Use Case
Ein Automatisierungs-Workflow wird mit einem KI-Schritt erst flexibel: er kann Texte zusammenfassen, Daten umformen oder Entscheidungen vorbereiten. Mit einer klar geplanten Eingabe-Ausgabe-Struktur lässt sich dieser Schritt zuverlässig in bestehende Abläufe einbauen.
Für wen ist dieser Use Case geeignet?
Dieser Use Case eignet sich für alle, die bereits mit einem Automatisierungstool wie n8n, Make (früher Integromat), Zapier oder Microsoft Power Automate arbeiten und einen einzelnen Schritt im Ablauf durch KI ergänzen wollen: Marketing, Vertrieb, Operations, IT, Personal und Geschäftsführung im DACH-Mittelstand.
Sie brauchen kein Entwickler-Wissen, aber Grundkenntnisse im jeweiligen Automatisierungstool — vor allem, wie ein Workflow gebaut wird und wie Datenfelder von einem Schritt zum nächsten übergeben werden. Der KI-Schritt selbst ist meist ein vorgefertigter Knoten, in dem Sie Prompt und Eingabefelder konfigurieren.
Ausgangsproblem
Klassische Automatisierungs-Workflows arbeiten mit festen Regeln: „Wenn Feld X gleich Y, dann tu Z.“ Sobald die Eingabedaten unstrukturiert oder variabel sind — freier Text in einer E-Mail, ein Formular-Kommentar, eine Support-Anfrage — kommen Regel-Workflows an ihre Grenze.
Ein KI-Schritt schließt diese Lücke: er nimmt unstrukturierte Eingaben entgegen, interpretiert sie und liefert strukturierte Ausgaben zurück (Kategorie, Stichpunkte, Zusammenfassung, JSON-Objekt). Damit lässt sich derselbe Workflow für Eingaben nutzen, die vorher manuell vorsortiert werden mussten.
Schritt-für-Schritt-Anleitung
Schritt 1: Workflow-Ziel und KI-Aufgabe klar trennen
Bevor Sie einen KI-Schritt einbauen, klären Sie, was der KI-Schritt liefern soll. Wichtig: KI ersetzt nicht den ganzen Workflow, sondern erledigt eine konkrete Teilaufgabe.
- Was kommt vor dem KI-Schritt rein? (Trigger, vorherige Schritte)
- Was soll der KI-Schritt konkret tun? (zusammenfassen, klassifizieren, umformen, übersetzen)
- In welchem Format wird das Ergebnis weiterverarbeitet? (Text, JSON, einzelnes Feld)
Schritt 2: Eingabefelder definieren
Im Automatisierungstool stellen Sie dem KI-Schritt die Eingabe zur Verfügung. Das geht über Platzhalter oder Variablen aus den vorherigen Schritten. In n8n und Make nennt sich das „Mapping“, in Zapier „Insert Data“.
- Welche Felder werden in den Prompt eingesetzt?
- Sind die Felder immer vorhanden, oder kann es leere Werte geben?
- Wie lang darf die Eingabe maximal werden? (Token-Limit beachten)
Schritt 3: Prompt schreiben — mit fester Ausgabestruktur
Schreiben Sie einen Prompt, der nicht nur die Aufgabe beschreibt, sondern auch die gewünschte Ausgabestruktur festlegt. Für Folgeschritte ist eine vorhersagbare Struktur entscheidend — am besten JSON oder ein definiertes Textformat.
- Aufgabe in einem Satz benennen
- Eingabefelder explizit referenzieren
- Ausgabestruktur als Beispiel mitgeben
- Fehlerfall definieren („Wenn unklar, gib leeres Feld zurück“)
Schritt 4: KI-Schritt konfigurieren
In n8n, Make und Zapier gibt es vorgefertigte Knoten für OpenAI, Anthropic oder Azure OpenAI. Dort tragen Sie ein:
- API-Schlüssel (sicher in den Zugangsdaten hinterlegen)
- Modell-Auswahl (z. B. GPT-4o-mini für Kostenkontrolle, GPT-4o für höhere Qualität)
- Prompt mit Platzhaltern für die Eingabefelder
- Temperatur (für strukturierte Ausgaben niedrig, z. B. 0.2)
Schritt 5: Ausgabe für Folgeschritte parsen
Die KI liefert ihre Antwort als Text zurück. Für die weiteren Schritte muss diese Antwort in einzelne Felder zerlegt werden. Bei JSON-Ausgaben hilft ein Parse-Knoten (in n8n und Make integriert). Bei Freitext werden einzelne Werte per Regex oder String-Funktionen extrahiert.
Schritt 6: Fehlerbehandlung und Test
Testen Sie den Workflow mit mindestens drei verschiedenen Eingabe-Szenarien: ein typischer Fall, ein leeres oder unklares Feld, ein extrem langer Text. Bauen Sie einen Fehlerpfad ein für den Fall, dass die KI nicht antwortet oder eine unbrauchbare Ausgabe liefert.
- Standardfall: erwartete Eingabe, erwartete Ausgabe
- Leere Eingabe: was passiert, wenn ein Feld fehlt?
- Sehr lange Eingabe: wird das Token-Limit überschritten?
- API-Ausfall: gibt es einen Retry oder eine Benachrichtigung?
Beispielprompt
Aufgabe:
Du bist ein KI-Schritt in einem Automatisierungs-Workflow. Du erhältst eine eingehende Nachricht und sollst sie strukturiert für die weiteren Schritte aufbereiten.
Eingabe:
- Absender: {{absender}}
- Betreff: {{betreff}}
- Nachrichtentext: {{nachricht_text}}
Aufgabe:
Analysiere die Nachricht und gib das Ergebnis ausschließlich als JSON zurück, mit folgenden Feldern:
- "kategorie": eine von ["anfrage", "beschwerde", "spam", "intern", "sonstiges"]
- "dringlichkeit": eine von ["niedrig", "mittel", "hoch"]
- "kurzfassung": maximal zwei Sätze in deutscher Sprache
- "naechster_schritt": ein konkreter Vorschlag, was als nächstes zu tun ist
Wichtig:
- Antworte ausschließlich mit dem JSON-Objekt, ohne weiteren Text davor oder danach.
- Wenn ein Feld nicht eindeutig bestimmbar ist, verwende "sonstiges" oder "niedrig" als Default.
- Erfinde keine Informationen, die nicht im Nachrichtentext stehen.Qualitätscheck
Bevor Sie den Workflow produktiv schalten, prüfen Sie:
- Liefert der KI-Schritt bei jedem Testfall eine gültige Ausgabestruktur?
- Funktioniert der Parse-Schritt mit allen Ausgaben — auch bei Edge Cases?
- Gibt es einen Fehlerpfad für API-Ausfälle oder leere Antworten?
- Ist der API-Schlüssel sicher hinterlegt und nicht im Workflow-Export sichtbar?
- Werden personenbezogene Daten gemäß Datenschutzrichtlinien verarbeitet?
Ein guter Test: Lassen Sie den Workflow eine Woche lang im Schatten-Modus laufen — die KI-Ausgabe wird geloggt, aber noch nicht für Aktionen verwendet. So sehen Sie, wie zuverlässig der KI-Schritt im Alltag arbeitet, bevor er produktiv wirkt.
Risiken und Grenzen
KI-Schritte sind nicht deterministisch. Auch bei niedriger Temperatur kann dieselbe Eingabe leicht unterschiedliche Ausgaben liefern. Wer den Workflow auf exakte Wortgleichheit aufbaut, läuft in unerwartete Fehlerfälle. Eine tolerante Parse-Logik mit Default-Werten ist Pflicht.
API-Kosten lassen sich bei automatisierten Workflows schnell unbemerkt summieren. Ein Workflow, der hundertmal pro Tag triggert, verbraucht Token entsprechend. Setzen Sie Kostenlimits beim Anbieter und beobachten Sie die ersten Wochen genau.
Datenschutzhinweis
Automatisierungs-Workflows verarbeiten oft personenbezogene Daten: E-Mails von Kunden, Formularangaben, interne Mitteilungen. Bevor Sie einen KI-Schritt einbauen, prüfen Sie, ob der KI-Anbieter für diese Datenklasse freigegeben ist und ob ein Auftragsverarbeitungsvertrag (AVB) vorliegt.
Vermeiden Sie, dass sensible Felder (Bankdaten, Gesundheitsdaten, Personalakten) ohne Schwärzung in den KI-Schritt gelangen. In n8n und Make lassen sich Felder vor dem KI-Schritt anonymisieren oder durch Platzhalter ersetzen. Dokumentieren Sie diese Vorverarbeitung in Ihrem Datenschutzkonzept.
Passende Tools
- ChatGPT (OpenAI API): breit unterstützt in n8n, Make und Zapier — Standardwahl für KI-Schritte in Workflows
- Claude (Anthropic API): gut bei langen Eingaben und differenzierter Sprachverarbeitung — als Alternative oder Cross-Check sinnvoll
- Microsoft Copilot / Power Automate: für Workflows in der Microsoft-Welt — KI-Schritte direkt im Power-Automate-Designer verfügbar
- Gemini (Google API): sinnvoll, wenn die Automatisierung in Google Workspace läuft; auch über n8n und Make ansprechbar