KMU mit wiederkehrenden Prozessen, die Dokumente, E-Mails, CRM-Daten oder einfache KI-Entscheidungen automatisieren wollen – ohne Entwicklerteam.
Dokumenten-Workflows, E-Mail-Klassifikation, CRM-Integrationen, Chatbots, strukturierte Datenextraktion aus PDFs und Rechnungen.
Komplexe Logik, Anbindung proprietärer Systeme, DSGVO-konforme LLM-Nutzung mit sensiblen Daten und skalierbare Produktionssysteme brauchen Entwickler-Know-how.
Warum Low-Code und No-Code für KI gerade einen Sprung machen
Vor drei Jahren brauchte man für einen KI-gestützten Workflow zwingend Python, API-Kenntnisse und ein KI-Modell, das man selbst hosten oder als kostenpflichtige API anbinden musste. Heute sieht die Welt anders aus: Plattformen wie Make (ehemals Integromat), n8n und Flowise bringen visuelle Workflow-Editoren, vorgefertigte KI-Module und hunderte fertiger Konnektoren mit. Sie verbinden E-Mail-Postfächer, CRM-Systeme, Cloud-Speicher und Large Language Models in einem Drag-and-Drop-Interface.
Ich beobachte diesen Trend seit etwa zwei Jahren in der Praxis. Immer mehr KMU kommen zu mir und fragen: „Können wir das nicht selbst bauen?" Die Antwort ist öfter „Ja" als noch vor zwölf Monaten – aber mit klaren Einschränkungen, die ich in diesem Artikel konkret benenne.
Ein konkretes Beispiel, wo Low-Code richtig skaliert: KI im Backoffice – Rechnungen, Angebote und CRM automatisieren. Drei Workflows, die in fast jedem KMU sofort Zeit freischaufeln.
Die vier wichtigsten Plattformen im Überblick
Der Markt teilt sich grob in zwei Kategorien: Generalisten für Workflow-Automation, die KI-Module integrieren, und spezialisierte KI-Plattformen mit visuellen Buildern.
Typische Anwendungsfälle, die KMU heute selbst bauen
Aus meiner Beratungspraxis sehe ich vier Kategorien, in denen Low-Code-KI-Workflows realistisch und wertvoll sind – ohne dass ein Entwickler jede Zeile selbst schreiben muss.
Rechnungen und Lieferscheine per E-Mail empfangen, KI extrahiert Betrag, Rechnungsnummer und Lieferant, schreibt die Daten in eine Tabelle oder ins ERP. Make und n8n haben dafür native PDF-Parser-Knoten.
Eingehende E-Mails klassifizieren (Anfrage, Reklamation, Angebot), mit KI priorisieren und an die richtige Person oder Abteilung weiterleiten. Antwortentwürfe per LLM, die ein Mensch prüft und freigibt.
Neue Leads aus Webformularen oder LinkedIn automatisch im CRM anlegen, mit KI-gestützter Firmenrecherche anreichern und eine personalisierte Erstansprache vorschlagen – ohne manuelle Copy-Paste-Arbeit.
Ein Chatbot auf der Website, der nicht generisch antwortet, sondern aus Ihren echten Dokumenten (FAQs, Produktblätter, interne Wikis) schöpft. Flowise ist hierfür die passendste Plattform.
Ein Handwerksbetrieb mit 15 Mitarbeitern empfängt täglich 30–50 Rechnungen per E-Mail. Über einen Make-Workflow landen die PDFs in einem Google-Drive-Ordner, ein KI-Knoten extrahiert Rechnungsdaten und schreibt sie in eine Google-Tabelle. Was vorher zwei Stunden manuelle Arbeit pro Tag war, läuft jetzt in unter fünf Minuten. Die Einrichtung dauerte etwa drei Arbeitstage – komplett ohne Code, nur mit Drag-and-Drop.
Was ein KMU wirklich selbst bauen kann – und was nicht
Ich sage meinen Kunden immer: Ein Workflow, der Daten von A nach B schiebt und eine KI-Entscheidung dazwischenschaltet, ist in ein bis drei Tagen gebaut. Ein Produktivsystem mit Fehlerbehandlung, Monitoring, Zugriffsrechten und DSGVO-konformer LLM-Nutzung braucht deutlich mehr.
Konkret: Einen Chatbot mit Flowise, der aus Ihren PDFs antwortet, bekommen Sie an einem Nachmittag zum Laufen. Aber wenn dieser Chatbot sensible Kundendaten verarbeitet, brauchen Sie eine DSGVO-konforme Architektur – das bedeutet entweder ein selbst gehostetes Open-Source-Modell oder einen europäischen API-Endpunkt mit Auftragsverarbeitungsvertrag. Flowise allein löst diese Compliance-Frage nicht.
Kostenvergleich: Was Low-Code-KI-Workflows im Betrieb kosten
Die versteckten Kosten liegen nicht in der Plattform-Lizenz, sondern im Betrieb. Make Core kostet 9 € im Monat – aber sobald Sie ein LLM wie GPT-4o für die Textextraktion einsetzen, kommen API-Kosten hinzu. Bei rund 500 analysierten Dokumenten pro Monat liegen die zusätzlichen API-Kosten typischerweise zwischen 15 € und 50 €, je nach Dokumentenlänge und Modell.
n8n im Self-Hosting ist lizenzkostenfrei, aber Sie brauchen einen Server (selbst ein kleiner VPS bei Hetzner für rund 5–10 €/Monat reicht für den Einstieg) und jemanden, der Updates einspielt. Flowise ähnlich: kostenlos selbst gehostet, aber Server und Pflege sind Ihre Verantwortung.
Zum Vergleich: Ein individuell entwickelter KI-Workflow mit Python und FastAPI kostet in der Erstellung je nach Komplexität zwischen 5.000 € und 25.000 € – plus laufende Wartung. Low-Code-Plattformen drücken die Einstiegshürde also nicht nur technisch, sondern vor allem finanziell.
Sicherheitsaspekte: Worauf Sie bei Low-Code-KI achten müssen
Der größte Sicherheitsaspekt ist nicht die Plattform selbst, sondern die Daten, die Sie durch KI-Modelle schicken. Wenn Sie einen Make-Workflow bauen, der Rechnungen per GPT-4o analysiert, landen Ihre Lieferantendaten auf den Servern von OpenAI – sofern Sie keinen Azure-OpenAI-Endpunkt in einem europäischen Rechenzentrum nutzen.
Meine Empfehlung für produktive Workflows mit personenbezogenen oder vertraulichen Daten:
- Nutzen Sie Azure OpenAI mit Endpunkten in Frankfurt, Amsterdam oder Zürich.
- Alternativ: Open-Source-Modelle wie Llama 3 oder Mistral via Ollama selbst hosten (funktioniert gut mit n8n und Flowise).
- Schließen Sie einen Auftragsverarbeitungsvertrag (AVV) mit dem API-Anbieter ab.
- Protokollieren Sie alle KI-Entscheidungen – nicht nur für die DSGVO, sondern für Ihr eigenes Qualitätsmanagement.
Ein Punkt, den ich oft unterschätzt sehe: API-Keys. Wenn ein Low-Code-Workflow Zugriff auf Ihre OpenAI-API, Ihr CRM und Ihr E-Mail-Postfach hat, sitzt an dieser einen Automatisierung ein erhebliches Angriffspotenzial. Rotieren Sie Keys regelmäßig und setzen Sie Ausgabenlimits – sowohl finanziell als auch funktional.
So starten Sie ohne Entwickler – Schritt für Schritt
Der beste Einstieg ist ein einzelner, klar abgegrenzter Workflow, der ein echtes Problem löst. Aus meiner Erfahrung sollten Sie nicht mit dem Chatbot anfangen (weil der am meisten Pflege braucht), sondern mit einem Dokumenten-Workflow oder einer E-Mail-Automation – da ist der Nutzen sofort sichtbar und der Wartungsaufwand überschaubar.
- Prozess auswählen: Welche Aufgabe frisst jeden Tag 30+ Minuten manuelle Zeit?
- Plattform wählen: Make für Einsteiger, n8n für Technik-affine Teams, Flowise für reine KI-Anwendungen.
- Pilot bauen: Einen Minimal-Workflow mit 2–3 Knoten, der Ende-zu-Ende funktioniert.
- Testen: Eine Woche parallel zum manuellen Prozess laufen lassen, Ausgaben manuell prüfen.
- Produktiv schalten: Erst wenn die Fehlerquote unter Ihrem Schwellwert liegt.
Nach meiner Erfahrung dauert dieser Zyklus für einen einfachen Workflow zwischen einer und drei Wochen. Für komplexere Setups mit mehreren Systemen und Entscheidungslogik sollten Sie vier bis acht Wochen einplanen.
Diese schrittweise Vorgehensweise entspricht genau dem, was wir im Artikel KI-Prototyping: 5 Methoden für risikofreie KI-Projekte beschreiben – vom Wizard-of-Oz-Test bis zum A/B-Piloten.
Wann Sie einen Entwickler oder Berater hinzuziehen sollten
Low-Code-Plattformen sind kein Ersatz für Software-Architektur. Sobald Ihr Workflow geschäftskritisch wird – wenn also ein Ausfall direkte finanzielle Folgen hat –, brauchen Sie jemanden, der Fehlerbehandlung, Monitoring, Backup-Strategie und Zugriffskonzept durchdenkt. Das ist nicht der Job von Drag-and-Drop.
Wenn Workflows eigenständig Entscheidungen treffen sollen, landen Sie schnell bei Agenten. Wie Sie die sicher kontrollieren, zeigt unser Artikel: KI-Agenten im Mittelstand – wo sie helfen und wie man sie kontrolliert.
Genauso bei der DSGVO-Compliance: Die Plattformen selbst sind technisch sicher, aber die Verantwortung für die rechtmäßige Verarbeitung bleibt bei Ihnen. Ein externer Datenschutz-Check mit Fokus auf KI-gestützte Verarbeitung kostet typischerweise 1.500 € bis 3.000 € – gut investiertes Geld, bevor der erste Kunde fragt, wo seine Daten eigentlich verarbeitet werden.
KI-Automation ohne Entwicklerteam starten?
Wir bauen gemeinsam einen Prototyp für Ihren ersten KI-Workflow – auf der Plattform, die am besten zu Ihren Prozessen passt. In zwei bis vier Wochen sehen Sie, was geht – und vor allem, was nicht.
Zum KI-Prototyping