Regeln oder KI? Wann ein Workflow ein Sprachmodell braucht

„Können wir das nicht mit KI machen?“ Diese Frage fällt inzwischen in fast jedem Gespräch über Automatisierung – und oft ist die ehrliche Antwort: Sie könnten, aber Sie sollten nicht. Künstliche Intelligenz ist gerade das Etikett, das alles besser klingen lässt. Für viele Arbeitsschritte ist ein Sprachmodell aber die teurere, langsamere und unzuverlässigere Lösung als eine schlichte Wenn-Dann-Regel. Dieser Artikel hilft Ihnen, vor dem Bauen die richtige Frage zu stellen: Braucht dieser Schritt wirklich ein Sprachmodell – oder reicht eine feste Regel?

Zwei Werkzeuge, die oft verwechselt werden

In einem Automatisierungs-Tool wie n8n haben Sie zwei grundverschiedene Arten von Bausteinen. Auf der einen Seite stehen die deterministischen Nodes: der IF-Node schickt jeden Datensatz anhand fester Bedingungen in einen Wahr- oder Falsch-Zweig, der Switch-Node verteilt auf mehrere Ausgänge, der Filter-Node wirft alles weg, was nicht passt. Diese Bausteine folgen Regeln, die Sie vorgeben – nicht mehr und nicht weniger.

Auf der anderen Seite stehen die KI-Nodes: der AI Agent, der Text Classifier oder der Information Extractor. Sie alle haben eine technische Gemeinsamkeit, die viele unterschätzen: Jeder dieser Knoten braucht zwingend ein angebundenes Sprachmodell als Unter-Node – ein „Chat Model“ von OpenAI, Anthropic, Google oder einem lokalen Anbieter. Ohne dieses Modell funktioniert der KI-Node gar nicht. Sobald Sie also einen KI-Baustein einsetzen, holen Sie sich ein Sprachmodell mit allen seinen Eigenschaften ins Haus – auch den unbequemen.

Was feste Regeln einfach besser können

Nicht jede Automatisierung braucht künstliche Intelligenz. Lässt sich ein Schritt in klare Wenn-Dann-Regeln fassen, ist eine feste Regel der KI fast immer überlegen: Sie liefert bei gleicher Eingabe immer dasselbe Ergebnis, verursacht keine laufenden Modellkosten und ist nachvollziehbar prüfbar. Ein Sprachmodell lohnt sich erst dort, wo die Eingabe unstrukturiert ist und echtes Sprach- oder Bedeutungsverständnis verlangt.

Konkret hat die feste Regel vier Vorteile, die im Geschäftsalltag schwer wiegen:

• Sie ist vorhersagbar. Eine Bedingung wie „Betrag über 1.000, Lieferant nicht in Whitelist → zur Freigabe“ liefert heute, morgen und in einem Jahr exakt dasselbe Ergebnis. Sie können sich darauf verlassen, und Sie können es einem Prüfer erklären.
• Sie kostet im Betrieb nichts extra. Ein IF-Node rechnet auf Ihrem Server. Ein Sprachmodell rechnet bei jedem einzelnen Aufruf ab – pro Tokens, pro Lauf, jeden Tag.
• Sie ist nachvollziehbar. Bei einem Fehler sehen Sie genau, welche Bedingung gegriffen hat. Bei einem Sprachmodell sehen Sie eine Ausgabe und müssen raten, warum sie so ausfiel.
• Sie ist datenschutzrechtlich harmlos. Eine Regel verarbeitet die Daten in Ihrer eigenen Umgebung. Ein Cloud-Sprachmodell schickt sie an einen Dienstleister – oft in ein Drittland.

Die Faustregel lautet daher: Was sich in klare Bedingungen fassen lässt, gehört in deterministische Nodes. Routing nach Betrag, Kategorie, Datum oder Absender; Dubletten-Abgleich über ein eindeutiges Feld; Pflichtfeld-Prüfungen – das alles ist Regelarbeit, kein Fall für ein Sprachmodell.

Wo ein Sprachmodell seinen Aufpreis wert ist

Es gibt eine Klasse von Aufgaben, an denen feste Regeln scheitern – und genau dort verdient KI ihren Platz: wenn die Eingabe unstrukturiert ist und Sie aus Sprache eine Bedeutung herausziehen müssen, die sich nicht in Wenn-Dann-Schritte zerlegen lässt.

• Klassifizieren freier Texte. Eine eingehende E-Mail in „Angebot“, „Reklamation“ oder „Rechnung“ einsortieren – das schaffen Sie mit Stichwort-Regeln nur grob. Der Text Classifier ordnet anhand von Kategorien zu, die Sie mit Name und Beschreibung vorgeben.
• Daten aus Fließtext ziehen. Aus einer formlosen Bestell-Mail Menge, Artikel und Liefertermin extrahieren – dafür gibt es den Information Extractor, der unstrukturierten Text in saubere Felder verwandelt.
• Sprache erzeugen. Eine höfliche Antwort entwerfen, eine Zusammenfassung schreiben, einen Ton treffen – das kann keine Regel.

Das Muster dahinter: Geht es um Bedeutung, Sprache oder Urteil über unstrukturierte Inhalte, ist KI das richtige Werkzeug. Geht es um eine Entscheidung, die Sie selbst in einem Satz als Regel formulieren könnten, ist sie es nicht. Wenn Sie ernsthaft einen eigenständig handelnden KI-Agenten brauchen, habe ich die realistischen Einsatzgrenzen in meiner Übersicht zu KI-Agenten für den Mittelstand zusammengetragen.

Die ehrliche Kostenseite von KI

Ein Sprachmodell ist nie „nur ein weiterer Schalter“. Mit jedem KI-Node kaufen Sie sich vier Eigenschaften ein, die Sie einplanen müssen:

Erstens arbeiten Sprachmodelle probabilistisch. Dieselbe Eingabe kann unterschiedliche Antworten erzeugen, und das Modell kann plausibel klingende, aber falsche Ausgaben produzieren – sogenannte Halluzinationen. Eine in Nature veröffentlichte Untersuchung von 2026 argumentiert, dass dieses Verhalten kein vorübergehender Fehler ist, sondern strukturell daraus folgt, wie Modelle trainiert und bewertet werden. Sie können es eindämmen, aber nicht abschalten.

Zweitens ist das Testen aufwändiger. Eine Regel prüfen Sie mit einer Handvoll Beispielen durch. Ein Sprachmodell müssen Sie mit vielen Varianten füttern und beobachten – und selbst dann bleibt ein Rest Unsicherheit.

Drittens laufen Kosten mit. Jeder Aufruf eines Cloud-Modells kostet, abhängig von Textmenge und Modell. Bei hohem Volumen summiert sich das zu einem Posten, den eine Regel schlicht nicht hat.

Viertens verlassen Daten Ihr Haus. Schicken Sie Inhalte an ein Cloud-Modell, ist das eine Auftragsverarbeitung, oft mit Drittlandtransfer – mit allem, was die DSGVO daran knüpft. Wer das vermeiden will, kann mit einem lokalen Modell über den Ollama Chat Model-Node offene Modelle wie Llama oder Mistral selbst hosten – dann bleibt die Verarbeitung in Ihrer eigenen Infrastruktur. Welche Pflichten beim Cloud-Einsatz greifen, habe ich in der DSGVO-Checkliste für Automatisierungsprojekte aufgeschlüsselt.

Diese Kosten sind kein Argument gegen KI – aber gegen den reflexhaften Griff danach. Das Marktforschungsunternehmen Gartner prognostiziert, dass über 40 Prozent aller Agentic-AI-Projekte bis Ende 2027 abgebrochen werden – als Hauptgründe nennt Gartner (Juni 2025) eskalierende Kosten und unklaren Geschäftsnutzen. Genau das passiert, wenn KI dort eingebaut wird, wo eine Regel gereicht hätte.

Der Mittelweg: Regeln zuerst, KI nur für den Rest

In der Praxis ist die beste Lösung selten „entweder Regel oder KI“, sondern beides in der richtigen Reihenfolge. Den allergrößten Teil eines Posteingangs, einer Bestell- oder Rechnungsflut können feste Regeln zuverlässig und kostenlos erledigen. Das Sprachmodell setzen Sie nur dort ein, wo die Regel an ihre Grenze stößt – beim mehrdeutigen Rest.

Der Text Classifier hat dafür sogar eine eingebaute Option: Über „When No Clear Match“ können Sie unklare Fälle nicht stillschweigend zuordnen lassen, sondern auf einen eigenen Ausgang leiten – etwa direkt an einen Menschen zur Entscheidung. So nutzen Sie die KI für das, was sie kann, und behalten die Kontrolle über die Fälle, in denen sie sich nicht sicher ist.

Dieses Schichten – feste Regeln für das Eindeutige, Sprachmodell für das Unstrukturierte, Mensch für das Heikle – ist fast immer günstiger und stabiler als ein einziger großer KI-Schritt, der alles auf einmal lösen soll. Wenn Sie überlegen, wo Sie in einem konkreten Prozess die Trennlinie ziehen, hilft die vorgelagerte Frage, welche Prozesse sich überhaupt zuerst lohnen.

Eine einfache Entscheidungshilfe

Bevor Sie einen Schritt bauen, stellen Sie eine Frage: Könnte ich diese Entscheidung jemandem als klare Regel diktieren? Wenn ja, bauen Sie die Regel. Wenn nein, prüfen Sie KI.

Was der Schritt tut	Das passende Werkzeug
Nach Betrag, Datum, Kategorie oder Absender verzweigen	Feste Regel (IF, Switch, Filter)
Pflichtfelder prüfen, Dubletten über ein Schlüsselfeld abgleichen	Feste Regel
Freien Text einsortieren, aus Fließtext Felder ziehen	Sprachmodell (Text Classifier, Information Extractor)
Antworten oder Zusammenfassungen formulieren	Sprachmodell

Die meisten Workflows im Mittelstand bestehen zu drei Vierteln aus der oberen Hälfte dieser Tabelle. Den passenden Aufbau – welche Nodes, welche Reihenfolge, wo eine KI wirklich nötig ist – planen wir in einer n8n-Automatisierung bewusst so, dass das Sprachmodell die Ausnahme bleibt, nicht die Regel.

Erst die Frage, dann das Werkzeug

KI ist ein mächtiges Werkzeug, aber kein Standard für jeden Arbeitsschritt. Wer sie nur dort einsetzt, wo Sprache und Bedeutung im Spiel sind, bekommt zuverlässige, bezahlbare Automatisierungen – und spart sich die Projekte, die an Kosten und Unberechenbarkeit scheitern. Wenn Sie einen konkreten Prozess vor sich haben und wissen wollen, welche Schritte eine schlichte Regel erledigt und wo sich KI wirklich lohnt, schauen wir uns das im kostenlosen Prozess-Check gemeinsam an – ehrlich, auch wenn die Antwort am Ende lautet: Hier brauchen Sie gar keine KI.