KI-Automatisierung: wenn KI und Workflows zusammenkommen

KI-Automatisierung in einem Satz

KI-Automatisierung bedeutet, dass ein klassischer Workflow an genau den Stellen ein KI-Modell aufruft, an denen feste Regeln nicht mehr weiterkommen – etwa um einen Freitext zu verstehen, einen Fall einzuordnen, eine Zusammenfassung zu erzeugen oder eine Entscheidung vorzubereiten. Der Rest des Ablaufs bleibt deterministisch.

Das ist der wichtigste Satz zum Thema, weil er das häufigste Missverständnis auflöst: Es geht nicht darum, einen Prozess an eine KI zu übergeben. Es geht darum, einen ansonsten stabilen Ablauf um ein oder zwei intelligente Schritte zu erweitern. Die Verlässlichkeit kommt weiterhin aus der Workflow-Logik, nicht aus dem Modell.

Was KI zur klassischen Automatisierung hinzufügt

Klassische Automatisierung scheitert an einer klaren Grenze: Sie kann nur, was du vorher als Regel formuliert hast. Genau dort setzt ein Sprachmodell an.

Der entscheidende Unterschied steckt in der Zeile Fehlerbild. Ein klassischer Workflow, der scheitert, zeigt einen Fehler. Ein KI-Schritt, der scheitert, liefert ein Ergebnis – nur eben das falsche, formuliert in derselben souveränen Tonlage wie ein korrektes. Jede Architektur in diesem Artikel ist deshalb darauf ausgelegt, KI-Ausgaben wieder in etwas Prüfbares zu überführen. Wenn dir die Grundbausteine Trigger, Aktion und Logik noch nicht geläufig sind, starte mit Workflow-Automatisierung: Grundlagen.

Die vier Architektur-Muster

Praktisch jede KI-Automatisierung, die heute produktiv läuft, folgt einem dieser vier Muster – oder einer Kombination daraus. Sie sind nach steigender Komplexität und steigendem Risiko sortiert.

Muster 1: Anreicherung

Ein einzelner KI-Schritt mitten im Ablauf verwandelt unstrukturierte Eingaben in strukturierte Daten. Der Workflow gibt Text hinein, bekommt Felder heraus und arbeitet dann ganz normal weiter.

Beispiel: Eine Kontaktanfrage kommt als Freitext herein. Das Modell extrahiert Firmenname, Anliegen, Dringlichkeit und Budgetindiz in ein festes Feldschema. Das CRM bekommt saubere Daten statt eines Textblocks.

Das ist das mit Abstand beste Einstiegsmuster: hoher Nutzen, kleines Risiko, einfach zu testen. Verlange die Ausgabe immer in einem festen Format und validiere sie, bevor der nächste Schritt sie nutzt.

Muster 2: Klassifikation und Routing

Das Modell trifft keine inhaltliche Entscheidung, sondern eine Einordnung – und der Workflow verzweigt danach. Die Auswahl ist auf eine feste Liste beschränkt.

Beispiel: Eingehende Mails werden in „Support", „Vertrieb", „Rechnung" oder „Sonstiges" einsortiert und an das jeweilige Team geroutet. Bei niedriger Sicherheit landet der Fall im Sammelpostfach statt in einer falschen Warteschlange.

Der Trick liegt in der geschlossenen Antwortmenge: Das Modell darf nur aus vorgegebenen Kategorien wählen. Alles andere gilt als Fehler und geht in den manuellen Pfad. Damit bleibt der Ablauf so prüfbar wie eine klassische Verzweigung.

Muster 3: Wissensanbindung (RAG)

Damit ein Modell über eure Inhalte sprechen kann, brauchst du Retrieval Augmented Generation: Der Workflow sucht zuerst passende Dokumentabschnitte in einem Index, gibt sie dem Modell als Kontext mit und lässt erst dann antworten. Das Modell erfindet dadurch deutlich weniger – es formuliert auf Basis mitgelieferter Belege.

Beispiel: Ein interner Assistent beantwortet Fragen zu Angebotsvorlagen, Preislogik und Prozessen aus der eigenen Wissensdatenbank – mit Quellenangabe zum jeweiligen Dokument.

Wichtig: RAG behebt Halluzinationen nicht vollständig. Es reduziert sie, verschiebt aber den Engpass auf die Qualität deiner Suche. Ist der falsche Abschnitt gefunden, ist auch die Antwort falsch.

Muster 4: Agentische Schleife

Hier plant das Modell selbst, welche Schritte nötig sind, ruft Werkzeuge auf, bewertet Zwischenergebnisse und wiederholt den Vorgang, bis ein Ziel erreicht ist. Das ist mächtig – und das Muster mit dem mit Abstand größten Risiko, weil der Ablauf nicht mehr vorab feststeht.

Beispiel: Eine Rechercheaufgabe, bei der das System eigenständig Quellen sucht, ausliest, vergleicht und einen strukturierten Bericht erzeugt.

Setze dieses Muster nur ein, wenn drei Bedingungen erfüllt sind: Das Ergebnis wird von einem Menschen abgenommen, die verfügbaren Werkzeuge sind eng begrenzt, und es gibt ein hartes Limit für Schritte und Kosten pro Durchlauf.

Praxisbeispiele, die heute zuverlässig laufen

Das Muster hinter dem Muster: KI übernimmt das Vorverdichten, der Mensch die Verantwortung. In allen produktiv laufenden Beispielen bleibt die letzte verbindliche Entscheidung bei einer Person – nicht aus Vorsicht, sondern weil genau das den Ablauf belastbar macht.

Guardrails: was ein produktiver KI-Workflow braucht

Ein KI-Schritt ohne Absicherung ist ein Prototyp, kein Prozess. Fünf Vorkehrungen gehören in jede produktive Automatisierung:

Feste Ausgabestruktur. Verlange strukturierte Ausgaben in einem definierten Schema und prüfe sie technisch, bevor der nächste Schritt startet. Passt das Format nicht, geht der Fall in den Fehlerpfad – nicht ungeprüft weiter.

Geschlossene Auswahl statt Freitext. Überall, wo eine Entscheidung folgt, darf das Modell nur aus einer festen Liste wählen. Freitext ist für Inhalte da, nicht für Steuerung.

Mensch an der richtigen Stelle. Nicht jeder Schritt braucht Freigabe – aber jeder Schritt mit Außenwirkung. Kundenkommunikation, Preise, Zusagen und Löschvorgänge gehören hinter eine Freigabe.

Kosten- und Schleifenlimits. Lege pro Durchlauf ein hartes Limit für Aufrufe fest. Ohne Deckel kann eine fehlerhafte Schleife über Nacht ein spürbares Budget verbrennen.

Protokollierung. Speichere Eingabe, Modellantwort und getroffene Entscheidung. Ohne dieses Protokoll kannst du weder Qualität messen noch einen Fehler rekonstruieren.

Dazu kommt die Datenschutzfrage: Sobald personenbezogene Daten durch den Workflow laufen, brauchst du einen geschäftlichen Tarif mit passendem Vertrag – oder ein Modell im eigenen Betrieb, wie in Lokale LLMs & Open-Source-Modelle nutzen beschrieben.

Der Bauplan: von der Idee zum laufenden KI-Workflow

1. Ablauf klassisch modellieren. Zeichne den kompletten Prozess ohne KI. Erst wenn er steht, markierst du die Stellen, an denen Regeln nicht ausreichen.
2. Den KI-Schritt eng schneiden. Eine Aufgabe pro Aufruf. „Kategorisiere" und „formuliere die Antwort" sind zwei Schritte, keiner.
3. Prompt und Ausgabeformat definieren. Rolle, Kontext, Aufgabe, Format – die Systematik dazu steht in Prompt Engineering: Grundlagen & Techniken.
4. Modell wählen. Für Klassifikation und Extraktion reicht fast immer ein schnelles, günstiges Modell. Reasoning-Modelle lohnen sich nur, wo wirklich mehrstufig gedacht werden muss. Eine Einordnung der Modellfamilien liefert KI-Modelle im Vergleich.
5. Gegen echte Altfälle testen. Nimm 30 bis 50 reale Vorgänge aus der Vergangenheit, lass den Workflow darüberlaufen und vergleiche mit dem, was damals richtig war. Das ist die einzige belastbare Qualitätsmessung.
6. Im Schattenbetrieb starten. Der Workflow läuft mit, entscheidet aber nichts – die Ergebnisse gehen erst einmal nur ins Protokoll. Erst wenn die Trefferquote stimmt, wird scharfgeschaltet.
7. Messen und nachschärfen. Trefferquote, Kosten pro Durchlauf, Anteil manueller Eingriffe. Diese drei Zahlen sagen dir, ob sich der KI-Schritt trägt.

Umgesetzt wird das Ganze in einem gängigen Automatisierungswerkzeug: n8n bringt dafür eigene KI-Bausteine mit, Zapier und Make decken die verbreiteten Anwendungsfälle ebenfalls ab.

Wo KI im Workflow keinen Platz hat

Genauso wichtig wie die guten Anwendungsfälle sind die schlechten. Kein KI-Schritt gehört dorthin, wo eine Berechnung exakt sein muss, wo ein Feldwert schlicht kopiert werden kann, wo eine Regel bereits existiert oder wo ein Fehler unbemerkt teuer wird – etwa bei Buchungen, Preisen oder Löschvorgängen. Ein Sprachmodell für eine Wenn-Dann-Bedingung einzusetzen, ist der teuerste Weg, ein Ergebnis unzuverlässiger zu machen.

Fazit

KI-Automatisierung ist keine neue Kategorie von Software, sondern eine Erweiterung bewährter Workflows um wenige, klar abgegrenzte Schritte. Die vier Muster – Anreicherung, Klassifikation, Wissensanbindung und agentische Schleife – decken den Großteil der Praxis ab, und die ersten beiden liefern den schnellsten Nutzen bei kleinstem Risiko. Wer den Prozess zuerst klassisch modelliert, die KI eng schneidet, Ausgaben validiert und im Schattenbetrieb startet, bekommt einen Ablauf, der auch nach dem hundertsten Durchlauf noch verlässlich arbeitet.