Wenn es um AI Automation für KMU geht, sind konkrete Zahlen überzeugender als jede Theorie. Schweizer Unternehmen investieren jährlich Millionen in Digitalisierung — doch wie sieht der tatsächliche Return aus? Diese fünf Szenarien aus verschiedenen Branchen und Regionen der Schweiz rechnen durch, was AI Automation bewirken kann — von der Konzeption über die Implementierung bis zur ROI-Rechnung, mit allen Annahmen im Klartext.
Zur Einordnung: Das sind Modellrechnungen, keine Kundenprojekte. Die fünf Szenarien beschreiben typische Ausgangslagen Schweizer KMU und rechnen sie mit marktüblichen Lohn-, Lizenz- und Aufwandsätzen durch. Unternehmen, Zahlen und Ergebnisse sind konstruiert — es stehen keine anonymisierten Kunden dahinter. Der Wert liegt in der Rechenmechanik: Sie zeigt, welche Grössen den ROI treiben und wo die Annahmen sitzen, die Sie durch Ihre eigenen ersetzen müssen. Für Ihre echten Zahlen nutzen Sie den ROI-Rechner.
Eine Position verdient besondere Aufmerksamkeit. In den Szenarien 1 bis 3 gehört freigespielte Personalkapazität, bewertet zu Vollkosten, zu den grössten Nutzenposten — in Szenario 1 und 3 ist sie sogar der grösste. Das ist kein eingesparter Zahlungsfluss: Solange niemand den Betrieb verlässt, laufen die Löhne weiter. Die Zahl wird erst zu Geld, wenn die gewonnene Zeit nachweislich anderswo Ertrag bringt oder eine geplante Neueinstellung entfällt. Wer diese Rechnungen auf den eigenen Betrieb überträgt, beantwortet deshalb zuerst diese Frage — sie entscheidet über das Ergebnis mehr als jede Tarifwahl. In den Szenarien 4 und 5 tragen stattdessen Zusatzumsatz beziehungsweise vermiedene Ausfallkosten das Ergebnis.
Szenario 1: E-Commerce KMU (Zürich) — AI Kundenservice-Agent
Ausgangslage
Das Szenario setzt einen mittelständischen Online-Händler für Heimtextilien mit Sitz in Zürich an, der einen klassischen Kundenservice mit 8 Vollzeitmitarbeitenden betreibt. Angenommen sind monatlich rund 4'200 Support-Tickets, davon 75 % repetitive Anfragen zu Bestellstatus, Rücksendungen und Produktverfügbarkeit. Die im Ergebnis angesetzten 70 % Ticketrückgang liegen damit unter dem repetitiven Anteil — der Agent löst nicht jede Standardanfrage.
Die Schmerzpunkte:
- Durchschnittliche Antwortzeit: 14 Stunden
- Kundenzufriedenheit (CSAT): 3.2 von 5
- Personalkosten Kundenservice: CHF 720'000 pro Jahr
- Spitzen an Wochenenden und Feiertagen nicht abgedeckt
- Deutsch und Französisch gefordert, aber nur 2 von 8 Mitarbeitenden zweisprachig
Lösung
Im Szenario läuft ein mehrsprachiger AI Kundenservice-Agent auf Basis eines RAG-Systems (Retrieval Augmented Generation). Die angenommene technische Architektur:
- Frontend: Chat-Widget integriert in den Online-Shop (Shopify)
- Backend: n8n als Orchestrierungsplattform (Self-Hosted auf Hetzner Cloud in Falkenstein; die Community Edition steht unter der Sustainable Use License — quelloffen, aber keine OSI-Open-Source-Lizenz — und verursacht im internen Betrieb keine Lizenzkosten)
- AI-Modell: GPT-5.6 für die Antwortgenerierung
- Wissensbasis: 340 Produktseiten, 85 FAQ-Einträge, Retourenrichtlinien, Versandbedingungen
- Integrationen: Shopify API (Bestellstatus), DHL API (Tracking), ERP-System (Lagerbestand)
- Phase 1 (Wochen 1-2): FAQ-Antworten und Produktinformationen
- Phase 2 (Wochen 3-4): Bestellstatus-Abfragen mit Live-API-Anbindung
- Phase 3 (Wochen 5-8): Retouren-Initiierung und Eskalationslogik
Ergebnis
Nach drei Monaten Betrieb rechnet das Szenario mit diesen Werten:
| Metrik | Vorher | Nachher | Veränderung |
|---|---|---|---|
| Support-Tickets (manuell) | 4'200/Monat | 1'260/Monat | -70% |
| Durchschnittliche Antwortzeit | 14 Stunden | 23 Sekunden | -99,9% |
| CSAT Score | 3,2/5 | 4,4/5 | +37,5% |
| Supportkosten/Monat | CHF 60'000 | CHF 37'500 | -37,5% |
| Abdeckung | Mo-Fr, 8-18h (50 h/Woche) | 24/7/365 (168 h/Woche) | +236% |
ROI-Berechnung in CHF
| Position | Betrag (CHF/Jahr) |
|---|---|
| Einsparungen | |
| Freigespielte Kapazität von 3 FTE, bewertet zu Vollkosten | CHF 270'000 |
| Weniger Retouren durch bessere Beratung | CHF 45'000 |
| Höhere Conversion durch 24/7-Support | CHF 85'000 |
| Gesamteinsparung | CHF 400'000 |
| Kosten | |
| Serverbetrieb Self-Hosting (Hetzner; n8n Community Edition ohne Lizenzkosten) — Annahme 400 CHF im Monat für eine produktive Umgebung mit Datenbank, Monitoring und Ausfallsicherheit | CHF 4'800 |
| OpenAI API-Kosten | CHF 18'000 |
| Initiale Implementierung (einmalig, amortisiert) | CHF 65'000 |
| Wartung und Optimierung | CHF 24'000 |
| Shopify-Integration | CHF 3'600 |
| Gesamtkosten Jahr 1 | CHF 115'400 |
| Gesamtkosten ab Jahr 2 | CHF 50'400 |
| Netto-ROI Jahr 1 | CHF 284'600 |
| Netto-ROI ab Jahr 2 | CHF 349'600 |
| Amortisationszeit | 3,5 Monate |
Szenario 2: Fintech Startup (Zug) — Compliance-Automation mit n8n
Ausgangslage
Das Szenario setzt ein Fintech-Startup im Crypto Valley Zug mit 45 Mitarbeitenden an, das eine digitale Vermögensverwaltungsplattform betreibt. Die regulatorischen Anforderungen der FINMA verlangen umfangreiche KYC-Prüfungen (Know Your Customer) für jeden neuen Kunden.
Die Schmerzpunkte:
- Durchschnittliche KYC-Prüfung: 4,5 Arbeitstage pro Fall
- 3 Compliance-Spezialisten (CHF 420'000/Jahr Personalkosten)
- Manuelle Dokumentenprüfung fehleranfällig (8% False-Negative-Rate)
- Onboarding-Abbruchrate: 34% wegen langer Wartezeiten
- Skalierung kaum möglich: jeder neue Markt verlangt zusätzliches Personal
Lösung
Das Szenario modelliert eine KYC-Automation-Pipeline auf Basis von n8n (Self-Hosted auf der eigenen Schweizer Infrastruktur wegen Datenschutzanforderungen; die Community Edition steht unter der Sustainable Use License, die den internen Betrieb und die Arbeit für Kunden erlaubt, das Angebot als gehosteter Dienst für Dritte aber untersagt):
- Dokumenten-Extraktion: OCR mit Azure Document Intelligence für Ausweisdokumente
- Identitätsprüfung: Onfido API für biometrische Verifizierung
- PEP/Sanktionsprüfung: Automatisierter Abgleich mit internationalen Datenbanken
- Risiko-Scoring: Custom AI-Modell (Fine-Tuned auf historische Compliance-Entscheidungen)
- Workflow-Engine: n8n mit 47 Nodes, 12 Verzweigungen, 5 Error-Handling-Pfaden
- Audit-Trail: Lückenlose Protokollierung aller Entscheidungen in PostgreSQL
- Kunde lädt Dokumente hoch
- OCR extrahiert Daten automatisch
- Biometrische Verifizierung läuft parallel
- PEP/Sanktionslisten werden abgeglichen
- AI-Modell erstellt Risiko-Score
- Low-Risk-Fälle: Automatische Freigabe
- Medium/High-Risk-Fälle: Weiterleitung an Compliance-Spezialist mit vorbereiteter Zusammenfassung
Ergebnis
| Metrik | Vorher | Nachher | Veränderung |
|---|---|---|---|
| KYC-Prüfdauer (Durchschnitt) | 36 Arbeitsstunden (4,5 Arbeitstage) | 16 Arbeitsstunden | -56% |
| Low-Risk automatisch freigegeben | 0% | 62% | +62pp |
| False-Negative-Rate | 8% | 1,2% | -85% |
| Onboarding-Abbruchrate | 34% | 11% | -68% |
| Compliance-Personal benötigt | 3 FTE | 1,5 FTE | -50% |
ROI-Berechnung in CHF
| Position | Betrag (CHF/Jahr) |
|---|---|
| Einsparungen | |
| Freigespielte Personalkapazität (1,5 FTE), bewertet zu Vollkosten | CHF 210'000 |
| Mehr Kundenanmeldungen durch schnelleres Onboarding | CHF 320'000 |
| Vermiedene Compliance-Bussen (geschätzt) | CHF 50'000 |
| Gesamteinsparung | CHF 580'000 |
| Kosten | |
| n8n Self-Hosted Infrastruktur | CHF 7'200 |
| API-Kosten (Onfido, Azure, Sanktionslisten) | CHF 36'000 |
| Initiale Entwicklung (amortisiert über 3 Jahre) | CHF 40'000 |
| Wartung und Modell-Updates | CHF 36'000 |
| Gesamtkosten Jahr 1 | CHF 119'200 |
| Netto-ROI Jahr 1 | CHF 460'800 |
| Amortisationszeit | 2,5 Monate |
Szenario 3: Pharma-Zulieferer (Basel) — Dokumenten-Automation
Ausgangslage
Das Szenario setzt einen mittelgrossen Pharma-Zulieferer in der Region Basel mit 120 Mitarbeitenden an, der Rohstoffe für die pharmazeutische Industrie produziert. Für jede Charge ist ein FDA-konformer Qualitätsbericht zu erstellen — angenommen mit 3 vollen Arbeitstagen je Bericht.
Die Schmerzpunkte:
- 15-20 Chargenberichte pro Monat
- 3 Tage Arbeitszeit pro Bericht (Datensammlung, Analyse, Formatierung)
- 2 Qualitätsmanager zu 100% mit Berichterstellung beschäftigt
- Fehlerquote bei manueller Dateneingabe: 4,2%
- Audits durch FDA und Swissmedic verlangen eine lückenlose Dokumentation
- Verspätete Berichte verzögerten Chargenfreigaben um durchschnittlich 2 Tage
Lösung
Im Szenario läuft eine Dokumenten-Automation-Pipeline:
- Datenquellen: SAP-Qualitätsmodul, LIMS (Laborinformationssystem), Produktionssteuerung
- Orchestrierung: Make mit 23 Modulen
- AI-Komponente: GPT-5.6 für narrative Abschnitte (Interpretation der Analyseergebnisse)
- Template-Engine: Custom Python-Skript für FDA-konforme Formatierung
- Validierung: Automatischer Cross-Check aller Zahlenwerte gegen Quelldaten
- Output: PDF-Berichte im FDA 21 CFR Part 11-konformen Format
Ergebnis
| Metrik | Vorher | Nachher | Veränderung |
|---|---|---|---|
| Zeit pro Bericht | 24 Arbeitsstunden (3 Arbeitstage) | 3 Arbeitsstunden | -87,5% |
| Fehlerquote Dateneingabe | 4,2% | 0,1% | -98% |
| Chargenfreigabe-Verzögerung | 2 Tage | 0,5 Tage | -75% |
| Berichte pro Monat (Kapazität) | 20 | 80+ | +300% |
| QM-Personal für Berichte | 2 FTE | 0,3 FTE | -85% |
ROI-Berechnung in CHF
| Position | Betrag (CHF/Jahr) |
|---|---|
| Einsparungen | |
| Freigespielte Personalkapazität (1,7 FTE Qualitätsmanagement), bewertet zu Vollkosten | CHF 221'000 |
| Schnellere Chargenfreigabe (Lagerkosten) | CHF 96'000 |
| Vermiedene Fehler und Nacharbeiten | CHF 45'000 |
| Gesamteinsparung | CHF 362'000 |
| Kosten | |
| Make Teams, 10'000 Credits/Monat (29 USD/Monat = 348 USD/Jahr) | CHF 279 |
| OpenAI API-Kosten | CHF 8'400 |
| Custom-Entwicklung (amortisiert) | CHF 30'000 |
| SAP-Integration und Wartung | CHF 18'000 |
| Gesamtkosten Jahr 1 | CHF 56'679 |
| Netto-ROI Jahr 1 | CHF 305'321 |
| Amortisationszeit | 1,9 Monate |
Quelle der Preisangaben: Make, n8n — abgerufen am 22. August 2026. Anbieterpreise ändern sich; die Beträge stehen in der Währung des Anbieters. Umgerechnet wird zum Kurs vom 22. August 2026: 1 USD = 0,8009 CHF.
Szenario 4: Marketing-Agentur (Bern) — Content-Pipeline mit Make + GPT
Ausgangslage
Das Szenario setzt eine Berner Digital-Marketing-Agentur mit 12 Mitarbeitenden an, die 25 B2B-Kunden im Content-Marketing betreut. Der Engpass liegt in der Content-Produktion: Angenommen sind 6–8 Stunden Arbeit je Blogartikel, bei einer Nachfrage deutlich über der Kapazität.
Die Schmerzpunkte:
- Kapazität: 20 Blogartikel pro Monat (Nachfrage: 50+)
- 6-8 Stunden pro Artikel (Recherche, Briefing, Schreiben, Lektorat, SEO-Optimierung)
- 3 Content-Writer (CHF 270'000/Jahr Personalkosten)
- Qualität schwankt je nach Auslastung
- Social-Media-Beiträge müssen separat erstellt werden
- Kein einheitlicher Brand-Voice über alle Kunden
Lösung
Das Szenario baut eine halbautomatisierte Content-Pipeline:
- Orchestrierung: Make mit 34 Modulen
- Keyword-Research: Ahrefs API → automatisches Clustering
- Content-Briefing: GPT-5.6 generiert strukturierte Briefings basierend auf Top-10-SERP-Analyse
- Entwurf: Claude für Langtexte mit kundenspezifischen System-Prompts (Brand Voice)
- SEO-Optimierung: Automatische Meta-Tags, interne Verlinkung, Schema-Markup-Vorschläge
- Qualitätskontrolle: Human-in-the-Loop — jeder Artikel wird von einem Editor geprüft
- Distribution: Automatische Formatierung für WordPress, LinkedIn, Newsletter
- Account Manager wählt Keyword-Cluster aus dem Dashboard
- Make generiert automatisch ein SEO-Briefing
- AI erstellt einen Artikelentwurf (1'500-2'500 Wörter)
- Editor überarbeitet und gibt frei (30-45 Minuten statt 4-5 Stunden)
- Automatische Publikation und Social-Media-Distribution
Ergebnis
| Metrik | Vorher | Nachher | Veränderung |
|---|---|---|---|
| Artikel pro Monat | 20 | 100+ | +400% |
| Zeit pro Artikel | 7 Stunden | 1,5 Stunden | -79% |
| Kosten pro Artikel | CHF 450 | CHF 95 | -79% |
| Neue Kunden gewonnen | — | 15 | +60% Kundenstamm |
| Durchschnittliche SERP-Position | 14,2 | 8,7 | +39% |
ROI-Berechnung in CHF
| Position | Betrag (CHF/Jahr) |
|---|---|
| Zusätzlicher Umsatz | |
| 15 neue Kunden (Retainer CHF 3'000/Mt) | CHF 540'000 |
| Höhere Marge durch Effizienz | CHF 120'000 |
| Gesamtzusatzumsatz | CHF 660'000 |
| Kosten | |
| Make Teams, 40'000 Credits/Monat (99 USD/Monat = 1'188 USD/Jahr) | CHF 951 |
| AI API-Kosten (OpenAI + Anthropic) | CHF 24'000 |
| Ahrefs API | CHF 6'000 |
| Entwicklung und Setup (amortisiert) | CHF 25'000 |
| Zusätzlicher Editor (Teilzeit) | CHF 48'000 |
| Gesamtkosten Jahr 1 | CHF 103'951 |
| Netto-ROI Jahr 1 | CHF 556'049 |
| Amortisationszeit | 1,9 Monate |
Vertiefen Sie Ihr Wissen:Zur Mengenbasis: 100 Artikel à 34 Module ergeben rund 3'400 Credits pro Monat. Das Szenario setzt trotzdem die Stufe mit 40'000 Credits an, weil Keyword-Läufe, Wiederholungen und Fehlerpfade zusätzliche Modul-Aktionen verbrauchen.
Szenario 5: Industrie-KMU (Winterthur) — Predictive Maintenance Agent
Ausgangslage
Das Szenario setzt ein Winterthurer Maschinenbau-KMU mit 85 Mitarbeitenden an, das eine Produktionslinie mit 12 CNC-Fräsmaschinen betreibt. Ungeplante Maschinenausfälle verursachen dort erhebliche Kosten und Lieferverzögerungen.
Die Schmerzpunkte:
- 8-12 ungeplante Maschinenausfälle pro Quartal
- Durchschnittliche Ausfallzeit: 6 Stunden pro Vorfall
- Kosten pro Ausfall: CHF 8'500 (Produktionsverlust + Reparatur)
- Reaktive Wartung statt präventiver Instandhaltung
- Wartungspersonal überlastet mit Notfallreparaturen
- Lieferverzögerungen bei 23% der Aufträge
Lösung
Im Szenario läuft ein AI-basierter Predictive-Maintenance-Agent:
- Sensorik: IoT-Sensoren an allen 12 CNC-Maschinen (Vibration, Temperatur, Stromaufnahme, Akustik)
- Datenplattform: InfluxDB für Zeitreihendaten auf lokaler Infrastruktur
- AI-Modell: Custom Anomalie-Erkennung (TensorFlow) trainiert auf 18 Monaten historischen Daten
- Agent-Layer: n8n-Workflow als orchestrierender Agent
- Alerting: Eskalationsketten via Teams, SMS und Dashboard
- Empfehlungs-Engine: GPT-5.6 generiert Wartungsempfehlungen basierend auf Anomalie-Pattern
- Sensoren senden alle 10 Sekunden Messwerte
- AI-Modell analysiert Muster in Echtzeit
- Bei Anomalie: Agent klassifiziert Dringlichkeit (niedrig/mittel/hoch/kritisch)
- Wartungsteam erhält priorisierte Empfehlung mit voraussichtlicher Restlebensdauer
- Ersatzteile werden automatisch im ERP-System vorbestellt
- Wartungsfenster wird im Produktionsplan eingeplant
Ergebnis
| Metrik | Vorher | Nachher | Veränderung |
|---|---|---|---|
| Ungeplante Ausfälle/Quartal | 10 | 6 | -40% |
| Durchschnittliche Ausfallzeit | 6 Stunden | 2,5 Stunden | -58% |
| Kosten pro Ausfall | CHF 8'500 | CHF 3'200 | -62% |
| Lieferverzögerungen | 23% | 8% | -65% |
| Maschinenauslastung | 72% | 86% | +19% |
ROI-Berechnung in CHF
| Position | Betrag (CHF/Jahr) |
|---|---|
| Einsparungen | |
| Vermiedene Ausfälle (16 pro Jahr × CHF 8'500) | CHF 136'000 |
| Tiefere Kosten der verbleibenden 24 Ausfälle (24 × CHF 5'300) | CHF 127'200 |
| Weniger Lieferverzögerungen (Pönalen vermieden) | CHF 35'000 |
| Gesamteinsparung | CHF 298'200 |
| Kosten | |
| IoT-Sensoren (einmalig, amortisiert über 5 Jahre) | CHF 18'000 |
| Infrastruktur (InfluxDB, n8n, Server) | CHF 12'000 |
| AI-Modell-Entwicklung (amortisiert) | CHF 25'000 |
| API-Kosten und Wartung | CHF 18'000 |
| Gesamtkosten Jahr 1 | CHF 73'000 |
| Netto-ROI Jahr 1 | CHF 225'200 |
| Amortisationszeit | 2,9 Monate |
Alle fünf Szenarien im Vergleich
| Szenario | Branche | Invest (Jahr 1) | Nutzen (Jahr 1) | ROI | Amortisation |
|---|---|---|---|---|---|
| E-Commerce (Zürich) | Retail/E-Commerce | CHF 115'400 | CHF 400'000 | 247% | 3,5 Monate |
| Fintech (Zug) | Finanzdienstleistungen | CHF 119'200 | CHF 580'000 | 387% | 2,5 Monate |
| Pharma (Basel) | Life Sciences | CHF 56'679 | CHF 362'000 | 539% | 1,9 Monate |
| Marketing (Bern) | Dienstleistungen | CHF 103'951 | CHF 660'000 (Zusatzumsatz) | 535% | 1,9 Monate |
| Industrie (Winterthur) | Maschinenbau | CHF 73'000 | CHF 298'200 | 309% | 2,9 Monate |
Detaillierte Kosten und ROI von AI Automation finden Sie in unserem spezialisierten Leitfaden. Für Ihre individuelle ROI-Berechnung steht Ihnen unser ROI-Rechner zur Verfügung.
Was diese fünf Szenarien gemeinsam voraussetzen
Damit die obigen Rechnungen aufgehen, müssen fünf Bedingungen erfüllt sein. Fehlt eine davon, kippt der ROI — deshalb sind sie der eigentlich übertragbare Teil dieser Seite:
1. Klare Problemdefinition vor der Technologieauswahl
Kein Szenario setzt bei der Frage „Wo können wir AI einsetzen?" an. Alle beginnen mit einem konkreten, messbaren Geschäftsproblem. Die Technologie ist das Mittel, nicht der Zweck.
2. Phasenweiser Rollout statt Big-Bang
Alle fünf Szenarien setzen einen phasenweisen Rollout voraus. Das E-Commerce-Szenario startet mit FAQ-Antworten, bevor der Agent Bestellstatus abfragt. Das Pharma-Szenario beginnt mit einem Berichtstyp, bevor alle Chargenberichte automatisiert sind.
3. Human-in-the-Loop als Qualitätssicherung
Kein Szenario nimmt den Menschen vollständig aus dem Prozess. Das Marketing-Szenario behält Editoren bei, das Pharma-Szenario lässt kritische Abschnitte weiterhin prüfen. Dieses Prinzip sichert Qualität und schafft Vertrauen.
4. Bestehende Tools und Infrastruktur genutzt
Statt alles neu zu bauen, setzen alle Szenarien die AI Automation auf die bestehende Infrastruktur auf. Make und n8n dienen dabei als Brücke zwischen vorhandenen Systemen und neuen AI-Fähigkeiten.
5. Messbare KPIs von Anfang an definiert
Jedes Szenario setzt voraus, dass vor Projektstart feststeht, welche Metrik sich verbessern soll. Ohne diese Ausgangsmessung lässt sich hinterher kein ROI berechnen — weder im Modell noch in der Realität.
Ob diese Grössenordnungen für Ihren Prozess realistisch sind, zeigt erst eine Prüfung Ihrer echten Zahlen — dafür gibt es die AI Automation Beratung.
Häufig gestellte Fragen
- Sind diese Fallstudien real oder konstruiert?
Konstruiert. Es stehen keine realen Kundenprojekte dahinter, auch keine anonymisierten. Die Szenarien bilden typische KMU-Ausgangslagen ab und rechnen sie mit marktüblichen Lohn-, Lizenz- und Aufwandsätzen durch; jede Annahme ist im jeweiligen Abschnitt offengelegt und nachrechenbar. Wir weisen das aus, weil eine erfundene Kundenliste genau die Sorte Beleg wäre, vor der wir an anderer Stelle warnen.
- Kann mein KMU ähnliche Ergebnisse erwarten?
Die Ergebnisse variieren je nach Ausgangslage, Branche und Prozess. Entscheidend sind drei Faktoren: ein klar definiertes Problem mit messbaren KPIs, ausreichende Datenqualität und die Bereitschaft zum phasenweisen Vorgehen. Eine professionelle Beratung hilft, das Potenzial für Ihr Unternehmen realistisch einzuschätzen.
- Wie lange dauert die Implementierung typischerweise?
Die Szenarien rechnen mit 4 bis 16 Wochen von der Konzeption bis zum produktiven Betrieb. Einfache Workflows wie die Content-Pipeline (Szenario 4) sind als 4–6 Wochen angesetzt, aufwendige wie der Predictive-Maintenance-Agent (Szenario 5) mit 12–16 Wochen inklusive Sensorinstallation und Modelltraining. Das sind Planungsgrössen, keine gemessenen Projektlaufzeiten.
- Welche Rolle spielen Make und n8n in diesen Szenarien?
Make und n8n dienen in den meisten Szenarien als Orchestrierungsplattform — sie verbinden bestehende Systeme mit AI-APIs und steuern den Workflow. Die Wahl zwischen beiden hängt vom Anwendungsfall ab: n8n ist dort angesetzt, wo Datenschutz und Self-Hosting entscheidend sind (Fintech, Industrie), Make bei Cloud-nativen Setups (E-Commerce, Marketing). Die Abrechnung unterscheidet sich ebenfalls: Make zählt Credits je Modul-Aktion, n8n ganze Ausführungen unabhängig von der Schrittzahl. Die selbst gehostete n8n Community Edition steht unter der Sustainable Use License — quelloffen, aber keine OSI-Open-Source-Lizenz; interner Betrieb und Kundenarbeit sind erlaubt, das Angebot als gehosteter Dienst für Dritte nicht.
- Brauche ich Programmierkenntnisse für solche Projekte?
Die Basis-Workflows können ohne Programmierkenntnisse erstellt werden — sowohl Make als auch n8n sind No-Code-Plattformen. Für komplexere Integrationen wie das Predictive-Maintenance-Modell oder die FDA-konforme Berichterstellung setzen die Szenarien dagegen Python-Kenntnisse und API-Erfahrung voraus. In diesen Fällen empfiehlt sich die Zusammenarbeit mit einem spezialisierten AI Automation Dienstleister.
