7 KI-"Automatisierungen", die nur teure Cronjobs sind

Ich automatisiere beruflich Dinge für Kunden, und hier ist, was in meiner Ecke der Branche niemand laut sagt: Das meiste, was ich baue, enthält keine KI. Ein Skript wacht um 8 Uhr auf, erledigt eine langweilige Sache, verschickt eine E-Mail und legt sich wieder schlafen. Das ist das Produkt.

Aber irgendwann um 2023 herum hat sich "Ich habe dir ein geplantes Skript eingerichtet" nicht mehr verkauft, und "Ich habe dir eine KI-Automatisierung gebaut" verkaufte sich plötzlich sehr gut. Oft ist es dasselbe Skript. Derselbe Zeitplan. Neue Rechnung.

Der Scheduler hinter den meisten dieser Automatisierungen ist cron. Er kam 1975 mit Unix. Er ist kostenlos, seit fünfzig Jahren, und er führt deinen kompletten "KI-Workflow" problemlos auf einem 5-Dollar-Server aus. Der Aufschlag, den du zahlst, gilt zwei Buchstaben im Pitchdeck.

Die n8n-Guru-Ökonomie

Öffne LinkedIn und such nach "AI Automation Agency". Du findest Tausende Leute, die Workflow-Setups in n8n, Make oder Zapier verkaufen. Schau dir die Screenshots genau an. Fast jeder Node in diesen Workflows ist deterministisch: ein Trigger, ein HTTP-Request, ein Filter, eine Tabellenzeile. Und dann, irgendwo in der Mitte, ruft ein einziger Node OpenAI auf. Dieser eine Node macht aus ein paar hundert Dollar Zapier-Konfiguration einen "AI Agent" für mehrere Tausend.

Um das klarzustellen: Die Tools sind in Ordnung. Ich betreibe solche Software auf meinem eigenen Server, wie den Großteil meines Stacks, und gerade n8n ist richtig gut in dem, was es tut. Das Problem ist das Etikett. "KI" auf der Rechnung ist still und leise zu einem Aufschlag geworden, nicht zu einer Beschreibung. Der Käufer kann den Workflow nicht prüfen, weiß nicht, was ein Webhook ist, und kann ein System, das Entscheidungen trifft, nicht von einem verherrlichten geplanten Task unterscheiden.

Der Anreiz ist offensichtlich, sobald man ihn einmal sieht. "Automation Consultant" ist ein Allerweltstitel mit Allerweltspreisen. "AI Automation Expert" trägt Preise von 2026. Dieselbe Person, dieselbe n8n-Oberfläche, andere LinkedIn-Headline.

Falls dir gerade jemand einen Pitch macht und du nicht sicher bist, welche Sorte vor dir sitzt: Ich habe ein ehrliches Flowchart dazu gebaut, ob du überhaupt einen AI Consultant brauchst. Spoiler: Die erste Frage dreht sich nicht um KI.

Hier sind die sieben Setups, die ich am häufigsten umetikettiert sehe. Für jedes: als was es verkauft wird, und was es wirklich ist. Nichts davon ist hypothetisch. Diese Workflows tauchen immer wieder auf, wenn ich unter die Haube von "KI-Automatisierungs"-Angeboten schaue.

1. Der Wochenreport

Verkauft als: KI-gestütztes Business-Intelligence-Reporting.

Was es ist: Zahlen aus einer API ziehen, in ein Template einsetzen, jeden Montag um 8 Uhr ein PDF verschicken. Das sind vielleicht 30 Zeilen Python und ein Cron-Eintrag. Jeder Schritt ist deterministisch. Die einzige Stelle, an der ein Sprachmodell wirklich hilft, ist eine kurze Zusammenfassung über den Zahlen, und das ist ein API-Call für rund einen Cent pro Woche. Keine Plattform. Ein Absatz.

2. Daten zwischen zwei Tools synchronisieren

Verkauft als: intelligente Datenpipeline zwischen deinem CRM und deiner Buchhaltungssoftware.

Was es ist: Feld-Mapping. Neue Zeile hier wird neue Zeile dort. Und hier kommt der Teil, den der Pitch überspringt: Urteilsvermögen ist das Letzte, was du in einem Daten-Sync willst. Du willst, dass derselbe Input immer denselben Output erzeugt, jedes einzelne Mal, für immer. Ein LLM mitten im Sync ist keine Intelligenz, sondern eine Quelle für nichtdeterministische Bugs.

3. E-Mail-Sortierung

Verkauft als: KI-Agent für E-Mail-Triage.

Was es ist: größtenteils Regeln. Absender, Betreff-Keywords, Anhang vorhanden. Gmail-Filter machen das seit 2004 kostenlos. Es gibt hier einen echten KI-Fall: wirklich unstrukturierte Anfragen nach Absicht zu routen, wo Regeln in hundert Sonderfälle explodieren würden. Dieser Teil ist legitim. Aber prüf, was du tatsächlich bekommst, denn ich habe schon "KI-Triage" gesehen, die aus drei Posteingangsregeln bestand, plus einem Modell, das zusammenfasst, was die Regeln ohnehin erwischt haben.

4. Eine Website auf Änderungen überwachen

Verkauft als: KI-gestütztes Competitor-Monitoring.

Was es ist: Seite abrufen, mit der Version von gestern vergleichen, bei Änderung eine Benachrichtigung schicken. ChangeDetection.io macht genau das, Open Source, und ich betreibe es seit Jahren. Ein geplanter Abruf und ein Diff. Die "KI"-Version macht dasselbe und bezahlt dann ein Modell dafür, dir "der Preis hat sich geändert" in einem vollständigen Satz mitzuteilen.

5. Zahlungserinnerungen

Verkauft als: KI-Agent fürs Forderungsmanagement.

Was es ist: Datumsrechnung. Wenn das Fälligkeitsdatum vorbei ist und der Status nicht "bezahlt" lautet, Template-Mail senden. Das ist ein If-Statement. Wenn dir jemand dafür vierstellige Beträge nennt, frag ihn, welcher Teil davon Intelligenz erfordert: der Datumsvergleich oder die E-Mail?

6. Blogposts auf Social Media teilen

Verkauft als: KI-Content-Distribution-Engine.

Was es ist: ein RSS-Feed und ein Posting-Zeitplan. Die ehrliche Nuance: KI hilft hier tatsächlich, denn dieselbe Ankündigung für X, LinkedIn und Facebook so umzuschreiben, dass sie nicht nach Copy-Paste aussieht, ist echte Spracharbeit. Das ist ein LLM-Call pro Post. Das ist einen Nachmittag Setup wert. Es ist keinen monatlichen Retainer wert.

7. Dateien aufräumen und Backups

Verkauft als: KI-gesteuertes Dokumentenmanagement.

Was es ist: Dateien nach Endung, Datum oder Namensmuster verschieben. Fünfzehn Zeilen Shell-Skript und rsync. Backups sind das stärkste Beispiel auf dieser ganzen Liste, denn ein Backup ist der eine Ort, an dem ein Modell auf keinen Fall improvisieren soll. Langweilig und jede Nacht identisch, das ist das komplette Feature.

Der Lackmustest: Braucht die Aufgabe Urteilsvermögen oder nur einen Zeitplan?

"Braucht Automatisierung KI?" ist eine Frage, die Leute tatsächlich bei Google eintippen, oft genug, dass sie in den People-Also-Ask-Boxen auftaucht. Die Antwort ist nein. Automatisierung hat die Welt schon Jahrzehnte vor LLMs am Laufen gehalten: Gehaltsabrechnung, Backups, Rechnungen, Monitoring. Ein Skript mit Zeitplan ist nicht die Notlösung. Es ist der Standard, und es deckt bis heute den Großteil der Business-Automatisierung ab.

Hier ist der Test, den ich benutze, für Kundenprojekte und für meinen eigenen Stack. Schreib die Aufgabe als Checkliste auf. Dann frag dich: Könnte ein gelangweilter Praktikant diese Checkliste abarbeiten, ohne je eine Entscheidung zu treffen?

Wenn ja, ist es ein Skript und ein Cronjob. Abrufen, vergleichen, formatieren, senden. Fertig.

Wenn irgendein Schritt lautet "lies das und finde heraus, was es bedeutet", dann ist dieser Schritt, und nur dieser Schritt, ein KI-Kandidat. Unordentliche menschliche Sprache kommt rein. Interpretation ist nötig. Der Output ändert sich je nach Kontext.

Das ist die ganze Frage von KI-Automatisierung vs. Skript in zwei Sätzen. Zeitpläne sind kostenlos. Urteilsvermögen kostet Geld. Zahl für Urteilsvermögen nur dort, wo tatsächlich geurteilt wird.

In dieser Regel steckt auch eine Kostenasymmetrie. Skript-Läufe sind praktisch kostenlos, testbar und liefern jedes Mal dasselbe Ergebnis. LLM-Calls kosten pro Lauf, liegen gelegentlich daneben und brauchen jemanden, der den Output prüft. Eine gut gebaute Automatisierung will so wenige Modell-Calls wie möglich, genau dort platziert, wo das Urteilsvermögen sitzt, und nirgendwo sonst.

Wo KI ihr Geld wirklich verdient

Ich bin nicht gegen KI. Die Hälfte meiner Agentur läuft über KI-Tools, die ich täglich nutze, und ich verkaufe AI Consulting. Speziell in Automatisierungen gibt es drei Jobs, in denen ein Modell seinen Platz wirklich verdient:

1. Unstrukturierter Input zu strukturierten Daten. E-Mails, PDFs und Sprachnotizen in saubere Felder verwandeln. Regeln können das nicht. Modelle schon.
2. Klassifizierung, wo Regeln explodieren. Routing nach Absicht, wenn die Sonderfälle hundert If-Statements bräuchten, die jeden Monat kaputtgehen.
3. Zusammenfassung. 500 Zeilen Search-Console-Daten in drei Sätze verwandeln, die ein Kunde tatsächlich liest.

So sieht das in meinem eigenen Stack aus. Die Pipeline ist mit Absicht langweilig: Geplante Skripte holen die Daten, vergleichen sie, speichern sie. Deterministisch von Anfang bis Ende. Dann übergibt genau ein Schritt das Ergebnis an ein Modell, das die lesbare Zusammenfassung schreibt. Und die Designregel, die ich nie breche: Wenn der Modell-Call fehlschlägt, funktioniert die Automatisierung trotzdem. Ich bekomme dann rohe Zahlen statt Prosa. Nervig, aber nicht kaputt.

Das ist die Architekturfrage, die du jedem Anbieter stellen solltest: Wenn wir den KI-Schritt morgen entfernen, was hört auf zu funktionieren? Wenn die ehrliche Antwort "die Zusammenfassung wird weniger hübsch" lautet, weißt du jetzt, was du wirklich kaufst.

Stell die eine Frage

Ich gebe den unangenehmen Teil zu: Diesen Artikel zu schreiben ist schlechtes Marketing für mich. Ich verkaufe AI Consulting, und hier erzähle ich dir, dass die meisten Automatisierungen cron und 20 Zeilen Code brauchen. Aber ich verliere lieber das aufgeblasene Projekt und behalte den Kunden, denn die Unternehmen, denen man einen Wecker für 3.000 Dollar verkauft hat, kommen irgendwann dahinter, und sie erinnern sich, wer ihnen zuerst die Wahrheit gesagt hat.

Also, bevor du irgendetwas mit "KI-Automatisierung" unterschreibst, stell eine Frage: Welcher Schritt in diesem Workflow trifft eine Entscheidung?

Wenn sie darauf zeigen können und der Input an dieser Stelle wirklich unordentlich ist, kaufst du vielleicht etwas Echtes. Wenn nicht, kaufst du einen Cronjob mit Aufschlag.

Nicht sicher, welche Variante gerade in deinem Posteingang liegt? Lass uns reden. Ich sage dir, ob dein Workflow KI braucht oder einen 5-Dollar-Server, auch wenn die ehrliche Antwort die günstige ist.