KI-Automatisierung: KI-Workflows statt starrer Regeln

Was ist KI-Automatisierung und was unterscheidet sie von klassischer Automation?

Wenn du einen Ablauf direkt umsetzen lassen willst: Der Automatisierungs-Sprint kostet ab 1.490 € einmalig. Dafür bekommst du einen Prozess als n8n-Workflow, zum Festpreis und fertig in 1–2 Wochen. Wenn du erst wissen willst, wo sich Automatisierung bei dir lohnt, ist die kostenlose Website-Analyse ein guter Einstieg.

Klassische Automatisierung funktioniert nur, wenn die Welt exakt so aussieht, wie man sie beim Programmieren erwartet hat. Sobald ein Dokument anders formatiert ist, ein E-Mail-Betreff variiert oder ein Datensatz fehlt, bricht der Prozess.

Ein Sprachmodell kann einen schlecht formatierten Text trotzdem richtig lesen, eine E-Mail nach ihrem Anliegen einordnen oder aus einem unstrukturierten Dokument saubere Felder ziehen. Das macht aus einem empfindlichen Skript einen Ablauf, der Abweichungen im Eingang verkraftet.

• Verständnis: Text, Tabellen, Bilder – KI erkennt Bedeutung, nicht nur Muster
• Flexibilität: Variationen im Input werden toleriert statt zu Fehlern zu führen
• Entscheidung: Statt hartcodierter If-Else-Logik übernimmt das Modell die Klassifikation

In der Taverne gilt dabei eine Regel: Das Modell schlägt vor, der Code prüft. Was die KI liefert, landet als festes Format (meist JSON) im Ablauf und wird dort gegen Regeln geprüft, bevor etwas passiert.

Drei KI-Abläufe, die bei mir produktiv laufen

Die folgenden Abläufe laufen nicht als Demo, sondern im Alltag. Die Zahlen stammen aus den eigenen Protokollen der jeweiligen Systeme.

Bewerber-Bot für einen Träger der Kinder- und Jugendhilfe. Vorher wurden Bewerbungen und Hilfeanfragen aus dem Postfach von Hand in die Verwaltung übertragen. Heute liest ein lokales Modell (LM Studio) jede Mail und zieht die Felder als JSON heraus. Klappt das nicht, übernimmt der alte Regel-Parser. Jeden Morgen um 8 Uhr gibt es eine Übersicht, der Status wird alle 15 Minuten abgeglichen. Von Februar bis September 2026 kamen 7 bis 29 Bewerbungen und 20 bis 28 Hilfeanfragen pro Monat an. Insgesamt wurden 92 Bewerbungen und 201 Anfragen direkt aus Mails übernommen, ohne API-Kosten, weil alles lokal läuft. Details in der Fallstudie Bewerber-Bot.

Content-Automatik für kids24.de. Vorher hieß ein Ratgeberartikel: Thema suchen, Text schreiben, einstellen. Heute entsteht drei Tage vor dem geplanten Termin ein KI-Entwurf, der die Suchdaten der letzten 90 Tage berücksichtigt. Die Redaktion bekommt eine Vorschau-Mail mit „Jetzt veröffentlichen“ und „Stoppen“. Am Termin geht der Artikel ab 9 Uhr live, wenn die Prüfung passt. Seit März liefen dafür 180 kurze Hilfsaufrufe mit gpt-5.4-mini und 17 Artikelentwürfe mit gpt-5.6-sol. Mehr in der Fallstudie kids24.de. Ein ähnlicher Ablauf läuft für Clean & Green Sylt: täglich um 06:20 entstehen fällige Ratgeberartikel aus einem Jahresplan samt KI-Coverbild, seit dem 8. September sieben Stück, drei davon veröffentlicht.

Bankabgleich in AgencyOS. In AgencyOS, meinem eigenen Agentur-System, ordnet ein Modell Kontoumsätze den offenen Rechnungen und Ausgaben zu. Der Prompt enthält Beispiele für Grenzfälle, etwa eine PayPal-Teilzahlung über 104,98 € gegen eine Rechnung über 101,83 € oder eine Zahlung in US-Dollar gegen eine Euro-Rechnung. Die Antwort kommt als festes JSON, die Temperatur steht auf 0,05. Der Code verwirft jeden Vorschlag unter einer Konfidenz von 0,55, mit falschem Vorzeichen oder mit unbekannter ID. Bei Unsicherheit gibt es also keinen Treffer, und der Mensch entscheidet.

Gegenbeispiel: KI nur gezielt. Ein n8n-Workflow für eine Telegram-Community lief in 14 Tagen 3.098 Mal, also rund 220 Mal am Tag, ohne Fehler. Die KI-Knoten darin starten nur, wenn jemand den Bot direkt anspricht. Das ist in diesem Zeitraum kein einziges Mal passiert, der Rest ist Protokoll und Filter. Bei Andresen Immobilien kommen die Exposés stündlich per Propstack-Export, komplett ohne KI. Nicht jeder Ablauf braucht ein Sprachmodell.

Was KI-Automatisierung kostet

Die Kosten bestehen aus zwei Teilen: dem einmaligen Aufbau und dem laufenden Betrieb. Den Aufbau eines klar abgegrenzten Prozesses biete ich als Sprint ab 1.490 € an. Die laufenden Kosten pro Modellaufruf sind meist kleiner, als viele erwarten.

Praxiswerte aus der Werkstatt (Stand Oktober 2026), gemessen über 90 Tage in meinem eigenen KI-Gateway (LiteLLM), Rohkosten der Modell-Anbieter in US-Dollar:

• Einordnen und kurze Antworten: mit gpt-5.4-mini im Median 0,001 $, im Schnitt 0,0013 $ pro Anfrage (durchschnittlich 1.648 Tokens rein, 102 raus). claude-haiku-4-5 liegt mit rund 0,002 $ ähnlich.
• Viel Kontext, kurze Antwort: mit gemini-3.1-flash-lite im Median 0,0016 $ bei durchschnittlich 13.200 Tokens Eingang.
• Lange Texte: mit gpt-5.6-sol im Median 0,019 $, im Schnitt 0,033 $ (2.400 Tokens rein, 1.260 raus). claude-sonnet-5-5 kommt im Schnitt auf 0,047 $, gpt-5.5 auf 0,062 $.
• Ein ganzer Ratgeberartikel: bei kids24.de rund 14.800 Tokens rein und 2.700 raus, daraus abgeleitet etwa 0,05 bis 0,10 $.
• Bilder: mit gpt-image-2 im Schnitt rund 0,04 $ je Bild als Rohkosten. Ein Coverbild in 1536×1024 kostet Kunden über das Portal 0,22 €.
• Lokales Modell: 0 € API-Kosten. Im Oktober liefen 1.742 Anfragen lokal auf einem eigenen Mac mini.
• Antwortzeit: im Schnitt 2,8 Sekunden je Chat-Anfrage über das Gateway (13. September bis 19. Oktober).

Lokal ist nicht automatisch die bessere Wahl. Ein Analysebericht dauert mit Qwen3-32B 96 Sekunden statt 15 Sekunden mit einem kleineren Modell. Das kleinere kam im Test mit 12 Fällen aber nur auf einen F1-Wert von 0,20 statt 0,79, deshalb läuft dort das große. Wie man Modelle auf eigener Hardware betreibt, steht unter Lokale LLMs.

Typische Fehlerfälle und wie ich sie abfange

Ein KI-Ablauf ist erst fertig, wenn klar ist, was bei einem Fehler passiert. Diese Fälle sind bei mir tatsächlich aufgetreten:

• Das Modell antwortet mit einem Fehler. Beim Bewerber-Bot passierte das zwischen Ende Juli und Mitte Oktober 66 Mal. Jedes Mal hat der Regel-Parser übernommen, es ging kein Datensatz verloren.
• Die Antwort bricht mitten im Text ab. Ein abgebrochener Stream lieferte halbes JSON ohne finish_reason, der Artikel blieb leer. Heute erkennt der Code das und fordert die Antwort einmal neu an.
• Die KI erzeugt mehr, als sie soll. Eine KI-Automatik in Paperless hat ungebremst neue Schlagworte angelegt. Aufgeräumt wurde von 2.415 auf 40 Tags. Seitdem gilt: Ausgaben der KI auf feste Listen abbilden und begrenzen.
• Ein Job läuft still nicht mehr. Ein nächtlicher Lauf ist wochenlang ausgefallen, weil eine Sperrdatei falsche Rechte hatte, und niemand hat es bemerkt. Seit Oktober meldet jeder Job jeden Lauf an eine zentrale Übersicht.
• Die Ergebnisse werden eintönig. Generierte Bilder zeigten immer dieselbe Szene. Jetzt gibt es eine feste Liste an Bildansätzen, die zufällig gezogen werden, ohne die letzten fünf zu wiederholen.

Viele dieser Fehler entstehen nicht im Modell, sondern drumherum. Gute Anweisungen helfen (Prompt Engineering), entscheidend sind aber Prüfungen im Code und eine Meldung, wenn etwas ausbleibt.

Stack und Einstieg: Wie ich KI-Automatisierung aufbaue

Für die meisten meiner KI-Workflows ist n8n das Herzstück. Die Plattform verbindet Trigger (Webhooks, Cron, HTTP), Datenverarbeitungsschritte und KI-Knoten zu einem visuellen Workflow, ohne dass jeder Schritt von Hand geskriptet werden muss. Wo ein Ablauf eng mit einer bestehenden Anwendung verzahnt ist, wie der Bankabgleich, sitzt die Logik direkt im Code der Anwendung und spricht das Modell über APIs an.

Für die Sprachmodell-Aufrufe nutze ich je nach Aufgabe zwei Wege:

• Lokale Modelle: Für alles, wo Datenschutz zählt oder viele Aufrufe anfallen. Bei mir läuft das über LM Studio auf eigener Hardware. Mehr dazu unter Lokale LLMs.
• Cloud-APIs (OpenAI, Anthropic, Google): Für Aufgaben, die mehr Leistung brauchen. Alle Aufrufe laufen über ein eigenes Gateway, das Kosten und Antwortzeiten pro Projekt mitschreibt.

Muss das Modell auf eigene Dokumente zugreifen, kommt RAG dazu. Soll es selbst entscheiden, welche Werkzeuge es nutzt, wird daraus ein KI-Agent. Für die meisten Abläufe im Betrieb reicht ein fester Workflow mit einem klar begrenzten KI-Schritt.

n8n, Make oder Zapier?

Alle drei verbinden Dienste zu Abläufen und haben KI-Bausteine. Die Unterschiede liegen weniger im Funktionsumfang als im Betrieb:

• Datenstandort: n8n lässt sich selbst hosten, die Daten bleiben dann auf deinem Server. Make und Zapier laufen als Cloud-Dienst beim Anbieter.
• Abrechnung: n8n rechnet in der Cloud-Version nach Workflow-Ausführungen ab, selbst gehostet fällt nur der Server an. Make zählt Operationen, Zapier Tasks, also einzelne Schritte. Bei Abläufen mit vielen Schritten pro Lauf macht das einen spürbaren Unterschied.
• Eigener Code: n8n hat Code-Knoten für JavaScript und Python. Bei Make und Zapier ist eigener Code möglich, aber enger begrenzt.
• Lernkurve: Zapier ist am schnellsten erlernt, Make liegt in der Mitte. n8n verlangt mehr technisches Verständnis, vor allem beim Selbst-Hosting.

Ich setze auf n8n, weil es auf dem eigenen Server läuft: Ablauf, Zwischenstände und Protokolle liegen dort und nicht bei einem US-Anbieter. Nur was du bewusst an ein Cloud-Modell schickst, verlässt den Server, und lokale Modelle lassen sich direkt anbinden. Für einen einzelnen Ablauf mit wenigen Schritten und ohne sensible Daten kann Zapier oder Make die einfachere Wahl sein. Mehr zur Praxis unter n8n Workflows.

Für wen sich KI-Automatisierung lohnt

• Handwerk: Anfragen sortieren, Angebote vorbereiten, Termine abstimmen. Konkrete Beispiele unter KI für Handwerksbetriebe.
• Immobilien: Exposés, Anfragen und Objektdaten zwischen Systemen abgleichen. Siehe Websites für Immobilienmakler und die Fallstudie Andresen Immobilien.
• Soziale Träger und Verwaltung: viele Mails mit ähnlichem Aufbau und sensible Daten. Hier spielt das lokale Modell seine Stärke aus, wie im Bewerber-Bot.
• Betriebe auf Sylt: kurze Wege, persönliche Abstimmung vor Ort. Mehr unter Webentwicklung auf Sylt.

KI-Workflows automatisieren: vom ersten Prozess zum laufenden System

„KI und Automatisierung“ klingt nach Großprojekt. In der Werkstatt heißt das konkret: ein Eingang (Mail, Webhook, Datei), ein Modell, das den Inhalt versteht, und ein Ausgang ins bestehende System. Genau so entstehen KI-Workflows, die ich in n8n baue statt in einer neuen Plattform.

Ein klar abgegrenzter Prozess ist in 1–2 Wochen als Automatisierungs-Sprint buchbar. Länger dauert es, wenn viele Systeme parallel angebunden werden oder erst die Prozesslage unklar ist. Fallbeispiele stehen unter Fallstudien.

Woran du erkennst, ob sich ein Ablauf eignet

Bevor ich etwas baue, gehe ich mit dir diese Punkte durch:

• Der Eingang ist bekannt. Du weißt, woher die Daten kommen: ein Postfach, ein Formular, ein Export. Kommt jede Anfrage über einen anderen Kanal, wird zuerst der Kanal vereinheitlicht.
• Das Ergebnis ist prüfbar. Ein Feld, eine Kategorie, eine Zuordnung lässt sich gegen Regeln prüfen. „Schreib etwas Gutes“ lässt sich nicht automatisch prüfen und braucht eine Freigabe.
• Die Menge rechtfertigt den Aufbau. Ein Ablauf, der zweimal im Jahr vorkommt, lohnt selten. Einer, der jede Woche wiederkehrt, eher.
• Ein Fehler ist verkraftbar. Wo eine falsche Entscheidung teuer wäre, schlägt die KI nur vor und ein Mensch bestätigt, wie beim Bankabgleich.
• Der Datenschutz ist geklärt. Personenbezogene oder vertrauliche Daten verarbeite ich lokal. Für unkritische Inhalte wie öffentliche Ratgebertexte reicht die Cloud.