Jeden Morgen dieselbe halbe Stunde
Es ist Montagmorgen in einem mittelstaendischen Handelsbetrieb. Die Buerokraft oeffnet den Posteingang: 47 neue E-Mails. Darunter drei Rechnungen von Lieferanten, zwei Anfragen ueber das Kontaktformular der Website, eine Reklamation, ein Dutzend Newsletter und der Rest Korrespondenz zu laufenden Vorgaengen. Bevor die eigentliche Arbeit beginnt, vergeht eine halbe Stunde mit Sortieren: Rechnungen in den Buchhaltungsordner, Anfragen ins CRM uebertragen, die Reklamation an den Kollegen weiterleiten, Newsletter loeschen. Jeden Tag. Bei jeder Vertretung faengt das Chaos von vorn an, weil niemand sonst weiss, wo was hingehoert.
Genau diese Art von Arbeit — wiederkehrend, regelbasiert, aber mit einem Rest an Interpretationsbedarf — war lange schwer zu automatisieren. Klassische Regeln im Mailprogramm scheitern daran, dass eine Rechnung mal als PDF im Anhang kommt, mal als Link, mal mit dem Betreff "Ihre Unterlagen". Ein Mensch erkennt das sofort. Eine starre Wenn-Dann-Regel nicht. Seit Sprachmodelle per Schnittstelle verfuegbar sind, hat sich das geaendert: Die KI uebernimmt den Interpretationsteil, die Automatisierungsplattform den Rest. Dieser Beitrag zeigt, wie beides zusammenspielt und wie Sie Ihren ersten eigenen Workflow aufsetzen.
Das Grundprinzip: Ausloeser und Aktionen
Jede Workflow-Automatisierung, egal auf welcher Plattform, folgt demselben Muster. Am Anfang steht ein Ausloeser, im Englischen Trigger genannt: ein Ereignis, das den Ablauf startet. Das kann eine neue E-Mail sein, ein ausgefuelltes Formular, eine neue Zeile in einer Tabelle, eine hochgeladene Datei oder schlicht ein Zeitpunkt wie "jeden Werktag um 7 Uhr". Auf den Ausloeser folgen eine oder mehrere Aktionen: Schritte, die nacheinander ausgefuehrt werden und dabei Daten aus den vorherigen Schritten verwenden.
Ein einfaches Beispiel macht das greifbar. Der Ausloeser lautet: Eine neue E-Mail trifft im Postfach ein. Die erste Aktion schickt den Text dieser E-Mail an ein Sprachmodell mit der Anweisung, den Inhalt in zwei Saetzen zusammenzufassen und einer Kategorie zuzuordnen — etwa Rechnung, Anfrage, Reklamation oder Sonstiges. Die zweite Aktion wertet die Kategorie aus: Handelt es sich um eine Rechnung, wird der Anhang in einem bestimmten Cloud-Ordner abgelegt. Die dritte Aktion legt bei einer Kundenanfrage automatisch eine Aufgabe im Projektmanagement-Tool an, inklusive der KI-Zusammenfassung als Beschreibung. Aus einer unstrukturierten E-Mail ist ein strukturierter Vorgang geworden, ohne dass ein Mensch eingegriffen hat.
Das Entscheidende an diesem Muster: Die KI ist nicht der ganze Workflow, sondern ein Baustein darin. Sie sitzt genau an der Stelle, an der Interpretation gefragt ist — Text verstehen, kategorisieren, zusammenfassen, Daten aus Fliesstext herausziehen. Alles davor und danach ist klassische, deterministische Automatisierung: Daten von A nach B bewegen, Bedingungen pruefen, Systeme verbinden. Diese Arbeitsteilung macht die Ablaeufe zuverlaessig, denn je weniger die KI entscheiden muss, desto weniger kann sie falsch interpretieren.
Was Zapier, Make und n8n leisten
Damit ein solcher Ablauf funktioniert, muessen verschiedene Dienste miteinander sprechen: das Mailpostfach, die KI-Schnittstelle, der Cloud-Speicher, das Aufgaben-Tool. Genau das ist die Aufgabe von Automatisierungsplattformen. Die drei bekanntesten sind Zapier, Make und n8n, und sie unterscheiden sich weniger im Grundprinzip als in Bedienung, Preismodell und Betriebsform.
Zapier ist der Pionier und die zugaenglichste Loesung. Workflows — dort Zaps genannt — werden in einer einfachen Liste aus Schritten zusammengeklickt. Die Staerke liegt in der enormen Zahl an Anbindungen: Mehrere tausend Dienste lassen sich ohne eine Zeile Code verknuepfen. Der Preis dafuer ist ein Abrechnungsmodell pro ausgefuehrter Aufgabe, das bei hohem Volumen spuerbar teuer werden kann, und begrenzte Moeglichkeiten bei komplexen Verzweigungen.
Make, frueher Integromat, arbeitet visuell: Workflows entstehen als Diagramm auf einer Leinwand, in dem sich Module verbinden, verzweigen und Daten transformieren lassen. Wer Ablaeufe mit mehreren Pfaden, Schleifen oder Fehlerbehandlung baut, kommt hier deutlich weiter als mit Zapier, muss sich aber in die Denkweise einarbeiten. Preislich liegt Make meist unter Zapier.
n8n schliesslich ist die Option fuer alle, die Kontrolle behalten wollen. Das Werkzeug ist quelloffen und laesst sich auf dem eigenen Server betreiben — ein gewichtiges Argument, wenn E-Mails, Kundendaten oder Rechnungen verarbeitet werden und aus Datenschutzgruenden nicht durch die Cloud eines US-Anbieters laufen sollen. n8n bietet ebenfalls einen visuellen Editor, erlaubt aber zusaetzlich eigene Code-Schritte in JavaScript und ist bei Selbstbetrieb abgesehen von den Serverkosten kostenlos. Dafuer traegt man die Verantwortung fuer Betrieb, Updates und Absicherung selbst.
Fuer den Einstieg gilt eine einfache Faustregel: Wer schnell und ohne IT-Aufwand starten will, nimmt Zapier oder Make. Wer sensible Daten verarbeitet oder langfristig viele Workflows plant, sollte n8n auf eigener Infrastruktur ernsthaft pruefen.
Verkettete KI-Workflows: Wenn mehrere Schritte zusammenarbeiten
Richtig interessant wird es, wenn nicht nur ein KI-Schritt im Ablauf sitzt, sondern mehrere KI- und Nicht-KI-Schritte eine Kette bilden. Ein Beispiel aus der Praxis: Ein Aussendienstmitarbeiter spricht nach dem Kundentermin im Auto eine Sprachnotiz ins Handy und legt sie in einem Cloud-Ordner ab. Das ist der Ausloeser. Der erste Schritt schickt die Audiodatei an ein Transkriptionsmodell, das gesprochene Sprache in Text verwandelt. Der zweite Schritt uebergibt dieses Transkript an ein Sprachmodell mit der Anweisung, eine strukturierte Gespraechszusammenfassung zu erstellen: Wer war beteiligt, was wurde besprochen, was wurde zugesagt. Der dritte Schritt extrahiert daraus konkrete Aufgaben mit Zustaendigkeit und Frist. Der vierte Schritt legt diese Aufgaben im Projektmanagement-Tool an und haengt die Zusammenfassung an den Kundendatensatz im CRM.
Aus zwei Minuten Sprechen im Auto werden so ein sauberer Gespraechsbericht und eine gepflegte Aufgabenliste — Arbeit, die vorher entweder abends im Hotel erledigt wurde oder gar nicht. Jeder Schritt in der Kette ist fuer sich einfach; die Wirkung entsteht durch die Verkettung.
Bei solchen Ketten lohnt sich ein Grundsatz: Zerlegen Sie die KI-Arbeit in kleine, klar umrissene Teilschritte, statt alles in einen einzigen Riesen-Prompt zu packen. Ein Schritt, der nur transkribiert, ein Schritt, der nur zusammenfasst, ein Schritt, der nur Aufgaben extrahiert — das ist einzeln testbar, einzeln korrigierbar und liefert insgesamt verlaesslichere Ergebnisse als eine Anweisung, die alles auf einmal verlangt.
Der erste eigene Workflow, Schritt fuer Schritt
Der beste Einstieg ist ein kleiner, ungefaehrlicher Anwendungsfall mit spuerbarem Nutzen. Ein bewaehrter Kandidat: die automatische Zusammenfassung eingehender Formular-Anfragen. So gehen Sie vor.
Erstens: Waehlen Sie den Prozess bewusst aus. Gut geeignet ist alles, was haeufig vorkommt, nach erkennbaren Mustern ablaeuft und bei dem ein Fehler keine gravierenden Folgen haette. Schlecht geeignet fuer den Anfang sind Ablaeufe mit rechtlicher Tragweite oder direkter Aussenwirkung, etwa automatisch versendete Antworten an Kunden.
Zweitens: Skizzieren Sie den Ablauf auf Papier, bevor Sie die Plattform oeffnen. Was ist der Ausloeser? Welche Daten liegen dann vor? Welche Schritte folgen, und was braucht jeder Schritt aus den vorherigen? Diese fuenf Minuten ersparen spaeter viel Klickarbeit.
Drittens: Bauen Sie den Ablauf ohne den KI-Schritt. Formular ausgefuellt, Daten landen in einer Tabellenzeile, eine Benachrichtigung geht an den richtigen Kanal. Erst wenn dieses Geruest zuverlaessig laeuft, kommt die KI dazu.
Viertens: Ergaenzen Sie den KI-Schritt mit einer praezisen Anweisung. Alle grossen Plattformen bieten fertige Module fuer die gaengigen KI-Anbieter; Sie hinterlegen einen Schluessel fuer die Schnittstelle und formulieren die Aufgabe. Schreiben Sie die Anweisung so konkret wie moeglich: welche Rolle die KI einnimmt, was genau sie mit dem Text tun soll, in welchem Format die Antwort erwartet wird. Vage Anweisungen erzeugen vage Ergebnisse.
Fuenftens: Testen Sie mit echten, auch unangenehmen Beispielen. Die freundliche Standardanfrage funktioniert fast immer. Interessant sind die Grenzfaelle: die E-Mail auf Englisch, das Formular mit einem einzigen Wort im Nachrichtenfeld, die Anfrage, die eigentlich eine Beschwerde ist. Justieren Sie die Anweisung, bis auch diese Faelle vernuenftig behandelt werden.
Sechstens: Lassen Sie den Workflow zunaechst parallel zum manuellen Prozess laufen und vergleichen Sie eine oder zwei Wochen lang die Ergebnisse. Erst wenn das Vertrauen da ist, wird der manuelle Weg abgeschaltet — und auch dann sollte der Workflow Fehler melden, statt still zu scheitern.
Typische Anwendungsfaelle im Mittelstand — und die Grenzen
In der Beratungspraxis tauchen bestimmte Muster immer wieder auf, weil sie viel Zeit binden und sich sauber automatisieren lassen. Der sortierte Posteingang ist der Klassiker: eingehende Mails kategorisieren, zusammenfassen, an Zustaendige verteilen. Eng verwandt ist die Rechnungsablage — Rechnungen erkennen, Absender, Betrag und Rechnungsnummer auslesen, das Dokument nach einem einheitlichen Schema benennen und im richtigen Ordner ablegen, dazu eine Zeile in der Buchhaltungsuebersicht. Ebenfalls beliebt: Formular-Anfragen von der Website, die automatisch bewertet, zusammengefasst und als Datensatz im CRM oder als Zeile in einer Tabelle angelegt werden, sodass der Vertrieb morgens eine priorisierte Liste vorfindet statt eines ungelesenen Postfachs.
Ehrlicherweise gehoert auch die andere Seite dazu. Automatisierung lohnt sich nicht fuer Prozesse, die selten vorkommen oder staendig ihre Form aendern — dort frisst die Pflege des Workflows den Gewinn wieder auf. KI-Schritte bleiben ausserdem probabilistisch: Sie liefern fast immer gute, aber nie garantiert perfekte Ergebnisse. Fuer eine Zusammenfassung ist das unkritisch, fuer eine automatische Zahlungsfreigabe nicht. Die Faustregel lautet: Die KI darf vorsortieren, vorbereiten und vorschlagen; ueberall dort, wo eine Entscheidung Geld, Recht oder Kundenbeziehungen beruehrt, gehoert ein Mensch als letzte Instanz in den Ablauf. Und schliesslich der Datenschutz: Wer personenbezogene Daten durch Automatisierungsplattformen und KI-Schnittstellen leitet, braucht Auftragsverarbeitungsvertraege mit den Anbietern und sollte pruefen, ob eine selbst betriebene Loesung wie n8n die sauberere Wahl ist.
Fazit: Klein anfangen, sauber skalieren
Workflow-Automatisierung mit KI ist kein Grossprojekt, sondern eine Reihe kleiner, gut abgegrenzter Verbesserungen. Das Prinzip ist immer gleich: Ein Ausloeser startet den Ablauf, deterministische Schritte bewegen die Daten, und die KI uebernimmt genau die Stellen, an denen frueher menschliche Interpretation noetig war. Die Plattformen — Zapier fuer den schnellen Start, Make fuer komplexere Ablaeufe, n8n fuer den Betrieb auf eigener Infrastruktur — nehmen Ihnen die technische Verkabelung ab.
Drei konkrete naechste Schritte: Notieren Sie eine Woche lang, welche wiederkehrenden Aufgaben in Ihrem Team taeglich Zeit kosten, und markieren Sie die drei haeufigsten. Bauen Sie fuer die harmloseste davon einen ersten Workflow nach dem oben beschriebenen Muster — bewusst klein, mit Testphase. Und klaeren Sie parallel mit Blick auf Ihre Daten, ob eine Cloud-Plattform genuegt oder eine selbst gehostete Loesung die richtige Basis ist. Wenn Sie dabei Unterstuetzung moechten: FJ Design begleitet mittelstaendische Unternehmen beim Aufbau solcher KI-Workflows von der Prozessauswahl bis zum Betrieb.