Agentic AI: Optimierung von Arbeitsprozessen

Eckdaten

Art Interdisziplinäres Projekt
SWS 5
Kategorie Management und IT (338025-338027 bzw. 338085-338087)
Prüfungsform Kombinierte Modulprüfung (KMP) mit Vorprüfungsleistung
Sprache Deutsch
Projektpartner Mercedes-Benz
Blocktage 28. September bis 1. Oktober 2026, jeweils 09:00 bis 17:00 Uhr, Raum I010
Wöchentlicher Termin Dienstag, 11:45 bis 13:15 Uhr, Raum I010
Betreuung Prof. Dr. Jan Kirenz

Worum es geht

Ziel des Projekts ist es, Potenziale von Agentic AI für den internen Wissenszugang, die operative Unterstützung und die Optimierung von Vertriebsprozessen im Bereich Digitalisierung Mercedes-Benz Members aufzuzeigen und praxisnah nutzbar zu machen. Mercedes-Benz bringt den Anwendungsfall, die Daten und das Domänenwissen ein, wir entwickeln gemeinsam einen funktionsfähigen Prototypen und bewerten dessen Nutzen.

Berufliche Relevanz

Agentic AI gehört derzeit zu den gefragtesten Themen an der Schnittstelle von Wirtschaft und IT. Nach dem Projekt können Sie mehr als Konzepte erklären: Sie haben mit einem großen Unternehmen einen echten KI-Agenten gebaut, mit Werkzeugen, die in der Praxis tatsächlich eingesetzt werden. Das ist ein konkretes Referenzprojekt für Bewerbungen, und die Muster dahinter (Automatisierung, Retrieval, Agenten, Evaluation) lassen sich auf viele andere Aufgaben übertragen.

Der Use Case: Preislisten- und Konfigurationsagent

Mercedes-Benz stellt ausgewählte Fahrzeug-Preislisten für klar definierte Baureihen sowie die zugehörige Car Policy bereit. Die Preislisten enthalten verfügbare Ausstattungen, dreistellige Sonderausstattungscodes, Preisinformationen und dokumentierte Abhängigkeiten.

Auf dieser abgegrenzten Datenbasis entwickeln Sie mit n8n und LangChain einen funktionsfähigen Prototypen. Dieser soll die bereitgestellten Dokumente automatisiert einlesen, relevante Inhalte strukturiert aufbereiten und intelligent abfragbar machen. Darüber hinaus soll der Agent Mitarbeitende bei der schrittweisen Zusammenstellung von Fahrzeugausstattungen unterstützen und seine Vorschläge transparent auf die verwendeten Quellen zurückführen.

Ziel ist es zu bewerten, ob sich statische Preislisten und Regelwerke in einen nachvollziehbaren Beratungsassistenten überführen lassen.

Infografik: Preislisten und Car Policy werden mit n8n eingelesen, strukturiert aufbereitet und über einen LangChain-Agenten als Ausstattungsvorschläge mit Quellenangabe abfragbar gemacht.

Geplanter Umfang

  • Automatisiertes Einlesen und Extrahieren relevanter Inhalte aus den Preislisten
  • Strukturierte Zuordnung von Ausstattungen, Sonderausstattungscodes und Preisen
  • Abbildung der in den Preislisten dokumentierten Abhängigkeiten
  • Einbeziehung der Car Policy mit verpflichtenden Ausstattungen je Modelltyp
  • Interaktive Abfrage der bereitgestellten Informationen
  • Iterative Entwicklung von Ausstattungsvorschlägen für definierte Baureihen
  • Transparente Anzeige der jeweils verwendeten Quellen
  • Qualitätsbewertung anhand definierter fachlicher Prüffälle
  • Prüfung von Quellenbezug, Konsistenz und Berücksichtigung der Car Policy
  • Einfacher Prozess zum Einspielen neuer oder aktualisierter Preislisten

Ablauf im Semester

  • 4 Blocktage vor Beginn der Vorlesungszeit (28. September bis 1. Oktober 2026, jeweils 09:00 bis 17:00 Uhr, Raum I010): Einführung in Agentic AI, die verwendeten Frameworks und die Aufgabenstellung des Partners.
  • Wöchentlicher Termin während der Vorlesungszeit (Dienstag, 11:45 bis 13:15 Uhr, Raum I010): Arbeitsphasen im Team, Reviews und Abstimmungen mit dem Projektpartner.
  • Am Semesterende präsentieren Sie Ihre Prototypen und die Evaluationsergebnisse.

Prüfungsleistung

Die Modulprüfung ist eine kombinierte Modulprüfung (KMP) mit vier Komponenten und einer vorgelagerten, unbenoteten Vorprüfungsleistung. Die Details mit Bewertungskriterien werden zum Projektstart auf der Projektseite für Teilnehmende veröffentlicht.

Komponente Gewicht Termin
Vorprüfungsleistung: Online-Kurse (individuell) unbenotet 17.11.2026
Zwischenpräsentation 10 % 01.12.2026
Abschlusspräsentation mit Live-Demo beim Projektpartner 10 % Woche vom 26.01.2027
Prototyp (GitHub-Repo, reproduzierbar, mit n8n und LangChain/LangGraph in Python) 50 % Abgabe 12.02.2027
Dokumentation und Evaluation (GitHub-Wiki mit Evaluationsbericht anhand fachlicher Prüffälle) 30 % Abgabe 12.02.2027

Prototyp, Dokumentation und Präsentationen werden im Team erbracht. Für die Vorprüfungsleistung belegt jede:r Studierende vorgegebene Online-Kurse zu n8n, LangChain/LangGraph und Agentic AI und erreicht im jeweiligen Abschlussquiz mindestens 80 %. Die Quizze können beliebig oft wiederholt werden. Die Kursliste wird zu den Blocktagen bekannt gegeben.

Technologien und Frameworks

Womit Sie arbeiten werden:

  • n8n: verbindet Dokumente, Datenquellen und KI-Agenten zu automatisierten Workflows, eines der Standardwerkzeuge für Automatisierung in Unternehmen
  • LangChain: das verbreitetste Framework für LLM-Anwendungen, hier für Dokumentenverarbeitung und quellenbasierte Antworten
  • LLM-APIs: Claude oder GPT als Kern des Agenten
  • Python für die Prototyp-Entwicklung

In n8n und LangChain führen wir in den Blocktagen ein; Grundkenntnisse in Python sollten Sie aber bereits mitbringen.

Voraussetzungen

  • Affinität für neue Technologien und Interesse an KI-Anwendungen im Unternehmenskontext
  • Grundkenntnisse in Python
  • Bereitschaft zur Teamarbeit und zur Abstimmung mit einem Unternehmenspartner

Was Sie lernen

  • Agentenbasierte KI-Systeme konzipieren, prototypisch umsetzen und kritisch bewerten
  • Dokumentenverarbeitung und Retrieval (RAG) mit LangChain praktisch einsetzen
  • Workflows mit n8n automatisieren und in bestehende Prozesse integrieren
  • Ergebnisse anhand fachlicher Prüffälle evaluieren und vor einem Unternehmenspartner präsentieren

Bewerbung und Kontakt

Die Vorstellung der Projekte und die Platzvergabe laufen über den Moodle-Kurs der Fakultät. Bei Fragen vorab: kirenz@hdm-stuttgart.de