Projekte
15 Praxisprojekte – von laufenden n8n-Systemen mit lokalen Sprachmodellen bis zu Prozessanalyse, Data Governance und EU-Compliance. Anonymisierte Fallstudien auf dem Niveau realer Unternehmensszenarien (DE/EU-Mittelstand).
Reservierungen, Menü- und Allergiefragen automatisch beantworten – lokal und DSGVO-konform
Branche: Restaurant, Berlin
n8nMulti-Agentlokale LLMsSpracheDSGVO
- Aufgabe
- Das Team verbringt täglich Stunden mit Reservierungen, Fragen zu Menü und Allergenen und Bestätigungen. Angaben zu Allergien sind Gesundheitsdaten – eine besondere Kategorie personenbezogener Daten nach Art. 9 Abs. 1 DSGVO.
- Lösung
- 7 n8n-Workflows: Dialog per Text und Sprache, Reservierungsregeln im Code, Erinnerung 2 h vorher, nächtliche Qualitätsbewertung, Monitoring. Eigener, lokal feinabgestimmter Router (Qwen3-4B + LoRA), Agenten auf lokalem Modell, Maskierung personenbezogener Daten vor jedem Modellaufruf, Unklares geht an einen Menschen.
- Ergebnis
- Router-Genauigkeit 86,8 % (46 von 53 Dialogen, gemessen)
- Routing in 0,25 s statt 3,89 s (gemessen)
- Betrieb ca. 550 €/Jahr (Modellrechnung)
- Lokal ist rund 50 €/Monat teurer als die Cloud – bewusst, damit besondere Kategorien personenbezogener Daten nach Art. 9 DSGVO die eigene Infrastruktur nicht verlassen.
Architektur auf einen Blick
- Gast · Messenger
- Hinweis Art. 13 DSGVO · Art. 50 KI-VO
- Maskierung personenbezogener Daten
- Router · Qwen3-4B + LoRA
- Agenten: Reservierung · Menü · Concierge
- Validator · 1 Wiederholung
- Mensch bei Unklarheit
Kundenfragen per Sprachnachricht beantworten – vollständig lokal
Branche: Handelsunternehmen
n8nVoice AIwhisper.cppRAGlokal
- Aufgabe
- Viele gleichartige Fragen zu Lagerbestand und Lieferung. Kund:innen sollen per Sprachnachricht fragen, eine gesprochene Antwort auf Basis echter Lagerdaten erhalten und bestellen können.
- Lösung
- Spracherkennung (whisper.cpp), Sprachmodell (Gemma), Vektorsuche (Qdrant, bge-m3) und Sprachausgabe (Piper) laufen lokal; n8n orchestriert.
- Preise und Bestände liefert Code, nicht das Modell.
- KI-Hinweis nach Art. 50 KI-Verordnung, Filter für personenbezogene Daten vor der Sprachausgabe, Watchdog alle 10 min.
- Ergebnis
- Bestellung in 8 geführten Schritten.
- Stimme und personenbezogene Daten verlassen die eigene Infrastruktur nicht; keine Übermittlung an KI-Anbieter in Drittländern (Art. 44 ff. DSGVO).
- Qualitätskontrolle über fünf Prüfstufen im Code.
Architektur auf einen Blick
- Kunde · Sprachnachricht
- Spracherkennung whisper.cpp (lokal)
- Guardrails
- Klassifikator · Gemma (strukturiert)
- Bestand: Postgres · FAQ: Qdrant
- Antwort aus Fakten (Code)
- Filter personenbezogener Daten
- Sprachausgabe Piper (lokal)
- Mitarbeitende bei Unklarheit
400 Patientenanfragen am Tag vorsortieren – Routine automatisch, Risiko zum Menschen
Branche: Klinikverbund, Berlin
n8nMulti-AgentLLM-as-a-JudgeHuman-in-the-LoopPseudonymisierung
- Aufgabe
- 9 Mitarbeitende bearbeiten 400 Anfragen pro Tag (Termine, Preise, Befundstatus, Beschwerden). Standardfälle sollen automatisch beantwortet, riskante an Menschen übergeben und jede Antwort unabhängig geprüft werden.
- Lösung
- Pseudonymisierung (Name, Telefon, E-Mail, Versichertennummer, Geburtsdatum) vor jedem Modellaufruf.
- Router und 4 Fachagenten; 6 klar definierte Übergabebedingungen an Mitarbeitende (bestätigen / ändern / ersetzen).
- Prüfung jeder Antwort durch ein Modell eines anderen Herstellers.
- Befundinhalte – Gesundheitsdaten nach Art. 9 Abs. 1 DSGVO – gelangen nicht in das Cloud-Modell.
- Ergebnis
- Im Testlauf mit 16 Anfragen (gemessen): 16 von 16 richtig weitergeleitet
- 0 verpasste Eskalationen
- 0 Datenschutzverstöße
- 69 % ohne Mitarbeitende beantwortet (Ziel: 45 %)
Architektur auf einen Blick
- Anfrage · Formular
- Pseudonymisierung
- Prüfung: Daten entfernt?
- Router
- Agenten: Termin · Preise · Befundstatus · Beschwerde
- 6 Übergabebedingungen
- Mitarbeitende: bestätigen · ändern · ersetzen
- Prüfung durch zweites Modell
RAG-Agent mit Wissensdatenbank
Branche: IT-Dienstleister
RAGn8nHuman-in-the-LoopVektordatenbank
- Aufgabe
- Firmenwissen per KI-Agent nutzbar machen – mit aktueller, sauberer Wissensbasis.
- Lösung
- Zwei verbundene n8n-Workflows: RAG-Agent mit Human-in-the-Loop-Freigabe sowie automatische Aktualisierung der Wissensbasis mit Deduplizierung.
- Ergebnis
- Agent-System mit drei Ausgängen – Antwort, Freigabe durch die Rechtsabteilung, Eskalation; Antworten der Jurist:innen erweitern automatisch die Wissensbasis. Alle 6 Testfälle im Live-Betrieb bestanden.
Architektur auf einen Blick
- Frage · Messenger
- Suche im Handbuch (Qdrant)
- Agent mit strukturierter Ausgabe
- A: Antwort mit Quelle
- B: Freigabe durch Rechtsabteilung
- C: Eskalation
- Jurist:in
- Wissensbasis-Update
Structured AI Output System (n8n)
Technisches Kernprojekt
n8nStructured OutputSelf-Correcting ParserError-Handling
- Aufgabe
- KI-Ausgaben zuverlässig und maschinenlesbar machen – auch wenn das Modell Fehler produziert.
- Lösung
- n8n-Workflow mit selbstkorrigierendem Parser, Structured Guided Reasoning, Map-Reduce für lange Texte und globalem Error-Handling (Error Trigger).
- Ergebnis
- Ein Formular für Screenshots, PDFs und Audio; Fehlerberichte mit Kritikalität, Zusammenfassungen auch langer Dokumente (Map-Reduce). 4 Tests im Live-Betrieb bestanden, unbekannte Formate führen nicht zum Absturz.
Architektur auf einen Blick
- Upload · Formular
- Weiche nach Dateityp
- Screenshot · PDF · Audio
- Strukturierte Ausgabe mit Selbstkorrektur
- Map-Reduce für lange Texte
- Tabelle · Fehlerbehandlung
Passende Kandidat:innen per Chatfrage finden – statt Lebensläufe einzeln zu lesen
Branche: Personalabteilung
n8nRAGPineconeStructured OutputAI Act
- Aufgabe
- Recruiter lesen jeden Lebenslauf einzeln und finden passende Profile im Archiv kaum wieder.
- Lösung
- Neue Lebensläufe werden automatisch erfasst: 8 Kernangaben landen in einer Tabelle und in einer Suchdatenbank.
- Danach genügt eine Frage im Chat – etwa „Wer hat SAP-Erfahrung und spricht Deutsch?“.
- Bewusst nur mit Testdaten, denn KI in der Bewerberauswahl ist nach Anhang III KI-Verordnung ein Hochrisikobereich.
- Ergebnis
- Das Archiv wird zur durchsuchbaren Talentdatenbank. Statt Stapel zu lesen, prüft das Team nur noch eine Vorauswahl – die Entscheidung bleibt beim Menschen.
Architektur auf einen Blick
- Lebenslauf · Formular
- Text-Extraktion
- Agent: 8 Kernangaben
- Tabelle
- Vektordatenbank (Pinecone)
- Chatfrage
- Suche nach Bedeutung
- Recruiter entscheidet
Postfach auf Autopilot: E-Mails sortieren, Termine prüfen, Antworten vorbereiten
Branche: Dienstleistungsunternehmen mit Terminbuchung per E-Mail
n8nGmailGoogle CalendarLLM-Klassifikation
- Aufgabe
- Ein Unternehmen erhält täglich zahlreiche E-Mails: Anfragen, Terminwünsche, Einladungen. Alles wird manuell gelesen, sortiert und beantwortet.
- Lösung
- n8n-Workflow mit 54 Knoten.
- KI-Klassifikation und Antwortentwurf in der Sprache der E-Mail.
- Kalenderprüfung mit konkretem Alternativtermin.
- Ablage von Anhängen nach Kunde, Protokoll.
- Benachrichtigung nur zu Arbeitszeiten, Schutz vor Antwortschleifen.
- Ergebnis
- Prototyp mit Video-Demo. Routinepost wird vorsortiert und vorbereitet – der Mensch prüft und sendet.
Architektur auf einen Blick
- Neue E-Mail
- KI-Klassifikation
- Kalender: Termin frei?
- Antwortentwurf im Thread
- Anhänge nach Kunde · Protokoll
- Mensch prüft und sendet
Ausweisdaten ohne Abtippen erfassen – mit Freigabe durch Mitarbeitende
Branche: Immobilienagentur
n8nVision-LLMHuman-in-the-Loop
- Aufgabe
- Kundendaten aus einem Ausweis-Scan sollen ohne Abtippen in die Tabelle, endgültig bestätigt von einem Menschen.
- Lösung
- Ein Vision-Modell liest 8 Felder mit Konfidenzwert.
- Unlesbares bleibt leer – Raten ist ausgeschlossen.
- Mitarbeitende erhalten Scan und vorausgefülltes Formular.
- Ergebnis
- Prototyp. Kein Abtippen mehr, keine erfundenen Werte – der Mensch bestätigt.
Architektur auf einen Blick
- Scan · Messenger
- Vision-Modell: 8 Felder mit Konfidenz
- Entwurf in der Tabelle
- Mitarbeitende prüfen
- Bestätigte Daten
FinOps-Modell und KI-Roadmap für einen Klinikverbund
Branche: Klinikverbund, Berlin
TCOROISzenarienRoadmapRisikoregister
- Aufgabe
- Der Vorstand muss entscheiden, in welche KI-Vorhaben investiert wird, was sie kosten, wann sie sich amortisieren und was im schlechten Fall passiert.
- Lösung
- Excel-Modell mit 18 Blättern: Token-Kosten mit getrennten Ein-/Ausgabepreisen, TCO inkl. versteckter Kosten, 3 Szenarien, Sensitivität, Risikoregister, 12-Monats-Roadmap; Pitch-Deck für den Vorstand. Gesundheitsdaten (Art. 9 DSGVO) nur lokal – obwohl die Cloud günstiger wäre; der Mehrpreis ist offen ausgewiesen.
- Ergebnis
- Modellrechnung Basisszenario: Investition 129.315 €, Effekt 522.460 €/Jahr, ROI über 3 Jahre 229 %, Amortisation im Monat 13; konservatives Szenario mit −14 % offen gezeigt. Initiative 1 wurde danach als Projekt „Patientenservice“ umgesetzt.
Architektur auf einen Blick
- Ist-Kosten der Routine
- Token-Kosten: Ein- und Ausgabe getrennt
- TCO inkl. versteckter Kosten
- Effekt mit Umrechnungsfaktoren 0,25–0,60
- 3 Szenarien
- Risikoregister
- Roadmap 12 Monate mit Gates
EU-AI-Act-Compliance-Paket
Branche: Personaldienstleister
EU AI ActRisikoklassifizierungDPIAVendor Due Diligence
- Aufgabe
- Ein KI-System für Bewerber-Scoring rechtlich einordnen und absichern.
- Lösung
- Risikoklassifizierung nach EU AI Act (High-Risk gemäß Annex III), vollständige DPIA in drei Teilen und Vendor Due Diligence für die KI-SaaS-Komponenten.
- Ergebnis
- Compliance-Paket mit begründeter Freigabe-Entscheidung – Kernprinzip: Risiko folgt dem Verwendungszweck, nicht dem Funktionsnamen.
Architektur auf einen Blick
- Verwendungszweck
- Risikoklasse nach AI Act
- DPIA in drei Teilen
- Prüfung der KI-Anbieter
- Maßnahmen mit Ampel
- Begründete Freigabe-Entscheidung
KI-optimierte Prozess-Map
Branche: Molkerei / Lebensmittelhersteller
ProzessanalyseAS-IS → TO-BERoot-Cause-AnalyseKI-Einsatzpunkte
- Aufgabe
- Einen ineffizienten Geschäftsprozess analysieren und neu gestalten – mit KI dort, wo sie echten Mehrwert bringt.
- Lösung
- Vollständige Prozessanalyse (AS-IS), Ursachenanalyse („5 Why“) und Design des Zielprozesses (TO-BE) mit gezielt markierten KI-Einsatzpunkten.
- Ergebnis
- AI-Optimized TO-BE Process Map inkl. Dokumentation, Präsentation und Fachvortrag.
Architektur auf einen Blick
- Ist-Prozess (AS-IS)
- Ursachenanalyse „5 Why“
- KI-Einsatzpunkte
- Zielprozess (TO-BE)
- Kennzahlen
Data-Governance- & Datenqualitäts-Framework
Branche: Molkerei / Lebensmittelhersteller
Data GovernanceRACIData ContractDatenqualität
- Aufgabe
- Klare Verantwortlichkeiten und messbare Datenqualität als Grundlage für KI-Projekte schaffen.
- Lösung
- Framework mit 12 Komponenten: Ownership Map, RACI-Matrix, Data Contract, Data Lineage und Qualitätsdimensionen mit Messgrößen.
- Ergebnis
- Umfassendes Framework-Dokument (mehrteiliges Excel-Modell) mit Präsentation und Rollenmodell.
Architektur auf einen Blick
- Ownership Map
- RACI-Matrix
- Data Contract
- Data Lineage
- Qualitätsdimensionen mit Messgrößen
AI Portfolio Canvas – Priorisierung von KI-Initiativen
Branche: Cloud-Compliance-Anbieter
KI-StrategiePriorisierungROI-BewertungExecutive Summary
- Aufgabe
- Aus vielen möglichen KI-Ideen die richtigen auswählen – nachvollziehbar für die Geschäftsführung.
- Lösung
- Portfolio-Canvas mit gewichteter Priorisierungsformel (Wert / Aufwand / Risiko) für alle KI-Initiativen.
- Ergebnis
- Priorisiertes KI-Portfolio plus Executive Summary im Management-Format („halbe Seite“).
Architektur auf einen Blick
- KI-Ideen sammeln
- Wert · Aufwand · Risiko
- Gewichtete Priorisierung
- Portfolio
- Executive Summary für die Geschäftsführung
KI-Marketing-Assistenten mit Marken- und Rechtsprüfung
Lernfall am Beispiel der Marke Kärcher (kein Auftrag)
Prompt EngineeringGeminiMulti-RollenUWG
- Aufgabe
- Texte für B2C und B2B sollen im Markenton bleiben; unbelegte Werbeversprechen sind in Deutschland ein Risiko nach UWG.
- Lösung
- 3 Assistenten: Kreativ-Assistent; Orchestrator mit 10 Rollen (Router → Fachrolle → Brand Guardian → Rechtsprüfung → Compliance); Support-Assistent mit FAQ-Basis.
- Freigabe durch Menschen vor der Endfassung.
- Ergebnis
- 7 Prompt-Versionen bis zur Abgabe. Eigene Nachprüfung: Tonprüfung ersetzt keine Faktenprüfung. Deshalb gibt es in späteren Projekten einen separaten Quellenabgleich.
Architektur auf einen Blick
- Briefing
- Router
- Fachrolle
- Brand Guardian
- Rechtsprüfung · Compliance
- Freigabe durch Menschen
Beratungsmethodik E0–E8 für KI-Automatisierung
Eigene Methode aus 15 Projekten
VorgehensmodellGatesDSGVOAI Act4 Sprachen
- Aufgabe
- Aus Einzelprojekten ein wiederholbares Vorgehen für jede Branche machen.
- Lösung
- 9 Phasen mit Freigabe-Gates, 7 Prinzipien, 12 Kundendokumente, Anpassungen für 6 Bereiche (Mittelstand, Beratung, Verwaltung, Bildung, Medizin, privat); Offline-Generator in 4 Sprachen – Kundendaten verlassen den Browser nicht.
- Ergebnis
- Methode, nach der ein Pilotprojekt (Zahnarztpraxis) vorbereitet wird.
Architektur auf einen Blick
- 9 Phasen E0–E8
- Freigabe-Gate nach jeder Phase
- 7 Prinzipien
- 12 Kundendokumente
- Generator in 4 Sprachen (offline)