KI-Automatisierung: Definition, Beispiele und Einsatzbereiche

Beispiel aus der Praxis

Der Recruiting Jobs Sync zeigt, wo KI in einer Automatisierung den Unterschied macht. Die Quelle ist eine Karriereseite ohne API. Die Stellenanzeigen liegen als Fließtext in HTML vor, nicht als strukturierte Daten.

Ein rein regelbasiertes Skript müsste für jeden Aufbau einer Anzeige eigene Regeln kennen. Im Workflow übernimmt deshalb ein Sprachmodell genau einen Schritt: Es liest den bereinigten Text einer Anzeige und gibt die Felder als JSON nach einem festen Schema zurück. Ein Enum begrenzt dabei zum Beispiel die möglichen Werte für die Seniorität, damit die Ergebnisse über mehrere Läufe einheitlich bleiben.

Alles andere bleibt deterministisch. Vorher entfernt ein Skript Skripte, Styles und Markup, damit weniger Token anfallen und das Modell nicht durch irrelevante Inhalte abgelenkt wird. Danach schreibt ein Upsert die Daten in den Datenspeicher, und ein Lauf-Zeitstempel erkennt, welche Stellen von der Quelle verschwunden sind.

Ähnlich ist der Grounding Page Generator aufgebaut. Ein Agent recherchiert Fakten, ein Mensch bestätigt sie auf Feldebene, und erst dann erzeugt ein zweiter Modellaufruf das fertige Dokument.

Wie funktioniert KI-Automatisierung?

KI-Automatisierung verbindet zwei Arten von Schritten. Deterministische Schritte holen Daten, prüfen Bedingungen und schreiben Ergebnisse, und zwar bei gleicher Eingabe immer gleich. KI-Schritte übernehmen das, wofür sich keine festen Regeln schreiben lassen: Text verstehen, einordnen, zusammenfassen oder formulieren.

Damit ein KI-Schritt in einen Ablauf passt, braucht er eine feste Form. Statt freiem Text gibt das Modell eine strukturierte Ausgabe nach einem Schema zurück, die der nächste Schritt zuverlässig weiterverarbeiten kann. Werte, die ein Modell nicht sicher liefern kann, kommen aus Formularen oder Stammdaten.

Technisch laufen solche Abläufe meist auf einer Plattform für Workflow-Automatisierung wie n8n. Sie verbindet Auslöser, Schnittstellen, Modellaufrufe und Fehlerbehandlung in einem Ablauf. Wissen aus internen Dokumenten kommt bei Bedarf über RAG hinzu.

KI-Automatisierung vs. klassische Automatisierung: Was ist der Unterschied?

Merkmal	Regelbasierte Automatisierung	RPA	KI-Automatisierung
Eingaben	Strukturierte Daten	Bedienoberflächen von Anwendungen	Auch Freitext, E-Mails, Dokumente
Logik	Feste Regeln	Nachgebildete Klicks und Eingaben	Regeln plus Sprachmodell
Verhalten	Gleiche Eingabe, gleiches Ergebnis	Gleiche Oberfläche, gleiches Ergebnis	Ergebnis kann variieren
Typische Schwäche	Neue Formate brechen den Ablauf	Änderungen an der Oberfläche	Fehler bei unklaren Eingaben
Prüfung	Tests mit festen Fällen	Tests an der Oberfläche	Tests plus Stichproben und Freigaben

Die Ansätze schließen sich nicht aus. In den Projekten oben ist der KI-Schritt einer von vielen: Abruf, Speicherung und Abgleich bleiben regelbasiert, nur das Verstehen von Text übernimmt das Modell. Eine breitere Einordnung der Arten bietet der Eintrag Prozessautomatisierung.

KI-Workflow oder KI-Agent: Was passt wann?

Anthropic unterscheidet zwei Bauformen. In Workflows werden Sprachmodelle und Werkzeuge über vorab festgelegte Pfade gesteuert. In Agenten steuert das Modell seinen Ablauf und die Nutzung von Werkzeugen selbst (Anthropic, 2024). Ein KI-Agent ist damit flexibler, aber schwerer vorherzusagen und zu testen.

Anthropic empfiehlt, die einfachste mögliche Lösung zu wählen und Komplexität erst zu erhöhen, wenn sie nötig ist (Anthropic, 2024). Für Abläufe mit bekannten Schritten reicht ein Workflow mit einem KI-Schritt. Ein Agent lohnt sich, wenn der nächste Schritt von einer Antwort abhängt und mehrere Werkzeuge infrage kommen.

n8n bildet beide Formen ab. Eine KI-Kette ruft das Modell und weitere Bausteine in fester Reihenfolge auf, ein Agent entscheidet selbst, welche Schritte er ausführt (n8n Docs). Wie sich das in n8n konkret unterscheidet, zeigt der Beitrag n8n Agents vs. AI-Agent-Node.

Welche Risiken hat KI-Automatisierung?

Falsche Ergebnisse ohne Fehlermeldung. Ein Sprachmodell kann plausibel klingende, aber falsche Werte liefern. Schemas, Pflichtfeldprüfungen und Stichproben fangen einen Teil davon ab. Bei folgenreichen Schritten gehört eine menschliche Freigabe dazu, also Human-in-the-Loop.

Manipulierte Eingaben. Verarbeitet ein Ablauf E-Mails, Webseiten oder Dokumente, können darin Anweisungen an das Modell versteckt sein. OWASP führt Prompt Injection an erster Stelle der Top 10 für LLM-Anwendungen 2025 und empfiehlt, die Rechte des Modells auf das Nötigste zu begrenzen (OWASP, 2025).

Regulierte Einsatzbereiche. KI-Systeme, die Bewerbungen analysieren und filtern oder Kandidaten bewerten, zählen nach Anhang III der EU-KI-Verordnung zu den Hochrisiko-Systemen. Wer Personalprozesse automatisiert, sollte Entscheidungen über Personen deshalb bei Menschen lassen und die rechtlichen Anforderungen prüfen.

Zu viel Autonomie zu früh. Ein Agent mit Schreibzugriff auf mehrere Systeme ist schwer zu testen. Ein sichererer Einstieg ist ein lesender oder vorbereitender Schritt, dessen Ergebnis ein Mensch prüft. In n8n lässt sich dafür vor einzelnen Werkzeugen eine Freigabe einrichten, bei der der Workflow pausiert, bis jemand zustimmt oder ablehnt (n8n Docs).

Welche Fehler passieren bei der Einführung?

KI an der falschen Stelle. Wo feste Regeln reichen, etwa beim Übertragen strukturierter Felder, bringt ein Sprachmodell nur Kosten und Unsicherheit. KI gehört an die Stellen, an denen Text verstanden werden muss.

Ungefilterte Eingaben. Wer ganze Webseiten oder E-Mail-Verläufe ungeprüft ins Modell gibt, bezahlt für unnötige Token und riskiert, dass irrelevante Inhalte das Ergebnis verfälschen. Eine deterministische Vorverarbeitung vor dem Modellaufruf hilft gegen beides.

Kein Ausgangswert. Ohne Messung, wie lange ein Ablauf vorher dauerte, lässt sich der Nutzen später nicht belegen. Diese Zahl sollte vor dem Start erhoben werden.