KI-Workflows & Automatisierung

Einführung

Dieses Projekt erforscht die Konzeption fortgeschrittener Automatisierungsworkflows, die KI-Fähigkeiten in jeder Phase der Pipeline integrieren. Wir untersuchen, wie Sprachmodelle und Agenten traditionelle Automatisierungsprozesse bereichern können, um sie intelligenter, adaptiver und widerstandsfähiger zu machen.

Die Experimente umfassen Anwendungsfälle wie intelligente Ticketklassifizierung und -weiterleitung, automatisierte Berichterstellung, Datenanreicherung und selbstanpassende Rückkopplungsschleifen.

Wir bewerten Plattformen wie n8n und benutzerdefinierte Python-Frameworks, um den besten Ansatz je nach Komplexität und Skalierbarkeitsanforderungen zu bestimmen.

Traditionelle Automatisierung basiert auf festen Regeln, binären Bedingungen und vorbestimmten Abläufen. Eine unbezahlte Rechnung löst eine programmierte Mahnung aus, ein Support-Ticket wird anhand einer Stichwortliste weitergeleitet, ein Bericht wird jeden Montag generiert. Diese Ansätze funktionieren für einfache Fälle, zeigen aber ihre Grenzen angesichts der Komplexität der realen Welt: Dieselbe Situation kann je nach Kontext unterschiedlich interpretiert werden, dasselbe Ereignis kann variable Reaktionen erfordern. Die Integration von KI in Automatisierungspipelines transformiert diesen Ansatz: Entscheidungen werden nicht mehr fest codiert, sondern von Modellen abgeleitet, die Kontext, Nuancen und Mehrdeutigkeiten verstehen können.

Ein zentraler Schwerpunkt dieser Forschung ist der Vergleich zwischen No-Code-Plattformen (n8n) und Massentwicklung (Python/Temporal). n8n zeichnet sich durch seine schnelle Einarbeitung aus: Sein visueller Editor ermöglicht die Erstellung eines Workflows in wenigen Stunden mit Hunderten von einsatzbereiten Konnektoren und integrierten KI-Knoten. Die grafische Darstellung erleichtert die Wartung und das Verständnis durch Nicht-Techniker. Für einfache bis mittelschwere Workflows bietet n8n das beste Verhältnis von Implementierungszeit zu Funktionalität. Seine Grenzen zeigen sich jedoch bei der Fehlerbehandlung, der horizontalen Skalierbarkeit und der Feinkonfiguration jenseits einer bestimmten Komplexitätsschwelle. Die Referenzarchitektur, die wir entwickeln, unterscheidet vier Schichten: Die Orchestrierungsschicht (n8n/Temporal) steuert die Ausführung und verwaltet die Übergänge zwischen Schritten; die Agentenschicht delegiert komplexe Entscheidungen an spezialisierte LLMs; die Ausführungsschicht verbindet den Workflow über API, Webhooks und Skripte mit externen Systemen; die Überwachungs- und Beobachtbarkeitsschicht sammelt Leistungs- und Kostenmetriken zur Speisung der kontinuierlichen Verbesserungsschleifen.

Die Massentwicklung mit Temporal und Python adressiert diese Einschränkungen. Temporal ist ein Orchestrator für langlebige Workflows, der die vollständige Ausführung einer Pipeline auch bei Ausfällen durch einen persistenten Ereignisverlauf garantiert. Es verwaltet nativ Aussetzungen, Timeouts, Inter-Workflow-Signale und automatische Wiederaufnahmen. Python bietet vollständige Flexibilität: Jeder Schritt ist eine Funktion, die jede beliebige Bibliothek nutzen, KI-Modelle über ihre SDKs aufrufen und fein abgestimmte Wiederaufnahmerichtlinien definieren kann. Der Code ist in Git versioniert, wird über CI/CD bereitgestellt und in Docker-Containern ausgeführt. Unser Fazit ist, dass beide Ansätze komplementär sind: Ein Workflow kann schnell in n8n prototypisiert und dann zu Temporal migriert werden, wenn die Anforderungen an Zuverlässigkeit und Komplexität steigen.

Klassifikation und Routing

Die intelligente Klassifikation und Weiterleitung ist der erste grosse Anwendungsfall. In einem klassischen System werden eingehende Anfragen nach statischen Regeln weitergeleitet, die stark rauschanfällig und formulierungsabhängig sind. Unser Ansatz ersetzt diese Regeln durch einen LLM-basierten Klassifikationsagenten, der den vollständigen Inhalt analysiert – Betreff, Textkörper, Anhänge, Verlauf – und eine mehrdimensionale Klassifikation erstellt: Kategorie, Unterkategorie, Dringlichkeit, Empfängerdienst, Priorität. Der Agent normalisiert die Anfrage, wendet einen strukturierten Prompt mit Beschreibung der Taxonomie an, parst die JSON-Antwort, validiert die Konsistenz der Entscheidungen und löst die Weiterleitungsaktion über den Workflow aus. Die Ergebnisse werden gespeichert, um Trends zu analysieren und die Prompts zu verbessern.

Anwendungsfälle

Die Datenanreicherung durch KI ist ein Querschnittsanwendungsfall. Daten durchlaufen oft ohne semantische Transformation: Ein Feld customer_id bleibt eine rohe ID, ein Lieferdatum wird nie mit den Urlaubstagen des Spediteurs abgeglichen. Unser Ansatz fügt Anreicherungsagenten zwischen, die die Daten während der Übertragung anreichern können: Korrektur von Postadressen durch Geokodierung, Übersetzung von Textfeldern, Extraktion benannter Entitäten, Ableitung von Kategorien aus heterogenen Attributen. Die Anreicherung wird als asynchroner Schritt des Workflows ausgeführt, mit Caching der Ergebnisse in Redis, um redundante Verarbeitung zu vermeiden. Diese Fähigkeit verbessert die Relevanz von Berichten, die Genauigkeit von Klassifikationen und die Zuverlässigkeit automatisierter Entscheidungen.

Die automatisierte Berichterstellung bindet in Organisationen erhebliche Ressourcen – ein Analyst verbringt mehrere Stunden pro Woche mit Sammlung, Aufbereitung und Erstellung. Unsere Pipeline automatisiert die gesamte Kette: Ein n8n- oder Temporal-Workflow sammelt Daten aus den Quellen (SQL-Datenbanken, CRM-API, Dateien), aggregiert sie in einem standardisierten Format und übergibt sie an ein LLM mit einem Prompt, der das erwartete Format beschreibt. Das LLM produziert einen strukturierten Bericht – Executive Summary, Analyse pro Indikator mit Interpretation und Handlungsempfehlungen, Tabellen und Grafiken im Anhang. Der Bericht wird je nach Kanal formatiert (E-Mail, PDF, Slack, Webseite). Eine optionale menschliche Validierung ist integriert, und die Korrekturen werden zur Verfeinerung zukünftiger Produktionen zurückgespeist.

Automatisierte Nicht-Regressionstests sind unerlässlich, wenn sich die Workflows weiterentwickeln. Wir entwickeln ein Framework, das historische Fälle mit den neuen Konfigurationen wiederholt und die Ergebnisse mit den Referenzen vergleicht. Gekoppelt mit der Standardisierung von Workflows über konfigurierbare Vorlagen ermöglicht dieser Mechanismus die schnelle Bereitstellung von auf die Kundenbedürfnisse zugeschnittenen Pipelines, ohne die Zuverlässigkeit zu opfern.

Die selbstanpassenden Rückkopplungsschleifen stellen die fortschrittlichste Innovation des Projekts dar. Die Ausführungsmetriken – Zeit, Erfolgsrate, Entscheidungsqualität, LLM-Kosten – werden von Prometheus gesammelt und von einem Bewertungsagenten analysiert. Wenn die Klassifikationsrate unter 90 Prozent fällt oder die Kosten pro Anfrage einen Schwellenwert überschreiten, wird eine Korrekturschleife ausgelöst: Identifikation der Ursache (Datendrift, Veralterung des Prompts), Vorschlag einer Korrektur (Prompta­npassung, Neukalibrierung der Schwellenwerte), automatische oder validierungspflichtige Anwendung je nach Kritikalität und Überwachung der Auswirkungen mit automatischem Rollback bei Verschlechterung. Der gesamte Zyklus kann ohne menschliches Eingreifen in weniger als 24 Stunden ablaufen.

Architektur

Die Schichtenarchitektur strukturiert jeden Workflow nach einem reproduzierbaren Modell. Die Auslöseschicht erfasst eingehende Ereignisse – E-Mail, Webhook, Ticket, Cron – und normalisiert ihr Format. Die Klassifikations- und Weiterleitungsschicht leitet jedes Ereignis an die entsprechende Verarbeitung weiter. Die Verarbeitungsschicht führt die Geschäftsaktionen aus: Transformation, Anreicherung, API-Aufruf, KI-Generierung. Die Benachrichtigungsschicht verteilt die Ergebnisse an die Ausgabekanäle. Jede Schicht kann unabhängig geändert oder skaliert werden.

Die Multi-Agenten-Orchestrierung führt eine kollektive Intelligenz ein, bei der mehrere spezialisierte Agenten über einen zentralen Orchestrator zusammenarbeiten. Jeder Agent stellt seine Fähigkeiten über das MCP-Protokoll bereit. Der Orchestrator zerlegt globale Ziele in Teilaufgaben, verteilt die Arbeit und stellt die Konsistenz der Ergebnisse sicher. Bei einer komplexen Kundenreklamation, die ein Produktproblem, einen Vertragsstreit und eine Entschädigungsforderung umfasst, zerlegt der Orchestrator die Anfrage, verteilt jedes Teilproblem an den zuständigen Agenten, erkennt Widersprüche, löst eine Konfliktlösung aus und erzeugt eine konsolidierte Antwort. Temporal gewährleistet die zeitliche Koordination, Redis dient als Nachrichtenbus und gemeinsamer Kontext-Cache.

Monitoring und Beobachtbarkeit sind in einer KI-Workflow-Architektur unerlässlich. Prometheus sammelt kontinuierlich die Metriken pro Schritt: Ausführungszeit, Erfolgsrate (geschäftliche vs. technische Fehler), Latenz der LLM-Aufrufe nach Modell und Anbieter, Inferenzkosten pro Workflow, Entscheidungsqualität. Grafana visualisiert diese Daten in parametrierbaren Dashboards mit Alarmierung bei dynamischen Schwellenwerten. Redis ergänzt die Infrastruktur als Ergebnis-Cache zur Vermeidung redundanter Aufrufe, als Warteschlange für asynchrone Aufgaben, als Sequenzierungs-Bus über Redis Streams und als Session-Store für Workflows mit menschlicher Interaktion.

Fazit

Perspektiven

Dieses Projekt legt die Grundlagen für eine neue Generation von Automatisierungssystemen, in denen KI das zentrale Herz der Orchestrierung, Entscheidungsfindung und kontinuierlichen Verbesserung ist. Die Kombination von n8n und Temporal, LLMs für Klassifikation und Generierung, selbstanpassenden Rückkopplungsschleifen, Redis für Kommunikation und Caching sowie Prometheus für Monitoring bietet einen vollständigen Stack für den Bau robuster, skalierbarer und intelligenter Pipelines. Die dokumentierten Patterns dienen als Referenz für Kundenbereitstellungen und speisen die wiederverwendbare Komponentenbibliothek des Labors.