KI Workflows mit n8n: Inhalte, Klassifizierung und RAG aus eigenen Daten mit Freigaben

KI-Workflows mit n8n verbinden ein Sprachmodell mit Datenquellen, Regeln und Freigaben. Das Modell übernimmt Aufgaben wie Klassifikation, Zusammenfassung oder Antwortentwurf. Deterministische Schritte prüfen anschließend erlaubte Werte, Quellen, Berechtigungen und Folgeaktionen. So entsteht ein kontrollierter Prozess statt eines unbeaufsichtigten Chatbots.

Geeignete Anwendungsfälle

• Supportanfragen nach Thema und Dringlichkeit vorsortieren;
• lange Dokumente oder E-Mail-Verläufe zusammenfassen;
• Metadaten aus unstrukturierten Texten vorschlagen;
• Antwortentwürfe auf Grundlage freigegebener Wissensquellen erstellen;
• Inhalte gegen Stil-, Pflichtfeld- oder Freigaberegeln prüfen;
• interne Wissenssuche mit Quellenhinweisen bereitstellen.

Kritische Entscheidungen wie Zahlungen, Vertragsänderungen, Personalbewertungen oder verbindliche Kundenmitteilungen benötigen zusätzliche fachliche Kontrollen.

Wie ein belastbarer KI-Workflow aufgebaut ist

1. Eingang begrenzen

Der Workflow akzeptiert nur definierte Dateitypen, Größen und Felder. Unnötige personenbezogene oder vertrauliche Informationen werden vor der Modellanfrage entfernt. Eingaben aus externen Quellen gelten als nicht vertrauenswürdig.

2. Aufgabe eindeutig beschreiben

Das Modell erhält eine klar begrenzte Rolle, erlaubte Kategorien und ein festes Ausgabeformat. Statt „Analysiere diese Anfrage“ lautet die Aufgabe beispielsweise: Wähle genau eine von sechs Supportkategorien, gib eine Konfidenzeinschätzung aus und ändere keine Kundendaten.

3. Ausgabe technisch validieren

Nach der Modellantwort prüft der Workflow Schema, Datentypen und erlaubte Werte. Freitext wird nicht ungeprüft als Status, Betrag oder Empfänger verwendet. Fehlt ein Pflichtfeld oder liegt die Einschätzung unter einem Grenzwert, wird der Vorgang an eine Person übergeben.

4. Folgeaktionen begrenzen

Lesende Aktionen sind meist weniger riskant als schreibende. Ein erster Pilot erstellt deshalb Vorschläge oder Entwürfe. Automatisches Schreiben in CRM, Ticketsystem oder Website folgt erst, wenn Qualität und Fehlerfolgen bewertet sind.

5. Betrieb überwachen

n8n dokumentiert Workflow-Ausführungen und ermöglicht das Filtern sowie erneute Starten fehlgeschlagener Läufe. Zusätzlich werden Modellfehler, Validierungsfehler, Kosten, Laufzeit und manuelle Korrekturen erfasst. Protokolle enthalten nur die Informationen, die für Fehleranalyse und Nachweis erforderlich sind.

RAG aus eigenen Daten

Retrieval-Augmented Generation, kurz RAG, ergänzt eine Modellanfrage um passende Ausschnitte aus freigegebenen Quellen. Der Ablauf besteht typischerweise aus Dokumentenaufnahme, Segmentierung, Indexierung, Suche und Antworterstellung.

Die Qualität hängt stärker von den Quellen als vom Modellnamen ab. Für jede Wissensquelle werden Eigentümer, Gültigkeit, Version und Zugriffskreis festgelegt. Veraltete oder widersprüchliche Dokumente werden nicht gemeinsam als gleichwertige Wahrheit indexiert.

• Antworten zeigen die verwendeten Quellen.
• Nutzer sehen nur Inhalte, für die sie berechtigt sind.
• Dokumentänderungen aktualisieren oder entfernen alte Indexeinträge.
• Bei fehlender Quelle meldet das System die Unsicherheit, statt eine Antwort zu erfinden.
• Tests enthalten Fragen mit vorhandener, widersprüchlicher und fehlender Information.

Beispiel: Supportanfrage mit Freigabe

1. Eine neue Anfrage trifft im Ticketsystem ein.
2. Der Workflow entfernt Signaturen und unnötige Identifikatoren.
3. Das Modell schlägt Kategorie, Dringlichkeit und einen Antwortentwurf vor.
4. Feste Regeln prüfen Kategorie, Pflichtfelder und erlaubte Aktionen.
5. Passende interne Dokumente werden gesucht und als Quellen angefügt.
6. Eine Supportperson prüft Entwurf und Quellen.
7. Erst nach Freigabe wird die Antwort versendet und das Ergebnis protokolliert.

Datenschutz und Anbieterprüfung

Vor dem Einsatz werden Vertrag, Datenverarbeitung, Aufbewahrung, Training, Unterauftragnehmer und Administrationsfunktionen geprüft. OpenAI gibt für seine Business- und API-Angebote beispielsweise an, Organisationsdaten standardmäßig nicht zum Training zu verwenden. Diese Herstellerangabe ersetzt nicht die Prüfung des konkreten Kontos, der Einstellungen und des Verarbeitungszwecks.

Zugangsdaten für Modelle und Datenquellen werden getrennt und mit minimalen Rechten verwaltet. Test- und Produktionsumgebung verwenden getrennte Schlüssel. Prompts, Antworten und Quelldokumente werden nur so lange gespeichert, wie es für den festgelegten Zweck erforderlich ist.

Qualität messbar machen

Ein Testset enthält reale, freigegebene Normal- und Grenzfälle. Gemessen werden richtige Klassifikation, Quellenbezug, sachliche Fehler, akzeptierte Entwürfe, notwendige Korrekturen, nicht beantwortbare Fälle, Laufzeit und Kosten. Das NIST AI Risk Management Framework empfiehlt, KI-Risiken fortlaufend zu steuern, zuzuordnen, zu messen und zu behandeln.

Einführung in sieben Schritten

1. begrenzten Anwendungsfall und Fehlerfolgen definieren;
2. Datenquellen, Rechte und erlaubte Nutzung prüfen;
3. Testset und Qualitätsgrenzen festlegen;
4. Workflow mit strukturierter Ausgabe und Validierung bauen;
5. menschliche Freigabe für kritische Schritte vorsehen;
6. Pilot mit kleiner Nutzergruppe durchführen;
7. Monitoring, Kostenlimits und Änderungsprozess organisieren.

Quellen und weiterführende Dokumentation

• n8n Docs: Workflow-Ausführungen und Wiederholungen
• NIST: AI Risk Management Framework
• OpenAI: Business data privacy, security, and compliance
• Europäische Kommission: AI Act

Stand: Juli 2026. Modellfunktionen, Anbieterbedingungen und rechtliche Anforderungen werden vor der Umsetzung aktuell geprüft.