Testphase starten

KI-Agenten in der Immobilienwirtschaft: sieben Use Cases mit CASAFARI-Daten

KI-Agenten wie Claude, ChatGPT oder Cursor arbeiten mit den MCP-Servern und REST APIs von CASAFARI direkt auf bereinigten Immobiliendaten aus 16 Ländern. Diese Seite zeigt sieben erprobte Abläufe: Bewertung mit Vergleichsobjekten, Marktscan nach Bezirken, Standortsuche mit Claro AI, Investment-Screening, Verkäufer-Leads, Partnersuche mit AgentGraph und monatliches Portfolio-Monitoring, jeweils mit den Werkzeugen, die der Agent aufruft.

Jetzt startenMehr zu Casafari MCP

Künstliche Intelligenz entfaltet in der Immobilienwirtschaft erst dann ihren vollen Nutzen, wenn sie auf bereinigte Marktdaten zugreift. CASAFARI liefert KI-Agenten über standardisierte MCP-Server und REST-Schnittstellen direkten Zugriff auf seinen deduplizierten Immobiliengraphen: Über 16 Länder (USA: Markteintritt läuft, ausgewählte Bundesstaaten, nur Gewerbeimmobilien, über Claro AI) hinweg wird jede Immobilie zu genau einem Datensatz zusammengeführt – inklusive aller Preisänderungen und Inserate. Sieben praxiserprobte Workflows zeigen, wie KI-Agenten diesen Datenbestand für Bewertungen, Marktanalysen, Standortentscheidungen und Portfolio-Monitoring einsetzen.

Warum KI-Agenten einen deduplizierten Immobiliengraphen brauchen

Stellen Sie sich ein Netzwerkbüro in München vor, das seinen KI-Agenten fragt: Wie viele Dreizimmerwohnungen sind in Schwabing derzeit im Angebot? Wenn die KI unstrukturierte Daten aus Portalen wie ImmoScout24, Immowelt, Kleinanzeigen und einzelnen Makler-Websites aggregiert, trifft sie auf ein bekanntes Problem. Dieselbe Wohnung wird von mehreren Vermittlern zu unterschiedlichen Preisen angeboten. Ein naiver Sprachassistent zählt das Objekt dreifach und berechnet falsche Durchschnitte.

Der Immobiliengraph von CASAFARI löst diese Fehlerquelle auf der Datenebene. Er führt alle Veröffentlichungen einer Adresse zu genau einem Objekt zusammen und protokolliert jede Preissenkung, jede Statusänderung und die Löschung von Inseraten. Der Agent analysiert dadurch tatsächliche Marktvolumen statt doppelter Datensätze. Erfahren Sie im Hilfebeitrag, was CASAFARI mit doppelt gelisteten Immobilien macht.

Das breite Marktgeschehen verdeutlicht, warum präzise Lokalanalysen unumgänglich sind: Laut Statistischem Bundesamt stieg der bundesweite Häuserpreisindex im 2. Quartal 2026 lediglich um +0,6 % gegenüber dem Vorjahresquartal. Gleichzeitig verzeichneten regionale Schwerpunkte wie Hamburg laut dem vdp-Immobilienpreisindex via Haufe im selben Zeitraum einen Anstieg von +3,8 %. KI-Agenten müssen daher auf bereinigte Kennzahlen einzelner Stadtteile zugreifen können.

CASAFARI stellt seine Immobiliendaten gezielt für KI-Agenten bereit. Über Casafari MCP – Immobiliendaten für KI-Agenten verbinden Anwender ihre Arbeitsumgebungen direkt mit den Datenquellen. Wie der Immobiliengraph Dubletten zusammenführt, beschreibt die technische Dokumentation (englisch).

Use Case 1: Der Bewertungsagent – von der Adresse zur vergleichenden Marktanalyse

Eine Sachverständige in Hamburg-Eimsbüttel bereitet ein Kundengespräch für den Verkauf einer Etagenwohnung aus den 1950er-Jahren vor. Parallel verlangt das Risiko-Team einer Bank eine schnelle Markteinschätzung für ein Beleihungswert-Portfolio.

Der Ablauf lässt sich über den MCP-Server in fünf Schritten strukturieren:

  1. Eingabe: Die Person fragt: „Bewerte die Dreizimmerwohnung, 78 m², Baujahr 1954, Hamburg-Eimsbüttel.“
  2. Ort auflösen: Der Agent ruft das Werkzeug locations_search auf und ermittelt die Standort-ID für Eimsbüttel.
  3. Vergleichsobjekte abrufen: Der Agent sendet die Objektdaten an comparables_get-comparables und erhält passende Vergleichsobjekte sowie eine datenbasierte Preisschätzung.
  4. Trend prüfen: Der Agent ruft die Zeitreihe von Area Insights auf, um die Preisentwicklung pro Quadratmeter im Stadtteil zu ermitteln.
  5. Ergebnis: Die KI verfasst einen Bericht zur vergleichenden Marktanalyse (CMA) mit Schätzwert, Preisspanne, Vergleichsobjekten und Trendverlauf.

Das gesetzliche Vergleichswertverfahren richtet sich nach der Immobilienwertermittlungsverordnung (ImmoWertV). Die Daten von CASAFARI liefern dafür die marktseitige Vorbereitung, während Kaufpreissammlungen der Gutachterausschüsse die amtliche Grundlage bilden. Mehr Informationen finden Sie auf der Produktseite Bewertungen & Marktstudie sowie in den Entwickler-Guides Immobilie mit Comparables bewerten (englisch) und CMA-Bericht für Kunden (englisch).

Der Agent bestimmt den Ort mit Location Lookup, holt Vergleichsobjekte, liest die Preisentwicklung in Area Insights und schreibt einen Bericht.

Use Case 2: Marktscan – welche Bezirke steigen, und wie lange dauert der Verkauf?

Ein Analyst eines Immobilieninvestors in Berlin erstellt zu Wochenbeginn eine Übersicht der Berliner Bezirke, um Preisentwicklungen und die durchschnittliche Vermarktungsdauer zu vergleichen.

Der Agent führt folgende Aufrufe durch:

  1. Auftrag: „Vergleiche die Berliner Bezirke nach Angebotspreis pro Quadratmeter und Vermarktungsdauer.“
  2. Standortbestimmung: locations_search bestimmt die Kennung für Berlin.
  3. Verteilung visualisieren: area-insights_get_heatmap liefert die Preisverteilung über die Bezirke.
  4. Verweildauer auswerten: Über Verteilungsendpunkte liest der Agent die Werte zur Vermarktungsdauer aus.
  5. Dynamik berechnen: area-insights_get_time_series_operations berechnet die jährliche Wachstumsrate (CAGR) und die Volatilität der letzten 36 Monate.
  6. Ausgabe: Der Agent erstellt eine strukturierte Tabelle mit einer zusammenfassenden Analyse.

Die Vermarktungsdauer zeigt, wie schnell Objekte am Markt absorbiert werden. Detaillierte Produktinformationen bietet die Seite Gebietsübersicht (Area Insights). Hilfreiche Anleitungen finden Sie im Hilfe-Artikel Zeitreihen in CASAFARI sowie den Leitfäden Stadtteile per Heatmap vergleichen (englisch) und Vermarktungsdauer auswerten (englisch).

Use Case 3: Standortsuche für Handel, Gastronomie, Fitness und Büro mit Claro AI

Claro AI durchsucht Gewerbeangebote anhand eines Briefings in natürlicher Sprache: Gewerbeflächen zur Miete und zum Kauf in Spanien und Deutschland sowie Gewerbegrundstücke in Deutschland.

Ein Betreiber von Kfz-Prüfstellen sucht in Deutschland nach Gewerbegrundstücken zwischen 1.500 und 6.000 m². In einem aufgezeichneten Beispielfall prüfte Claude über Claro AI 1.279 Grundstücke in Deutschland und verdichtete sie auf sechs bewertete Kandidaten (Stand: 16. Oktober 2026). Für Spezialitätenkaffee in Valencia filterte derselbe Ablauf aus 546 geprüften Ladenlokalen sechs Top-Standorte heraus.

Der Workflow gliedert sich wie folgt:

  1. Anforderung definieren: Eingabe des Anforderungsprofils im Freitext.
  2. Suche: search_premises ermittelt passende Gewerbeflächen, search_plots und get_plot passende Grundstücke in Deutschland.
  3. Standortanalyse: explain_location reichert Standorte in Spanien mit Location Intelligence an (Passantenaktivität und Soziodemografie).
  4. Vergleich: compare_premises stellt die besten Kandidaten einander gegenüber.
  5. Dossier: Der Agent erstellt ein Standortdossier pro Fläche.

Hintergründe zur Standortanalyse finden Sie im Bericht über die Erweiterung der Standortdatenkompetenz und in der Fallstudie Immobiliendaten und globale Expansion. Weiterführende technische Details bieten die Seiten Claro AI Use Cases (englisch) sowie aufgezeichnete Claro-AI-Beispiele (englisch).

Use Case 4: Investment-Screening – Mietrendite nach Gebiet und unter Marktniveau angebotene Objekte

Ein Family Office in Frankfurt sucht in Leipzig und Dresden nach Eigentumswohnungen und Mehrfamilienhäusern, deren Bruttomietrendite über der internen Zielvorgabe liegt.

Der Agent setzt diesen Auftrag folgendermaßen um:

  1. Auftrag: „Zeige die Bruttomietrendite nach Stadtteil in Leipzig und liste Objekte auf, die unter dem Gebietsmedian angeboten werden.“
  2. Geokodierung: locations_search ermittelt die Gebiets-IDs für Leipzig.
  3. Renditeberechnung: Über die Kauf- und Mietpreis-Zeitreihen von Area Insights berechnet der Agent die Bruttomietrendite (jährliche Soll-Miete pro m² geteilt durch den Angebotspreis pro m²).
  4. Objektsuche: Über die REST-Schnittstelle von Property Sourcing filtert der Agent Objekte heraus, deren Quadratmeterpreis unter dem Median des Stadtteils liegt.
  5. Analyse: Die KI stellt eine Auswahlliste zusammen, die auch historische Preisanpassungen ausweist.

Die ermittelten Werte basieren auf Angebotspreisen. Weitere Informationen erhalten Sie auf der Portfolioseite Assetmanagement für Immobilieninvestoren, im Fachbeitrag Mietrendite: warum sie zählt und wie man sie findet sowie in den Entwickler-Tutorials Mietrendite nach Gebiet (englisch) und unter Marktniveau angebotene Objekte finden (englisch).

Use Case 5: Verkäufer-Leads vorqualifizieren ohne Kontaktdaten

Eine Makleragentur in Düsseldorf sucht im direkten Umfeld ihres Büros in Oberkassel nach Immobilien, deren Angebotspreise mehrfach gesenkt wurden – ein Signal für erhöhte Verkaufsbereitschaft.

Der Agent geht wie folgt vor:

  1. Suchauftrag: „Finde Wohnungen im Umkreis von 300 Metern um unser Büro in Oberkassel mit mehreren Preissenkungen.“
  2. Signal-Erfassung: Über die REST-Schnittstelle High Potential Seller Leads identifiziert der Agent Objekte mit wiederholten Preissenkungen im Umkreis von 50 bis 300 Metern um einen Punkt. Die Abfrage sendet einen API-Schlüssel (cf_sk_…) oder ein OAuth Access Token als Bearer-Token im Authorization-Header.
  3. Historie prüfen: Property Sourcing liefert den vollständigen Objekt-Datensatz inklusive Inseratshistorie.
  4. Aufbereitung: Der Agent erstellt eine priorisierte Objektliste. Die Daten enthalten keine Personennamen, Telefonnummern oder E-Mail-Adressen.
  5. Kontaktaufnahme: Die Entscheidung über die Akquise und die eigentliche Ansprache verbleiben bei den zuständigen Mitarbeiterinnen und Mitarbeitern.

Details zu diesem Prozess beschreiben der Artikel darüber, wie agentische KI den Verkäufer-Funnel automatisiert, und der Entwickler-Leitfaden DSGVO-konformer Verkäufer-Workflow für einen KI-Agenten (englisch).

Use Case 6: Partnermakler in Deutschland prüfen mit AgentGraph AI

AgentGraph AI deckt Maklerunternehmen in Deutschland ab und steht verifizierten Unternehmen zur Verfügung. Die Schnittstelle unterstützt Maklernetzwerke bei der Identifikation passender Kooperationspartner.

Ein Franchise-System in München sucht Partnerbüros in Augsburg und Regensburg, die hinsichtlich Objektvolumen und Preissegment zum eigenen Netzwerk passen.

  1. Anfrage: „Welche Maklerbüros in Augsburg entsprechen unserem Partnerprofil?“
  2. Abgleich: agentgraph_screen_agencies gleicht Maklerunternehmen mit dem definierten Anforderungsprofil ab.
  3. Gebietsanalyse: agentgraph_territory_map prüft die geografische Schwerpunktverteilung der aktiven Inserate.
  4. Profilierung: agentgraph_partner_brief erstellt ein detailliertes Unternehmensprofil für die engere Auswahl.
  5. Zusammenfassung: Die KI übergibt ein Entscheidungspapier an die Geschäftsführung.

Von den 13 Werkzeugen in AgentGraph AI arbeiten 11 ausschließlich lesend. Die zwei Schreibfunktionen zur Verwaltung von Beobachtungslisten erfordern eine explizite Bestätigung durch den Nutzer. Lesen Sie dazu auch agentische KI und globale Maklernetzwerke sowie die Dokumentation Partnermakler in Deutschland finden (englisch).

Use Case 7: Portfolio und Watchlist monatlich überwachen

Ein Asset Manager in Frankfurt betreut Wohnungsbestände in zwölf deutschen Stadtteilen und arbeitet mit acht regionalen Maklerbüros zusammen.

Statt manueller Abfragen führt der Agent einen wiederkehrenden Prüflauf durch:

  1. Routine-Start: Der Agent startet den Lauf zu einem festgelegten Stichtag.
  2. Marktdaten aktualisieren: Area Insights liefert aktualisierte Zeitreihen und Verteilungen für die Zielgebiete.
  3. Partner-Aktivitäten prüfen: agentgraph_watchlist_changes erfasst Veränderungen im Objektbestand der beobachteten Maklerbüros.
  4. Vergleich: Die KI vergleicht die aktuellen Werte mit den Daten des Vormonats.
  5. Berichterstattung: Ein einseitiger Management-Bericht fasst Marktveränderungen und auffällige Inseratsentwicklungen zusammen.

Weitere Informationen finden Sie in der Anleitung Maklerbüros und Makler in Deutschland beobachten (englisch).

Was macht CASAFARI KI-Agent-nativ?

CASAFARI stellt seine Datenarchitektur gezielt für den Einsatz durch KI-Systeme bereit. Ein zentrales Konto deckt sämtliche Produkte ab. Abgerechnet wird in Tokens; die Kosten jedes Werkzeugs stehen in seiner Beschreibung.

Die Authentifizierung erfolgt über den Standard OAuth 2.1 mit PKCE und dynamischer Client-Registrierung. Die Anmeldung wird sicher im Browser durchgeführt. Die dabei erzeugten Access Tokens sind auf einen Server beschränkt und besitzen eine Gültigkeit von 15 Minuten. Sie haben nichts mit den Tokens zu tun, in denen die Nutzung abgerechnet wird.

Sicherheitsrelevante Merkmale der Architektur:

  • Schreibschutz: 19 der 21 dokumentierten MCP-Werkzeuge sind reine Lese-Tools.
  • Nutzerkontrolle: Schreibende Operationen erfordern eine Freigabe durch den Anwender.
  • Maschinenlesbarkeit: Sämtliche Schnittstellen und Dokumentationen stehen über llms.txt, OpenAPI-Spezifikationen (/v1/openapi.json) und Markdown-Dateien zur Verfügung.

Weiterführende Informationen bieten das Sicherheitsmodell der Plattform (englisch) sowie das Repository Casafari MCP auf GitHub (englisch).

So starten Sie: Konto, Verbindung, erster Aufruf

Die Anbindung von CASAFARI an KI-Agenten erfolgt in wenigen Schritten:

  1. Konto erstellen: Registrieren Sie ein Konto auf der CASAFARI API- und MCP-Plattform. Der kostenlose Free-Plan enthält 1.000 Tokens für die ersten 30 Tage. Ortsabfragen über Location Lookup kosten 0 Tokens.
  2. Connector einrichten: Binden Sie die gewünschte MCP-Adresse (z. B. für Comparables oder Area Insights) in Ihrem Client ein (Claude, ChatGPT, Cursor, Gemini CLI) und schließen Sie die Anmeldung über OAuth im Browser ab.
  3. Erster Abruf: Starten Sie eine direkte Abfrage zur Ortsauflösung oder Marktvergleichsanalyse.
  4. REST-Produkte nutzen: Erstellen Sie im Dashboard einen API-Schlüssel für Produkte wie Property Sourcing oder High Potential Seller Leads.

Informationen zu den Tarifstrukturen entnehmen Sie den Plänen und Preisen in den FAQ (englisch). Größere Volumina und Teams deckt der Custom-Plan ab, den Sie nach der Anmeldung auf der Plattform anfragen. Eine Übersicht aller Integrationsmöglichkeiten bietet die Seite alle Use Cases auf developers.casafari.com (englisch).

Häufig gestellte Fragen

Kann ich CASAFARI-Daten direkt in Claude oder ChatGPT nutzen?

Ja, sämtliche MCP-Schnittstellen von CASAFARI unterstützen den Verbindungsaufbau zu gängigen KI-Clients. In Claude fügen Sie die entsprechende Server-URL unter Einstellungen → Connectors hinzu und schließen die Authentifizierung ab. In ChatGPT steht die Integration über den Developer Mode bereit.

Was kostet ein Aufruf, und was ist der Unterschied zwischen Tokens und Access Tokens?

Jeder Werkzeugaufruf verbraucht eine feste Anzahl an Tokens aus Ihrem Plan oder aus vorausbezahltem Zusatzguthaben; Ortsabfragen über Location Lookup kosten 0 Tokens. Access Tokens sind dagegen technische OAuth-Schlüssel mit einer Gültigkeit von 15 Minuten, die den Zugriff des Agenten auf einen Server erlauben. Mit der Abrechnung haben sie nichts zu tun.

Ist ein Verkäufer-Lead-Screening durch einen KI-Agenten mit der DSGVO vereinbar?

High Potential Seller Leads liefert ausschließlich immobilienbezogene Daten und Preisentwicklungen ohne personenbezogene Daten wie Namen, Telefonnummern oder E-Mail-Adressen. Die Werkzeuge sind lesend ausgelegt, und die finale Kontaktaufnahme erfolgt stets manuell durch eine berechtigte Person. Eine rechtliche Bewertung der Datenverarbeitung obliegt dem jeweiligen Anwender.

Kann der Agent mich automatisch benachrichtigen, wenn sich etwas in meinem Gebiet ändert?

Nein, automatische Benachrichtigungen per Push oder Webhook gibt es über API und MCP im Self-Service nicht. Stattdessen lassen Nutzer ihren KI-Agenten in festen Abständen einen Prüflauf ausführen. Der Agent ruft dabei in festgelegten Intervallen aktuelle Marktdaten ab und stellt Veränderungen eigenständig zusammen.

Deckt CASAFARI Österreich und die Schweiz ab?

Der CASAFARI-Immobiliengraph deckt 16 Länder (USA: Markteintritt läuft, ausgewählte Bundesstaaten, nur Gewerbeimmobilien, über Claro AI) ab, darunter Deutschland, Österreich und die Schweiz (siehe Länderliste der CASAFARI-Daten). Der Produktumfang unterscheidet sich jedoch nach Markt: AgentGraph AI steht ausschließlich in Deutschland zur Verfügung, während Claro AI Gewerbeflächen in Spanien und Deutschland sowie Gewerbegrundstücke in Deutschland abdeckt.

Ersetzt die Bewertung des KI-Agenten ein Verkehrswertgutachten?

Nein, der KI-Agent liefert eine datenbasierte vergleichende Marktanalyse (CMA) auf Basis aktueller Angebotspreise und Marktverläufe. Ein offizielles Verkehrswertgutachten nach ImmoWertV oder eine Beleihungswertermittlung erfordert weiterhin die Prüfung und Signatur durch qualifizierte Sachverständige. Der Agent übernimmt hierbei die zeitsparenden Recherche- und Aufbereitungsschritte.