AI in deine Automatisierung einbauen

Bis hierhin hast du in Level 3 gelernt was Automatisierung ist, wie Zapier und n8n funktionieren und wie Webhooks Daten von A nach B schicken. Was bisher gefehlt hat ist die Brücke. All diese Flows verschieben Daten und folgen festen Regeln. Wenn dies, dann das. Aber sobald die Aufgabe ein bisschen Verstehen braucht, eine Mail einsortieren, einen Text zusammenfassen, aus einem wilden Formular saubere Felder machen, kommt eine reine Wenn-Dann-Logik an ihre Grenze. Genau da setzt du ein Sprachmodell mitten in deinen Flow. Das ist der Schritt der aus Automatisierung AI-Automatisierung macht, und du brauchst dafür keinen Code.

Stell dir einen typischen Fall vor. Bei dir landen Kontaktanfragen über ein Formular. Manche sind echte Kundenanfragen, manche sind Spam, manche sind Bewerbungen. Eine klassische Automatisierung kann die nicht unterscheiden, weil der Unterschied im Text steckt und nicht in einem festen Feld. Ein Sprachmodell schon. Du schickst den Text der Anfrage an das Modell, fragst "ist das eine Kundenanfrage, Spam oder eine Bewerbung, antworte nur mit einem Wort", und routest danach. Das ist die Idee in einem Satz.

Wo das Modell im Flow sitzt

In jeder No-Code-Plattform ist die Struktur gleich. Du hast einen Trigger, dann mehrere Schritte, am Ende eine Aktion. Das Sprachmodell ist einfach einer dieser Schritte in der Mitte. Vorher kommt der Trigger, der Formular-Eintrag. Danach kommt die Aktion, die Mail oder der Datenbank-Eintrag. Das Modell sitzt dazwischen und macht aus unstrukturiertem Input eine Entscheidung oder einen sauberen Output.

Es gibt zwei Wege das Modell anzusprechen. Der bequeme Weg ist ein fertiger Baustein. n8n hat einen AI-Node, Zapier hat eine AI-Integration, und beide lassen dich direkt einen Anbieter auswählen, einen Prompt eintippen und das Ergebnis im nächsten Schritt weiterverwenden. Der flexible Weg ist der HTTP-Request-Node, den du aus der Webhook-Lektion schon kennst. Damit rufst du die API des Anbieters direkt auf. Das ist genau dasselbe Prinzip wie ein Webhook, nur dass der Empfänger eben ein Sprachmodell ist.

Der direkte API-Aufruf

Wenn du den HTTP-Weg nimmst, baust du eine ganz normale POST-Anfrage. Bei der Anthropic Messages API geht das so. Du brauchst drei Header und einen Body.

POST https://api.anthropic.com/v1/messages

Header:
  x-api-key: DEIN_API_KEY
  anthropic-version: 2023-06-01
  content-type: application/json

Der anthropic-version Header ist fix und bleibt 2023-06-01, das ist die API-Version und hat nichts mit dem Datum von heute zu tun. Den x-api-key holst du dir im Konto deines Anbieters. Behandle den wie ein Passwort, der gehört nie in ein öffentliches Formular oder einen geteilten Flow.

Der Body sieht minimal so aus:

{
  "model": "claude-haiku-4-5",
  "max_tokens": 200,
  "messages": [
    {
      "role": "user",
      "content": "Sortiere diese Anfrage in genau eine Kategorie: Kundenanfrage, Spam oder Bewerbung. Antworte nur mit dem Kategorie-Wort. Anfrage: {{formular_text}}"
    }
  ]
}

Das {{formular_text}} ist ein Platzhalter den die No-Code-Plattform mit dem echten Inhalt aus dem vorigen Schritt füllt. In n8n schreibst du das als Expression, in Zapier ziehst du das Feld per Klick rein. Die Antwort des Modells steht danach in einem Feld das du im nächsten Schritt nutzt, etwa um per Filter zu entscheiden ob die Mail an den Vertrieb oder in den Spam-Ordner geht.

Ein Wort zur Modellwahl, das spart dir bares Geld. Für simple Klassifikation und Umformatierung nimmst du das billigste Modell, also Haiku 4.5. Das ist schnell und kostet fast nichts pro Aufruf. Für Aufgaben die echtes Verstehen brauchen, etwa eine Anfrage in eigenen Worten zusammenfassen, nimmst du Sonnet 4.6. Opus brauchst du in einem Automatisierungs-Flow fast nie, das wäre mit Kanonen auf Spatzen.

Strukturierte Antworten statt Fließtext

Der häufigste Anfänger-Fehler ist, das Modell frei antworten zu lassen und dann zu hoffen dass das Format passt. Mal antwortet es "Das ist eine Kundenanfrage", mal "Kategorie: Kundenanfrage", mal mit einem ganzen Absatz. Deine Automatisierung kann mit so etwas nichts anfangen weil der nächste Schritt ein exaktes Wort erwartet.

Die Lösung ist, dem Modell im Prompt genau zu sagen wie die Antwort aussehen soll. "Antworte nur mit dem Kategorie-Wort, ohne Satz, ohne Punkt." Noch sauberer wird es wenn du JSON verlangst:

{
  "model": "claude-haiku-4-5",
  "max_tokens": 300,
  "messages": [
    {
      "role": "user",
      "content": "Extrahiere aus diesem Text Name, Email und Anliegen. Antworte ausschliesslich als JSON mit den Feldern name, email, anliegen. Text: {{formular_text}}"
    }
  ]
}

JSON ist deshalb so praktisch, weil die meisten No-Code-Tools es direkt in einzelne Felder zerlegen können. Aus dem Modell-Output {"name": "Anna", "email": "anna@...", "anliegen": "Angebot"} werden drei saubere Felder die du einzeln weiterverwendest. Damit hast du aus einem chaotischen Freitext-Formular strukturierte Daten gemacht, und das war vorher mit reiner Wenn-Dann-Logik unmöglich.

Was schiefgehen kann

Drei Fallen aus der Praxis.

Erstens, das Modell hält sich nicht immer ans Format. Auch mit klarer Anweisung kommt selten mal ein zusätzlicher Satz mit. Bau einen Sicherheits-Schritt ein der prüft ob die Antwort wirklich eines deiner erwarteten Wörter ist, und schick alles andere in einen manuellen Review statt es blind weiterzuverarbeiten.

Zweitens, Kosten die unbemerkt hochlaufen. Ein Flow der bei jeder Formular-Anfrage ein Modell aufruft ist günstig. Ein Flow der in einer Schleife läuft und das Modell tausendmal aufruft kann dich überraschen. Schau dir nach dem ersten Tag die Nutzung im Anbieter-Konto an, bevor du den Flow scharf stellst.

Drittens, der API-Key im falschen Feld. Ich habe Flows gesehen bei denen der Key versehentlich in einem Output-Feld landete das später in einer Mail auftauchte. Der Key gehört in die Credential-Verwaltung der Plattform, nie in den Prompt-Text und nie in ein Feld das nach außen geht.

Was als nächstes

Du kannst jetzt ein Sprachmodell als Schritt mitten in deine Automatisierung setzen, entweder über einen fertigen AI-Node oder über einen direkten HTTP-Aufruf, und du weißt wie du saubere strukturierte Antworten bekommst. Das ist die Grundlage für fast jeden nützlichen AI-Flow. In der nächsten Lektion, dem Capstone von Level 3, baust du einen kompletten Flow von Trigger bis Aktion mit einem Modell in der Mitte. Wenn du den HTTP-Teil nochmal sacken lassen willst, lies die Webhook-Lektion in diesem Level nochmal, das Prinzip ist identisch.

Source

• Messages API Referenz: https://platform.claude.com/docs/en/api/messages
• Modelle und Preise: https://platform.claude.com/docs/en/about-claude/models/overview