Der Mensch startet den teuren Schritt
Modellkosten entstehen erst nach abgestimmtem Briefing und Freigabe. Das Deck geht erst nach einem Review raus.
Von der Bestellung bis zum Analyse-Deck: n8n steuert Status, Daten und Freigaben, ein Worker misst, wie KI-Assistenten auf echte Kauffragen antworten.
Projekt 02 · Workflow-Orchestrierung · LLM-Abfragen · Audit-Worker
Das Audit prüft, ob ChatGPT, Gemini und Perplexity einen Shop bei echten Kauffragen nennen und ob der Shop für KI-Crawler lesbar ist. Ohne Automatisierung wären Bestellung, Abfragen an mehrere Modelle und Bericht Handarbeit gewesen.
Ich habe die n8n-Workflows für Vormerkung, Bestellung, Briefing, Audit-Start, Worker-Rückmeldung und Hänger-Erkennung gebaut, dazu den vorgelagerten Quick-Check. Die Zahlungsanbindung stammt von einem Kollegen, das Produktkonzept aus dem Team.
Bestellungen kommen per Webhook, landen in Tabelle und Projektboard, und Claude entwirft Kauffragen als JSON für das Briefing. Ein Mensch startet den Lauf per Statuswechsel; n8n prüft auf Doppelstart und beauftragt den Worker. Der fragt drei KI-Assistenten ab, wertet Nennungen und Quellen aus und erzeugt ein Deck, das vor der Auslieferung geprüft wird.
Modellkosten entstehen erst nach abgestimmtem Briefing und Freigabe. Das Deck geht erst nach einem Review raus.
Board-Webhooks können mehrfach feuern. Eine Lauf-Tabelle verhindert einen zweiten Start für denselben Auftrag innerhalb von drei Stunden.
Alle 15 Minuten prüft n8n Läufe über 90 Minuten beim Worker nach, trägt verlorene Rückmeldungen nach und warnt bei echten Hängern genau einmal.
Fehlschläge erscheinen als Update direkt am Auftrag, mit Job, Schritt und Ursache. Fällt ein Nebendienst aus, läuft die Bestellung trotzdem weiter.
Die Strecke läuft seit Oktober 2026 im Testbetrieb mit echten Durchläufen. Zwischen Bestellung und Deck stehen zwei menschliche Entscheidungen: Freigabe und Review.
Öffentliche Webhooks brauchen dieselbe Sorgfalt wie eine API; vor dem regulären Betrieb stehen noch Härtungen an einzelnen Eingängen an. Eine schlanke Lauf-Tabelle brachte mehr Betriebssicherheit als zusätzliche Retries.
Fragen zur Umsetzung oder eine passende Rolle im AI Engineering? Zum Kontakt