systems. Wir nutzen LLM-gestütztes Schema-Mapping, um Feld-für-Feld-Zuordnungen von Quelle zu Ziel vorzuschlagen — Kunden, Aufträge, Custom Entities —, validieren jeden Datensatz gegen das Zielschema und leiten unsichere Mappings in eine menschliche Prüf-Queue. Das Ergebnis: eine wiederholbare, auditierbare Migrations-Pipeline nach Dynamics 365 statt monatelanger Excel-Handarbeit.
- Mapping-Vorschläge — erzeugt aus Schema und Beispieldaten, jeder mit Confidence-Score.
- Deterministische Validierung — jeder Datensatz wird vor jedem Schreiben gegen das Zielschema geprüft.
- Prüf-Queue — freigegebene Mappings werden zu wiederverwendbaren, versionierten Regeln für den nächsten Batch.
Ein Agent im ServiceNow — nicht daneben
Für den IT-Betrieb bauen wir Agenten, die im Ticketfluss leben — schon bei der Aufnahme: Nutzer melden Probleme in Microsoft Teams, im Copilot oder in einem Chat, der per API oder Web-Embedding in jede Ihrer Apps eingebettet ist. Der Agent macht aus dem Gespräch ein sauberes, vollständiges Ticket, triagiert, zieht per Retrieval die passenden Knowledge-Base-Artikel und Runbooks und entwirft Lösungen sowie Statusberichte auf Abruf.
- Omnichannel-Aufnahme — Teams, M365 Copilot oder eingebetteter Chat in jeder App; derselbe Agent, derselbe Vertrag.
- Fundierte Entwürfe — Retrieval über KB und Runbooks, mit Quellenangaben in jedem Entwurf.
- Freigabe vor Write-back — ServiceNow-APIs werden erst nach menschlicher Freigabe aufgerufen; jeder Schritt getraced, jede Aktion umkehrbar.
FounderOS — unser eigenes agentisches Produkt
Wir bauen Agenten nicht nur für Kunden. Mit FounderOS — auf Antlet.OS, unserer eigenen Peer-Plattform — entwickeln wir eine agentengetriebene Betriebsschicht für Unternehmensgründer: unabhängige Peer-Agenten, die die operative Last tragen — Dokumente, Workflows, Follow-ups. Was wir dort lernen, fließt direkt in die Kundenarbeit zurück.
- Unabhängige Peers — jede Domäne läuft als eigener Peer mit privatem Hintergrundgraph und spricht A2A + Antlet-Semantik.
- Simulationsgetestet — simulierte Gegenstück-Peers erlauben End-to-End-Tests kompletter Journeys, bevor etwas live geht.
- Feedback-Schleife — hier bewährte Muster werden zur Schicht, die wir in Kundenprojekten liefern.
Ihr Use Case könnte Case 04 sein
Bringen Sie einen Prozess, ein System oder ein Datenproblem mit — wir klären Machbarkeit, Risiken und einen realistischen Weg in die Produktion im kostenlosen Erstgespräch.