azena automate
Du baust echte, mehrstufige Geschäfts-Automatisierungen — ohne klassisches Programmieren. Du verstehst das Trigger→Action-Modell, wählst zwischen n8n, Make und Zapier begründet aus, baust denselben Workflow auf allen dreien, setzt KI erst als Schritt und dann als Agenten (mit MCP) ein, sicherst alles mit Fehlerbehandlung, Freigaben, Monitoring, Security und einer ehrlichen ROI-Rechnung ab — und weißt, wann No-Code an die Decke stößt und du zu Code wechselst. Am Ende läuft eine komplette Inbound-Lead-Pipeline von allein.
Was du danach kannst
- Deterministische Automation von agentischer KI-Entscheidung unterscheiden und gute Kandidaten erkennen
- Zwischen n8n, Make und Zapier nach Team-Skill und Komplexität begründet auswählen
- Das Trigger→Action-Modell (Polling vs. Webhook, 1 Trigger → n Actions) sicher anwenden
- Denselben Workflow in Zapier, Make und n8n bauen, testen und aktivieren
- Einen KI-Schritt mit strukturiertem Output einbauen und ihn zum KI-Agenten mit Tools (MCP) ausbauen
- Mehrschritt-Logik (Filter/Pfade/Schleifen), Webhooks und einfache API-Calls beherrschen
- Fehlerbehandlung, Human-in-the-Loop, Monitoring und Security/Governance umsetzen
- ROI ehrlich rechnen (inkl. KI-Kosten) und die Schwelle zu Code erkennen
Das Curriculum
19 Lektionen · Schritt für Schritt
- 01
Was Automatisierung wirklich ist (und was nicht)
13′Deterministische Automation vs. agentische KI-Entscheidung — und woran du einen guten Kandidaten erkennst.
- 02
Die Tool-Landschaft: n8n, Make und Zapier im Klartext
14′Drei ernstzunehmende Plattformen, drei Charaktere — und wie du nach Team-Skill und Komplexität wählst.
- 03
Das Herzstück: Das Trigger→Action-Modell
13′Ein Ereignis startet eine geordnete Kette von Aktionen. Polling oder Webhook? Das ist die ganze Mechanik.
- 04
Dein erster Workflow in Zapier (ein Zap)
12′App und Trigger wählen, per OAuth verbinden, Felder mappen, Testlauf, aktivieren — und den Verlauf lesen.
- 05
Derselbe Workflow visuell in Make (ein Scenario)
12′Module als Knoten, Linien als Datenfluss — und wie du den Output-Baum (Bundles) liest und mappst.
- 06
Derselbe Workflow in n8n (Nodes & Canvas)
13′Trigger- und Action-Nodes auf der Canvas, Expressions für den Datenzugriff — und die Self-Hosting-Frage.
- 07
Apps & Daten verbinden: E-Mail, CRM, Sheets, Slack, Datenbanken
13′OAuth und API-Keys sicher anlegen, Daten korrekt mappen und formatieren — und Sheets/DB als Zwischenspeicher nutzen.
- 08
Einen KI-Schritt einbauen — Freitext zu strukturierten Feldern
14′Ein LLM-Node mit Prompt, Input und strukturiertem JSON-Output, den der nächste Schritt direkt weiterverarbeitet.
- 09
Vom KI-Schritt zum KI-Agenten — Reasoning, Tools & MCP
15′Statt jedes Wenn-Dann zu verdrahten, wählt ein Agent seine Werkzeuge selbst. Was MCP ist und wann sich das lohnt.
- 10
Mehrschritt-Logik: Filter, Pfade und Schleifen
13′Filter stoppen, Pfade/Router teilen in parallele Zweige, Schleifen verarbeiten Listen. Und: Filter zählen oft nicht als Task.
- 11
Datenformatierung & Transformation
12′Datum, Text und Zahlen in Form bringen, JSON parsen, Defaults setzen, bereinigen — Mapping-Fehler sind die Fehlerquelle Nummer eins.
- 12
Webhooks & einfache API-Calls
13′Einen Webhook empfangen (Catch Hook, POST) und selbst einen HTTP-Request senden — Methoden, Header, Auth, Body.
- 13
Fehlerbehandlung & Retries
13′Retry On Fail mit Backoff, Continue On Fail und ein zentraler Error-Workflow per Error Trigger — damit nichts still scheitert.
- 14
Human-in-the-Loop: Freigaben vor riskanten Aktionen
12′Ein Wait-/Send-and-Wait-Schritt holt eine menschliche Freigabe ein, bevor etwas Unumkehrbares passiert — mit Kontext und Timeout.
- 15
Testen & Debuggen
12′Run-once mit echten Daten, die Execution-History Schritt für Schritt lesen, Input gegen Output je Node prüfen, Edge-Cases einplanen.
- 16
Monitoring & Wartung
12′Erfolg-/Fehler-Benachrichtigungen, Fehlerläufe sichten, saubere Namen/Doku/Ownership — und die typischen Bruchstellen kennen.
- 17
Kosten & ROI realistisch rechnen
13′Tasks vs. Operations vs. Executions — jeder Schritt zählt. Und eine ehrliche ROI-Formel, die KI-Token mit einrechnet.
- 18
Security & Daten-Governance
14′Least-Privilege und zentrale Secrets, die OWASP-Top-10-Agentenrisiken (Prompt Injection, Tool Misuse, Datenabfluss) und DSGVO/PII/Audit-Trail.
- 19
Wann zu Code wechseln — und das Capstone
15′Die No-Code-Decke erkennen, die Brücke über Code-Node/HTTP nutzen, sauber graduieren — und alles im Capstone zusammenführen.
Was du baust
Echte Artefakte, keine Theorie
Drei automatisierbare Prozesse identifizieren und bewerten
Ergebnis: Eine Tabelle mit 3 Prozessen (häufig/regelhaft/fehleranfällig) + markierten KI-Stellen + dem lohnendsten Kandidaten.
Begründete Plattformwahl per Matrix treffen
Ergebnis: Eine begründete Plattformentscheidung + Notiz zur Abrechnungs-Einheit (Preise von der Live-Pricing-Seite).
Denselben 2-Schritt-Workflow in zwei Plattformen bauen
Ergebnis: Zwei laufende, getestete Workflows desselben Use-Cases + kurze Notiz, was sich linear vs. visuell unterschied.
Einen KI-Schritt mit strukturiertem Output einbauen
Ergebnis: Ein Workflow mit KI-Schritt (strukturiertes JSON), Validierung und einem Folge-Schritt, der ein KI-Feld nutzt.
Einen Workflow absichern: Fehlerbehandlung, HITL und Security-Check
Ergebnis: Ein nachgerüsteter Workflow mit Retry/Continue-On-Fail, Error-Alarm, einer Freigabe + ausgefüllter Security-Checkliste.
Capstone: Eine end-to-end Inbound-Lead-Pipeline bauen
Ergebnis: Eine lauffähige, getestete Lead-Pipeline mit Webhook, Enrichment, KI-Qualifizierung (JSON), Branching, Fehlerbehandlung, HITL-Freigabe, Monitoring, Security-Check + kurzer ROI-Notiz.
Der Workflow-Canvas
Wie ein Lead vom Trigger bis zur Aktion laeuft — durch KI, Router und Freigabe, live.
Das Ganze ist ein durchgehender Graph: Ein Webhook-Trigger startet, das Daten-Paket erreicht den KI-Schritt, der pausiert, reasoned und einen strukturierten JSON-Output ausstoesst. Am Router splittet der Pfad sichtbar — der heisse Lead zuendet CRM, Slack und Email nacheinander, der kalte landet im Sheet. Faellt ein Schritt aus, laeuft ein Error Workflow zum Alert; vor der riskanten Aktion oeffnet erst eine menschliche Freigabe das Schloss. Genau diese Kette aus agentischer Entscheidung, Branching, Fehlerpfad und Human-in-the-Loop trennt einen belastbaren Workflow von einem, der still scheitert.
Trigger
Ereignis: Webhook / Formular (instant)
KI-Schritt
LLM bewertet, Output als JSON
Logik
Router / Filter / Paths verzweigen
Aktionen
CRM + Slack + Email nacheinander
Fehler / Freigabe
Error Workflow + Send-and-Wait
Vom starren Trigger zur agentischen Automation
Statt jedes if/else vorzuverdrahten, lebt ein KI-Agent als Schritt im Workflow und waehlt seine Tools selbst. Alle drei Plattformen folgten: n8n hat natives MCP (MCP Server Trigger / MCP Client Tool), Make integrierte AI Agents in den Scenario Builder, Zapier Agents sind GA mit Copilot. MCP ist der De-facto-Standard, um Agenten und Tools zu verbinden.
Der Mensch besitzt das Urteil vor riskanten Aktionen
Laut Zapiers State-of-agentic-AI-Survey 2026 ist Human-in-the-Loop mit rund 38 Prozent die haeufigste Kontrolle. Praktisch ein Send-and-Wait- bzw. Wait-Node (Slack/Email) als gated tool vor der riskanten Aktion — mit Kontext in der Freigabe und einem Timeout. KI macht Volumen und Entwurf, der Mensch gibt frei.
Error Handling und scoped Permissions, nicht nach Gefuehl
Ohne Retry On Fail (mit Backoff), Continue On Fail und einen zentralen Error Workflow per Error Trigger scheitern Workflows still. Dazu Governance: Die OWASP Top 10 fuer Agentic Applications (2026) benennen Goal Hijacking, Tool Misuse und Identity/Privilege Abuse — Antwort sind scoped, least-privilege Credentials statt Vollzugriff.
Diese Lead-Pipeline an deinem eigenen Stack bauen — mit Nova als Mentor, vom Webhook bis zur Freigabe.
Track startenBelege & Quellen
Jede Aussage ist belegt — echte, geprüfte Quellen statt Behauptungen.
Reinschnuppern
Gratis-VorschauGO vs. NO-GO — ein echtes Beispiel aus dem Track.
Wie der Track läuft
Mit Nova als Mentor
Dein KI-Mentor erklärt jedes Konzept, gibt dir fertige Claude-Code-Prompts und hilft bei jeder Frage.
Geprüftes Siegel
Nimm einen realen Geschäftsprozess (z.B. eingehende Leads oder Support-Anfragen). Erkläre Nova den ganzen Bogen: (1) Ist das ein guter Kandidat (häufig/regelhaft/fehleranfällig), und welche Schritte sind deterministisch vs. brauchen einen KI-Schritt/Agenten? (2) Welche Plattform wählst du begründet (Team-Skill, Komplexität, Abrechnungs-Einheit) und wie zerlegst du den Prozess in Trigger → geordnete Actions (Polling oder Webhook)? (3) Wo baust du einen KI-Schritt mit strukturiertem JSON-Output ein, wie validierst du ihn, und wann würde stattdessen ein KI-Agent mit Tools (MCP) Sinn ergeben? (4) Wie sicherst du den Betrieb ab — Fehlerbehandlung (Retry/Continue/Error-Workflow), Human-in-the-Loop vor heiklen Aktionen, Monitoring und ein Security-Check (Least-Privilege, Secrets, PII/DSGVO)? (5) Rechne eine ehrliche ROI-Schätzung inkl. KI-Token vor und sag, an welcher Stelle du ggf. zu einem Code-Node wechseln würdest. Bestehst du, wenn dein Plan an jeder Station konkret und mit den richtigen Begriffen begründet ist.
In deinem Tempo
Rund 248 Minuten Kerninhalt — plus deine eigenen Projekte. Jederzeit pausierbar.
Fehler, die du vermeidest
- Task-/Operation-/Execution-Verbrauch unterschätzen — jeder Schritt zählt mal Häufigkeit, oft 3-5× über der Schätzung (KI-Token zusätzlich vergessen).
- Keine Fehlerbehandlung — ohne Retry/Continue-On-Fail/Error-Workflow scheitern Workflows STILL und bleiben wochenlang unbemerkt.
- KI-Output ungeprüft weiterreichen — Halluzination oder falsches Format fließt direkt ins CRM/in eine Kundenmail; Validierung/HITL fehlt.
- Zu breite Berechtigungen und Secrets im Klartext — Vollzugriff statt Least-Privilege, Keys hartkodiert oder in öffentlichen KI-Chats.
- Auf der Test-Eingabe optimieren — nur ein schönes Beispiel; leere Felder, Sonderzeichen/Umlaute und Duplikate brechen den Live-Betrieb.
- Alles in No-Code erzwingen — verschachtelte Workaround-Türme, wo ein Code-Node oder ein Plattformwechsel einfacher wäre.
Bereit für azena automate?
250 Token · 19 Lektionen · von der KI geprüft.