Wie wir mit KI Prozesse automatisieren
Wann ein Prozess bereit ist, wann Zeitplan oder Ereignis passt und wo wir Menschen drinbleiben
Herzlich Willkommen zu den AI FIRST Insights! Du setzt eine Automatisierung auf, am ersten Tag läuft sie wie am Schnürchen. Ein paar Wochen später ist sie kaputt, weil sich der Prozess geändert hat oder ein Feld anders heißt. Und meistens merkt es keiner sofort.
Wer kennt’s? :)
Genau so ging es uns in der ersten Version unseres KI-Betriebssystems, wo neben rund 100 Skills diverse Automatisierungen in n8n liefen. Die Logik stand also doppelt: im Skill und im Workflow. Änderte sich ein Prozess, zogen wir den Skill nach, und der Workflow brach wieder.
In Version 2.0 unseres Systems haben wir das anders gelöst. Letzte Woche ging es um Skills, heute darum, wie wir diese stabil automatisieren.
Heute zeige ich dir:
- wann ein Prozess bereit ist für eine Automatisierung
- wann du nach Zeitplan und wann nach Ereignis automatisierst
- wie eine Automatisierung bei uns aufgebaut ist und abläuft
- wo wir Menschen noch in der Schleife sitzen und wo darüber
- wie wir merken, wenn etwas ausfällt
Los geht's!
P.S. Im AI Collective gehen wir mit unseren Mitgliedern den ganzen Weg zu einem Unternehmen, in dem KI möglichst gut für Menschen arbeitet: vom Fundament über Agents, Skills und Kontext bis zur Automatisierung. Hier kannst du dich für die Kohorte ab Januar bewerben. Wir haben jetzt noch 5 Plätze frei.
Wann ein Prozess bereit ist für eine Automatisierung
Die Faszination und das Versprechen von Automatisierungen sind groß: „Endlich XYZ nicht mehr machen müssen.“ — ich verstehe daher auch die Motivation, möglichst viel, möglichst schnell zu automatisieren.
Ich würde aber schätzen, dass 80-90% der Prozesse noch nicht für eine Automatisierung bereit sind, wenn man sich damit beschäftigt.
Auch wir haben schon oft Prozesse automatisiert, die noch gar nicht robust waren. Vervielfacht hat das System dann vor allem die Nacharbeit.
Heute automatisieren wir erst, wenn diese Punkte erfüllt sind:
Die Daten sind da: Alles, was der Prozess braucht, ist für die KI zugänglich und gepflegt.
Die Systeme sind angebunden: Es gibt eine Schnittstelle zu jedem Tool, aus dem gelesen oder in das geschrieben wird.
Der Prozess ist eingeschliffen: Wir haben ihn oft genug selbst gemacht, verstehen ihn, und er ändert sich nicht jede Woche.
Das Ergebnis ist klar: Wir können beschreiben, wie ein gutes Ergebnis aussieht und woran wir es erkennen.
Es gibt Testfälle: Beispiele aus Input und erwartetem Output, gegen die die KI prüfen kann, ob sie richtig arbeitet. Im Fachjargon: Evaluationen.
Die Grenzen sind klar: Es ist festgelegt, was die Automatisierung auf keinen Fall tun darf.
Ein Mensch ist verantwortlich: Jemand merkt, wenn etwas schiefläuft, und entwickelt den Prozess weiter.
Fehlt einer dieser Punkte, ist es zu früh. Bitte dann diese Punkte lösen und auf gar keinen Fall versuchen, das zu automatisieren…wirklich!
Bei uns gilt: erst Erweiterung, dann Automatisierung.
Jeder Ablauf startet als Skill, den wir auf Zuruf nutzen. Wir sehen jedes Ergebnis und korrigieren. Erst wenn die Testfälle bestanden sind und der Skill ein, zwei Wochen mit wenig Nacharbeit läuft, wird daraus eine Automatisierung. Jede Automatisierung starten wir ebenfalls mehrfach von Hand und schauen genau hin: Stimmt das Ergebnis in verschiedenen Testfällen, greifen die Sperren, lässt sie sich jederzeit anhalten? Erst dann gebe ich sie frei.
Ist ein Prozess bereit, folgt die nächste Frage: Wann löst die Automatisierung aus?
Zeitplan oder Ereignis
Eine Automatisierung kann auf zwei Arten starten.
Nach Zeitplan läuft sie zu festen Zeiten und arbeitet alles ab, was seit dem letzten Lauf neu ist. Bei uns sammelt zum Beispiel jeden Morgen eine Automatisierung neues Wissen aus Slack, Projekten, Mails und unseren Meeting-Notizen ein.
Nach Ereignis startet sie, sobald etwas passiert. Nach jedem Kundentermin schreibt unser Meeting-Tool Circleback die Notiz zum Beispiel automatisch in unser CRM Attio.
Welche Variante passt, entscheidet vor allem eine Frage: Wie schnell muss das Ergebnis da sein? Wartet ein Kunde, lohnt sich der Ereignis-Auslöser.
Schaden ein paar Stunden nicht, ist der Zeitplan meist besser: einfacher aufzusetzen, die KI arbeitet gesammelt, und fällt ein Lauf aus, merkt man es sofort. Wir nutzen deshalb fast nur Zeitpläne, oft im Zusammenspiel mit einem Ereignis davor.
Überall, wo wir nur Daten übertragen, einen Status setzen, etwas zählen oder andere Dinge tun wollen, die immer zu 100% gleich ablaufen, nutzen wir gar keine KI. Sondern:
- Eine Regel im Tool selbst, so wie bei Circleback.
- Ein fester Schritt in einem Workflow-Builder wie Langdock oder n8n, KI nur dort, wo ein Urteil gebraucht wird.
- Ein kleines Skript im Skill, das dir deine KI schreibt (“Schreibe mir ein Skript für…“). Unser Skill für diese Insight-Artikel zählt Wörter und Zeichen zum Beispiel mit so einem Skript, statt die KI schätzen zu lassen.
KI braucht es dort, wo gelesen, gedacht, eingeordnet oder formuliert wird.
Wie eine Automatisierung bei uns aufgebaut ist
Eine Automatisierung besteht bei uns aus drei Teilen:
- Der Auslöser liegt in Claude. Dort stehen nur der Zeitplan und ein einziger Satz: „Lies den Auftrag und führe ihn aus.“

- Der Auftrag liegt in GitHub, in einem Ordner für Automatisierungen, eine Datei je Automatisierung. Darin steht, welche Skills sie nutzt, was sie lesen darf, wohin ihr Ergebnis geht, was sie nicht darf und wie man sie anhält.
- Die Arbeit steckt in den Skills, auf die der Auftrag verweist, dieselben, die wir auch auf Zuruf nutzen. Ein Skill ist dabei mehr als ein guter Prompt: Zu ihm gehören Vorlagen, Beispiele und kleine Skripte für die festen Schritte.
Damit ist das Problem aus Version 1 gelöst. Ändert sich ein Prozess, ändern wir nur den Skill, und die Automatisierung arbeitet beim nächsten Lauf mit der neuen Fassung. Nichts steht mehr doppelt oder driftet auseinander.
Und weil der Auftrag für die Automatisierung und Skills am Ende „nur“ Ordner mit Dateien sind, die uns in GitHub gehören und nicht technisch in irgendeinem Tool eingebaut sind, hängen wir an keinem Anbieter. Wechseln wir den Agenten, nehmen wir den Ordner einfach mit und stellen ihm diesen bereit.
So läuft unsere Sales-Automatisierung:
- Schritt 0: Ein Kundentermin endet und über eine feste Integration unseres Meeting-Tools mit dem CRM werden die Notizen übertragen.
- Schritt 1: Mehrmals am Tag greift der Zeitplan für die Sales-Nachbereitung.
- Schritt 2: Claude schaut in den Ordner „Automatisierungen“ und den Auftrag „Sales-Nachbereitung“, wo dann der Automatisierungsauftrag mit den Schritten und zu nutzenden Skills „Angebot erstellen“, „CRM pflegen“, „Sales Follow Up vorbereiten“ dokumentiert ist.
- Schritt 3: Claude führt den Prozess aus und lädt die Skill-Dateien in denen die konkreten Anweisungen, Skripte, Vorlagen für die Teil-Aufgaben beschrieben sind.
- Schritt 4: Der Prüfer-Agent prüft die Qualitätskriterien für jeden Skill, gibt Feedback oder Freigabe.
- Schritt 5: Alles was nach draußen geht, prüfe ich und schicke es dann ab.
Zum Nachbauen einer Automatisierung, die ein Agent ausführt, reicht für den Anfang diese Vorlage, egal mit welchem Agenten du arbeitest:
# Automatisierung: {Name}
Skill: {welcher Skill die Arbeit macht}
Auslöser: {Zeitplan oder Ereignis, z. B. werktags morgens}
Liest: {Quellen, z. B. Meeting-Notizen, CRM}
Ergebnis: {wohin, z. B. Entwurf in Gmail}
Darf nicht: {z. B. senden, löschen, bezahlen}
Nachweis: {wo jeder Lauf eine Spur hinterlässt}
Anhalten: {wie man die Automatisierung stoppt}
Verantwortlich: {wer sich kümmert, wenn etwas schiefläuft}Solltest du mit einem Workflow-Builder wie n8n, Langdock Workflows, Make oder Co. arbeiten, kannst du diese Vorlage ebenfalls nutzen und dann dem Agenten geben, der in diesem Tool den Workflow für dich baut.
Human in vs. on the Loop
Lange war mein Prinzip Human in the Loop: Die KI arbeitet, und an festen Stellen gibt immer ein Mensch frei. Mittlerweile werden wir öfter zum Human on the Loop: Wir definieren die Ziele sowie Qualitätskriterien und lassen einen 2. Agenten gegen diese Ziele und Kriterien prüfen, statt selbst jedes Ergebnis freizugeben.
Welche Rolle wir übernehmen, entscheidet eine Frage: Wäre ein Fehler an dieser Stelle teuer oder nicht mehr rückgängig zu machen?
- In der Schleife bleiben wir bei allem, was nach außen geht. Mails, Content und Angebote bereitet die KI als Entwurf vor und wir prüfen und iterieren falls notwendig. Braucht eine Automatisierung eine Entscheidung, fragt sie uns in Slack. Wir antworten und sie führt danach nur die Schritte aus, die für genau diesen Fall vorher festgelegt sind.
- Über der Schleife sitzen wir, wo ein Fehler wenig kostet und sich leicht korrigieren lässt. Das CRM pflegt die KI selbst. Und das neue Wissen vom Morgen übernimmt sie in unseren Kontext, sobald der Prüfer-Agent es freigegeben hat. Ich sehe davon nur die Zusammenfassung.
Dabei verlassen wir uns nicht allein auf Anweisungen. Aktionen wie „Senden“, „Löschen“, „Bezahlen“ und „Veröffentlichen“ sind bei uns technisch in den Systemen gesperrt, die KI nutzen kann. Auch wenn eine Mail von außen etwas anderes verlangt.
Die Frage nach Human in oder on the Loop kann nicht pauschal beantwortet werden. Da KI jedoch immer besser und genauer darin wird, sich selbst zu kontrollieren, werden viele starre menschliche Prüf- und Freigabeschleifen zum Engpass werden — und oft auch die Qualität reduzieren, wenn hunderte bis tausende KI-Outputs geprüft und freigegeben werden müssen.
Mein Ziel ist es, unserer KI eine möglichst hohe Autonomie im Unternehmen zu geben — bei gleichzeitiger Qualitätssicherung.
Wie wir merken, wenn etwas ausfällt
Jetzt bekomme ich oft die Frage: „Woher weißt du, was die KI getan hat, wenn du nicht mehr jeden Schritt siehst?“
Unsere Antwort ist ein Logbuch.
Jede Automatisierung schreibt nach jedem Lauf einen Eintrag hinein:
- was sie getan hat,
- mit welchem Ergebnis,
- mit Link zum Ergebnis
Jeden Morgen gleicht eine Automatisierung das Logbuch damit ab, welche Automatisierung wann hätte laufen sollen. Fehlt ein Lauf oder ist einer schiefgegangen, meldet sie es mir in Slack.
Wie wichtig das ist, haben wir gleich zu Beginn gelernt. Einige Automatisierungen hingen tagelang still, weil die KI auf eine Freigabe wartete, die niemand gesehen hat. Keine Fehlermeldung, es passierte einfach nichts.
Fazit
Eine Automatisierung ist bei uns kein eigener Bau mehr, sondern ein Skill, der zu einer festen Zeit oder bei einem Ereignis von selbst startet. Ändert sich ein Prozess, passen wir nur den Skill an.
Wenn du selbst anfangen willst:
- Nimm einen Prozess, den du schon oft mit KI auf Zuruf erledigst, und geh die Checkliste durch. Fehlt ein Punkt, bau zuerst die Grundlage.
- Entscheide für jeden Schritt, ob er KI braucht oder eine feste Regel reicht.
- Leg fest, wo ein Mensch drinbleibt: überall dort, wo ein Fehler teuer oder nicht rückgängig zu machen wäre.
- Sorg dafür, dass jeder Lauf dokumentiert wird, bevor du die erste Automatisierung einschaltest.
Und ganz wichtig: Automatisiere nur, was manuell stabil und mit hoher Qualität läuft!
Damit sind wir am Ende der Serie zum KI-Betriebssystems 2.0.
Hier findest du die Artikel zu unseren Learnings, wie wir KI bei uns aufgesetzt haben, der neuen Wissensbasis und wie wir qualitätsgesicherte Skills bauen.
Ich hoffe, dass unsere Erfahrungen dir geholfen haben, den Einsatz von KI in deinem Unternehmen zu prüfen, zu überdenken und eventuell auch die ein oder andere Idee mitzunehmen, wie KI in deinem Unternehmen noch besser mitarbeiten kann.
Bestimmt sind Fragen offen geblieben. Schreib sie mir als Antwort auf diese Mail, nächsten Sonntag beantworte ich die häufigsten.
Bis nächsten Sonntag,
Felix
P.S. Im AI Collective gehen wir mit unseren Mitgliedern den ganzen Weg zu einem Unternehmen, in dem KI möglichst gut für Menschen arbeitet: vom Fundament über Agents, Skills und Kontext bis zur Automatisierung. Hier kannst du dich für die Kohorte ab Januar bewerben. Wir haben jetzt noch 5 Plätze frei.







