ozan.orhan
Kontakt

Leistungsnachweis Automation

Ein monatlicher Workflow, der Zeiterfassungen aus Toggl verarbeitet, kundenspezifisch aufbereitet und daraus automatisch Leistungsnachweise und Dokumente erzeugt.

Fallstudie von Ozan Orhan, AI Engineer aus Hannover

Projekt 07 · API Integration · Document Automation · Human Approval

Reifegrad
Im Einsatz
Status
Im Einsatz seit Ende 2025, Folgeversion im Test
Kontext
Unternehmenskontext · anonymisiert dargestellt
Stack
Toggl API · Slack Reaction Trigger · Google Sheets · Google Drive · JavaScript · Datentransformation · Dokumentvorlagen · n8n (Orchestrierung)
Systembild der Leistungsnachweis Automation: Freigabe über Slack-Reaktion, Zeitraum, Toggl API, Kundenzuordnung, Sheets und Dokumente, Drive, Abschlussmeldung in Slack.

Ausgangspunkt

Die Arbeitszeiten liegen bereits strukturiert in Toggl vor. Für monatliche Leistungsnachweise mussten diese Daten jedoch erneut gefiltert, Kunden zugeordnet, aufbereitet und in Dokumente übertragen werden.

Der Workflow übernimmt diesen Prozess automatisiert und erzeugt aus den vorhandenen Zeiterfassungen die benötigten Leistungsnachweise.

Wer macht was

KI
Keine KI im Ablauf: Die Verarbeitung ist vollständig regelbasiert.
Deterministische Software
Lädt Zeiteinträge aus Toggl, ordnet sie Kunden zu, befüllt Vorlagen und legt die Dokumente in Drive ab.
Mensch
Gibt den monatlichen Lauf per Slack-Reaktion frei und wählt damit den Zeitraum.

Architektur

Der n8n-Workflow umfasst 152 Nodes und zwei Trigger. Eine Slack-Nachricht fragt monatlich die Freigabe ab; eine Reaktion darauf startet den Lauf und bestimmt über einen Switch den Zeitraum. Anschließend lädt der Workflow die Zeiteinträge aus Toggl, ordnet sie Kunden zu und transformiert sie in die je Kunde benötigte Struktur.

Aus den aufbereiteten Daten entstehen Sheets und Dokumente, die in der vorgesehenen Drive-Ordnerstruktur abgelegt werden. Den Abschluss meldet der Workflow in Slack zurück.

Freigabe

Der Lauf startet nicht nach Zeitplan, sondern nach einer Reaktion auf eine Slack-Nachricht. Die Reaktion wählt über einen Switch den Zeitraum; ohne Reaktion gibt es keinen Lauf.

Engineering-Entscheidungen

Toggl als Source of Truth

Die bereits vorhandene Zeiterfassung wird direkt weiterverarbeitet. Es entsteht keine zweite manuell gepflegte Datenquelle.

Freigabe vor Ausführung

Der monatliche Lauf startet erst nach einer expliziten Slack-Reaktion. Verschiedene Reaktionen können unterschiedliche Zeiträume oder Pfade auswählen.

Verarbeitung vor Dokumentausgabe

Rohdaten aus Toggl werden zuerst transformiert und kundenspezifisch aufbereitet. Dokumente und Sheets erhalten bereits vorbereitete Daten.

Automatisierte Datei- und Ordnerstruktur

Ausgaben werden automatisiert in der vorgesehenen Drive-Struktur abgelegt.

Prozess-Telemetrie als Ausbaupfad

Für einen Teil des Workflows existiert bereits ein Telemetrie-Schema für Laufzeit, potenzielle Zeitersparnis, Kosten und Fehlertypen, mit Feldern wie Execution-ID, Workflow, Baseline-Zeit, eingesparter Zeit, Stundensatz, erzeugtem Wert, AI-Kosten und Fehlertyp. Es ist noch nicht über alle Pfade ausgerollt.

Ergebnis

Der monatliche Workflow verarbeitet Toggl-Zeiterfassungen, bereitet sie für mehrere Kunden auf, erzeugt die benötigten Dokumente bzw. Tabellen und legt die Ergebnisse in Drive ab.

Die Ausführung kann über eine Slack-Reaktion freigegeben werden. Der Abschluss wird ebenfalls über Slack zurückgemeldet.

Weiterlesen

Kontakt

Fragen zur Umsetzung oder ein Gespräch über eine Rolle im AI Engineering? Zum Kontakt