KI-Workflows mit n8n entwickeln

KI-Workflows mit n8n entwickeln

0:00 Ein Sprachmodell antwortet immer. Das ist seine große Stärke und zugleich die Eigenschaft, die man beim Bauen ständig im Kopf behalten muss: Es sagt Ihnen nie „das weiß ich nicht", es sagt Ihnen etwas Plausibles. Ob das auch richtig ist, weiß der Workflow drumherum — oder eben niemand. Die drei Tage bis hierhin waren die Vorbereitung auf genau diesen Punkt.

0:21 Alles, was wir über Prüfungen, Fehlerpfade und Akzeptanzkriterien gelernt haben, wird jetzt gebraucht. Denn KI macht Automatisierung nicht einfacher. Sie macht sie leistungsfähiger und anspruchsvoller zugleich.

KI-Workflows mit n8n entwickeln

0:35 Willkommen am vierten Tag. Heute geht es um KI in Workflows — und zwar von unten nach oben. Wir beginnen mit der Frage, wo KI überhaupt trägt und wo eine Regel besser ist. Dann die Bausteine: Modelle, Prompts und, besonders wichtig, die erzwungene Struktur der Ausgabe. Danach Kosten, Latenz und Modellwahl — die kaufmännische Seite, die gern übersehen wird.

0:57 Und zum Schluss die Risiken: Datenschutz, manipulierte Eingaben und die Frage, wer am Ende verantwortet, was das Modell vorgeschlagen hat.

Wo KI trägt und wo nicht

1:06 Fangen wir mit der Abgrenzung an. Der Unterschied zwischen einer Regel und einer Wahrscheinlichkeit ist der wichtigste Gedanke dieses ganzen Tages — und er entscheidet, welche Aufgabe Sie einem Modell überhaupt geben sollten. Klassische Automatisierung ist deterministisch: Dieselbe Eingabe ergibt dasselbe Ergebnis, heute wie in einem Jahr. Ein Sprachmodell ist probabilistisch.

1:28 Es liefert eine plausible Antwort, keine garantiert richtige. Und jetzt der Satz, auf den es ankommt: Das ist kein Mangel, sondern die Eigenschaft, um derentwillen man es einsetzt. Ein deterministisches System kann Freitext nicht einordnen — es kennt die Formulierung nicht, die der Kunde gewählt hat. Ein Modell kann das.

1:48 Der Preis dafür ist, dass es manchmal danebenliegt. Wer diesen Handel nicht akzeptieren kann, braucht kein Modell. Diese fünf Zeilen sind eine Zuordnung, die ich Ihnen als Faustregel mitgeben möchte. Betrag über Schwelle prüfen — das ist eine Regel, punkt. Freitext einer Kategorie zuordnen — dafür ist das Modell da, aber achten Sie auf den Zusatz: mit fester Auswahlliste.

2:12 Kundennummer nachschlagen — das ist eine Datenbankabfrage, und zwar immer; ein Modell, das Kundennummern rät, ist ein Albtraum. Lange Beschreibung zusammenfassen — Modell. Und dann die letzte Zeile, die das Muster verrät: Ergebnis gegen Stammdaten prüfen — wieder eine Regel. Die KI sitzt in der Mitte, umgeben von Determinismus.

2:34 Genau dieses Sandwich beschreiben die vier Punkte. Die Vorverarbeitung entscheidet, was das Modell überhaupt zu sehen bekommt — und weniger ist hier meistens mehr. Die Nachverarbeitung prüft, ob das Ergebnis fachlich gelten darf. Nachschlagen, Rechnen und Vergleichen gehören nicht ins Modell; dafür gibt es präzisere Werkzeuge, und sie sind billiger.

2:54 Und der letzte Punkt ist die Erkenntnis, die ich Ihnen mitgeben möchte: Je enger der Rahmen, desto verlässlicher wird die probabilistische Mitte. Sie machen das Modell nicht durch bessere Prompts zuverlässig, sondern durch engere Ränder. Der erste Punkt ist ein Klassiker der ersten Begeisterung: Das Modell soll rechnen, obwohl eine Formel genauer und billiger ist.

3:16 Der zweite ist subtiler und sehr verbreitet: Eine Kategorie wird frei erzeugt statt aus einer festen Liste gewählt — dann heißt die Dringlichkeit einmal „hoch", einmal „Hoch" und einmal „dringend", und Ihre Auswertung zerfällt. Der dritte ist der gefährlichste: Das Ergebnis geht ungeprüft in ein Zielsystem. Und der vierte ist eine Projektbeobachtung: KI wird eingesetzt, weil sie verfügbar ist, nicht weil der Fall sie braucht.

Modelle, Prompts und strukturierte Ausgaben

3:41 Jetzt zu den Bausteinen. Und zum wichtigsten handwerklichen Kniff dieses Moduls: Aus Freitext wird erst dann ein Vorgang, wenn die Struktur erzwungen ist — nicht erbeten, erzwungen. n8n verbindet verschiedene Modellanbieter — unter anderem OpenAI, Anthropic und Google — und erlaubt es, Werkzeuge und Speicher zu ergänzen sowie mehrere Modelle in einem Workflow zu kombinieren.

4:03 Dieser letzte Punkt ist praktischer, als er klingt: Sie können für die einfache Einordnung ein kleines Modell nehmen und für die anspruchsvolle Zusammenfassung ein großes. Ein Chain-Node ruft die Bestandteile in fester Reihenfolge auf und nutzt dabei keinen Speicher. Merken Sie sich das letzte Detail — es ist der Grund, warum wir im nächsten Modul über Agenten sprechen werden.

4:25 Drei Chains, drei Zuschnitte. Die Basic LLM Chain ist der einfache Modellaufruf ohne weitere Bestandteile — Prompt rein, Antwort raus. Die Question and Answer Chain beantwortet Fragen zu bestimmten Dokumenten über einen Retriever; das ist der Baustein, auf den wir im nächsten Modul beim Thema RAG zurückkommen. Und die Summarization Chain fasst eine Eingabe zusammen. Die Fußzeile trägt die entscheidende Einschränkung: Chains haben in n8n keinen Speicher.

4:53 Wer Kontext über mehrere Aufrufe hinweg braucht — ein Gespräch also —, nimmt einen Agenten. Das ist keine Geschmacksfrage, das ist eine Eigenschaft. Vier Punkte, und es sind drei Werkzeuge plus eine Warnung. Ein Structured Output Parser erzwingt das gewünschte Schema — das ist der wichtigste Baustein dieses Moduls. Der Item List Output Parser erzeugt eine Liste statt eines Fließtexts.

5:17 Der Auto-fixing Output Parser lässt ein fehlerhaftes Ergebnis nachbessern; nützlich, aber mit Vorsicht, dazu gleich mehr. Und die Warnung: Ohne Parser kommt Text zurück, und jede Weiterverarbeitung rät. Genau das ist der Bruch, an dem viele KI-Workflows scheitern — nicht am Modell, sondern an der Stelle danach, wo aus Prosa wieder Daten werden sollen.

5:38 Fünf Schritte, und der erste ist der, der die Qualität entscheidet: Schreiben Sie das Zielschema auf, bevor der Prompt entsteht. Nicht danach. Trennen Sie dann Systemanweisung und Aufgabe und übergeben Sie den Kontext strukturiert. Legen Sie Auswahlfelder auf feste Listen fest statt auf Freitext — der Stolperstein aus dem ersten Kapitel.

5:58 Hängen Sie einen Structured Output Parser an und hinterlegen Sie das Schema. Und prüfen Sie das Ergebnis deterministisch gegen die Stammdaten. Die Fußzeile ist die Kurzfassung des ganzen Kapitels: Was im Schema nicht vorkommt, darf das Modell auch nicht erfinden. Der erste Punkt ist der häufigste: Der Prompt beschreibt das Format in Prosa, statt es über ein Schema zu erzwingen. Bitten hilft manchmal, ein Schema hilft immer.

6:23 Der zweite ist die halbe Umsetzung: Die Auswahlliste steht im Prompt, aber nicht im Schema. Der dritte betrifft den Auto-fixing-Parser: Er verdeckt, dass der Prompt unklar ist — wenn er ständig nachbessern muss, ist das ein Befund und kein Erfolg. Und der vierte ist eine Entwicklung, die man kennt: Der Kontext wächst mit jedem Sonderfall, bis niemand ihn mehr überblickt.

Kosten, Latenz und Modellwahl

6:46 Jetzt die kaufmännische Seite. Jeder Modellaufruf kostet Zeit und Geld, und beides skaliert mit der Menge — in einem Automatisierungswerkzeug, das naturgemäß viele Datensätze verarbeitet, ist das eine relevante Größe. Vier Treiber. Die Zahl der Aufrufe, und die wächst mit der Zahl der Items — die Fließband-Regel aus Modul drei, hier mit Preisschild.

7:07 Die Menge des mitgegebenen Kontexts, nicht nur die Antwort; wer den vollständigen Datensatz mitschickt, bezahlt für jedes Feld. Die Wahl des Modells, die je Aufgabe unterschiedlich ausfallen darf. Und Wiederholungen, die bei probabilistischen Antworten leicht entstehen — wenn das Ergebnis nicht passt, ruft man eben noch einmal auf.

7:27 Diese vier zusammen erklären, warum eine Rechnung manchmal überrascht, obwohl der Workflow „nur" einmal läuft. Gateway Credits sind ein interessanter Weg für den Einstieg: Sie nutzen unterstützte Modelle und Dienste ohne eigenen Anbieterzugang. n8n leitet die Anfragen über ein eigenes Gateway und rechnet je Anfrage gegen ein Guthaben ab. Sie brauchen also kein Konto bei OpenAI oder Anthropic und keinen API-Schlüssel.

7:53 Zwei Einschränkungen müssen Sie kennen: Das gibt es nur auf n8n Cloud in den Plänen Starter und Pro, ab Version 2.36.0 — nicht in der Enterprise-Cloud und nicht selbst gehostet. Für ein schnelles Erproben ist es dennoch eine echte Erleichterung. Vier Überlegungen. Eine einfache Einordnung braucht kein Modell an der Spitze der Preisliste — probieren Sie das kleinere zuerst, messen Sie und entscheiden Sie dann; wie das geht, sehen wir übermorgen.

8:20 Die Antwortzeit wirkt unmittelbar auf einen synchron antwortenden Webhook; der Aufrufer wartet mit. Ein Rückfallmodell hält den Prozess am Laufen, wenn der Anbieter ausfällt — und Anbieter fallen aus. Und der vierte Punkt ist eine Haltungsfrage: Der Wechsel des Modells ist eine Änderung, die geprüft gehört. Nicht „wir nehmen mal das neue", sondern messen, vergleichen, entscheiden.

8:43 Der erste Punkt ist die teuerste Zeile: Ein Aufruf je Item, obwohl eine Sammelanfrage genügt hätte. Bei zweihundert Items ist das der Unterschied zwischen Cent und Euro — je Lauf. Der zweite: Der gesamte Datensatz wandert in den Kontext, obwohl drei Felder reichen; das ist zugleich ein Datenschutzproblem, dazu gleich mehr.

9:02 Der dritte ist eine typische Papiersicherheit: Das Rückfallmodell ist eingerichtet, aber nie erprobt worden. Und der vierte ist der Grund, warum dieses Kapitel existiert: Kosten fallen erst mit der Monatsrechnung auf.

Risiken und Verantwortung

9:16 Zum Abschluss die Risiken. Und das wichtigste davon ist eines, das es in klassischer Automatisierung so nicht gibt: Der Eingangstext kann Anweisungen enthalten — und das Modell liest sie. Prompt Injection heißt, dass Anweisungen in den verarbeiteten Daten stehen und das Modell ihnen folgt, statt sie als Inhalt zu behandeln.

9:35 Für ein Modell gibt es keinen Unterschied zwischen Ihrer Anweisung und einem Satz in der Störungsmeldung — beides ist Text im selben Fenster. Und der Nachsatz ist mir wichtig: Eine Meldung mit dem Satz „Ignoriere alle vorherigen Anweisungen" ist kein theoretischer Fall, sondern ein zu erwartender Eingang. Nicht unbedingt aus böser Absicht — manchmal steht so etwas schlicht in einer weitergeleiteten Mail. Aber der Effekt ist derselbe.

10:00 Vier Regeln, und die letzte ist die wichtigste. Alles, was von außen kommt, ist Inhalt, nie Anweisung — das ist die Haltung. Die Berechtigungen dahinter begrenzen den Schaden, nicht der Prompt; ein Modell, das nichts Gefährliches auslösen kann, richtet auch bei Manipulation nichts an. Ein Modellergebnis darf nichts auslösen, was nicht auch ein Fremder auslösen dürfte — das ist ein sehr brauchbarer Prüfsatz.

10:25 Und viertens: Die fachliche Prüfung nach dem Modell ist die eigentliche Schutzschicht. Alles andere sind Bitten an ein System, das Bitten nicht garantiert erfüllt. Vier Fragen, und keine davon ist technisch. Welche Daten dürfen den eigenen Rechtsraum verlassen? Werden personenbezogene Inhalte vorher entfernt oder ersetzt?

10:45 Wer trägt die Verantwortung für eine Freigabe — und da ist die Antwort immer: ein Mensch. Und wie lange halten Anbieter und n8n die übertragenen Inhalte vor? Diese vier klären Sie am besten, bevor der erste Aufruf läuft, nicht danach. Denn danach sind die Daten übertragen, und die Frage ist rückwirkend nicht mehr zu beantworten, sondern nur noch zu bereuen.

11:07 Der erste Punkt ist der bequemste Fehler: Der vollständige Datensatz geht ans Modell, weil das Filtern Arbeit macht. Der zweite ist der verbreitetste Irrtum: Die Schutzanweisung steht im Prompt und gilt als technische Maßnahme. Sie ist eine Bitte. Der dritte ist eine Entscheidung, die man ausdrücklich treffen sollte statt sie zu treiben: Das Modell darf schreiben, weil es sonst unbequem wäre — im nächsten Modul sehen wir, wie es auch anders geht.

11:32 Und der vierte ist der schleichendste von allen: Die Verantwortung wandert stillschweigend zum Werkzeug. Sie bleibt aber bei Menschen.

Übung

11:41 Jetzt bauen Sie Ihren ersten KI-Schritt — und zwar genau so eingerahmt, wie wir es besprochen haben: Schema zuerst, Prüfung danach. Kesselwerk erhält Störungsmeldungen als frei formulierte E-Mails. Genau das ist der Fall aus der Tabelle im ersten Kapitel: Freitext einordnen, dafür ist ein Modell da. Gebraucht wird ein strukturiertes Auftragsdokument mit Anlagentyp, Dringlichkeit, Symptom und vermutetem Ersatzteil.

12:07 Und der Zusatz macht den Unterschied: jedes Feld aus einer festen Liste, soweit eine existiert. Der Anlagentyp steht in Kundenkreis, die Dringlichkeitsstufen sind betrieblich festgelegt. Das Modell wählt also aus — es erfindet nicht. Das Lernziel: einen Modellaufruf so einrahmen, dass sein Ergebnis strukturiert, geprüft und im Zweifel abgelehnt wird.

12:29 Auf dem letzten Teil liegt die Betonung — Ablehnen ist ein zulässiges Ergebnis. Erfolgreich sind Sie, wenn das Ergebnis dem Schema entspricht, unbekannte Anlagentypen erkannt statt geraten werden und ein nicht belegbares Feld zur Rückfrage führt statt zum Auftrag. Wer früh fertig ist, baut eine Meldung mit eingebetteter Anweisung ein und prüft, ob der Workflow ihr folgt.

12:50 Ich empfehle das ausdrücklich: Es ist eindrucksvoller, das einmal selbst zu sehen, als darüber zu lesen. Eine Stunde, fünf Schritte. Schreiben Sie das Zielschema samt Auswahllisten auf — vor allem anderen. Bauen Sie den Modellaufruf mit Systemanweisung und strukturiertem Kontext. Hängen Sie den Structured Output Parser an und hinterlegen Sie das Schema.

13:12 Prüfen Sie das Ergebnis gegen die Anlagenliste aus Kundenkreis — deterministisch, mit einem Nachschlagen, nicht mit einer zweiten Modellfrage. Und lassen Sie fünf echte Meldungen durchlaufen und benennen Sie die Fehler. Fünf genügen, um Muster zu sehen; systematisch messen werden wir übermorgen. Vier Fallen, und die erste kennen Sie schon: Die Dringlichkeit wird als Freitext erzeugt und ist nie zweimal gleich.

13:36 Die zweite ist eine halbe Prüfung: Geprüft wird nur, ob Felder gefüllt sind, nicht ob die Werte zulässig sind — ein gefülltes Feld mit erfundenem Inhalt ist schlimmer als ein leeres. Die dritte ist eine gefährliche Bequemlichkeit: Der unbekannte Anlagentyp wird auf den häufigsten abgebildet; damit produzieren Sie stillschweigend falsche Einsätze.

13:55 Und die vierte ist eine Entwicklung, die man früh stoppen sollte: Der Prompt wächst um jeden Sonderfall statt der Prüfung dahinter.