No-Code (Make, Zapier) vs. eigener AI-Agent

Ein typisches Szenario: Ein Unternehmen aus der Logistikbranche führt Zapier ein, und die Integration von CRM und E-Mail funktioniert perfekt. Die Probleme beginnen, sobald sie versuchen, die Klassifizierung von Kundenmitteilungen auf Polnisch und Deutsch hinzuzufügen – die Szenarien vervielfachen sich, die Abonnementkosten steigen, und Klassifizierungsfehler gehen ohne jeden Alarm in die Produktion, sodass dringende Reklamationen wochenlang in der Warteschlange mit niedriger Priorität liegen können. Das ist ein typischer Zusammenstoß mit den Grenzen von No-Code.

Das bedeutet nicht, dass No-Code schlecht ist. Es bedeutet, dass jedes Werkzeug seinen Anwendungsbereich hat. Im Folgenden beschreibe ich, wo diese Grenze verläuft und wie man sie vor der Implementierung erkennt.

Was No-Code-Tools im Kontext von AI tatsächlich sind#

Make (ehemals Integromat), Zapier und n8n Cloud sind Automatisierungsplattformen, die auf Triggern und Aktionen basieren. Ihr mentales Modell sieht so aus: „Wenn X, dann Y“. Jeder Schritt ist ein fertiger Konnektor zu einer externen API.

2024 und 2025 kamen AI-Module hinzu: integrierte GPT-Aufrufe in Zapier, HTTP-Module für eigene Modelle in Make, AI-Knoten in n8n. Das brachte No-Code näher an die Welt der AI, änderte jedoch nicht die grundlegende Einschränkung: Die Plattform ist zwischen den Schritten zustandslos, hat kein Gedächtnis über vorherige Ausführungen (außer dem, was Sie selbst in einer externen Datenbank speichern) und unterstützt keine mehrstufige Schlussfolgerung innerhalb eines einzigen Aufrufs.

Wesentliche Merkmale von No-Code:

• Visuelle Oberfläche. Den Ablauf entwerfen Sie als Diagramm, ohne Code zu schreiben.
• Fertige Konnektoren. Hunderte von Out-of-the-Box-Integrationen (Salesforce, HubSpot, Gmail, Slack, Google Sheets).
• Schneller Start. Ein funktionierender Ablauf ist für einfache Prozesse innerhalb weniger Stunden möglich.
• Aufgabenbasiertes Kostenmodell. Sie zahlen für die Anzahl der Operationen oder Aufrufe, nicht für die Infrastruktur.
• Keine Kontrolle über das AI-Modell. Sie nutzen das Modell der Plattform oder geben einen API-Schlüssel ein, haben aber keinen Einfluss darauf, was auf der Serverseite des Anbieters passiert.

Wo No-Code gut funktioniert#

Es macht keinen Sinn, einen eigenen Agenten für Aufgaben zu bauen, die No-Code günstig und zuverlässig erledigt. Hier sind Fälle, in denen es sinnvoll ist, bei No-Code zu bleiben:

Integration von Systemen ohne komplexe AI-Logik. Ein neuer Lead aus einem Formular landet gleichzeitig im CRM und in Slack. Eine Rechnung aus einer E-Mail landet in einer Tabelle. Eine neue Bestellung erstellt ein Ticket. Das sind deterministische Abläufe – kein Schlussfolgern, nur Datenübertragung. No-Code ist das richtige Werkzeug.

Einfache Modellaufrufe mit kurzem, strukturiertem Input. Stimmungsanalyse einer einzeiligen Bewertung. Übersetzung eines kurzen Textes. Generierung einer Rechnungszusammenfassung. Wenn der Input vorhersehbar ist, kein Kontext benötigt wird und ein Fehler bei einem Aufruf harmlos ist, reicht ein GPT-Aufruf in einem No-Code-Knoten aus.

Kleine Teams ohne Entwicklerressourcen. Ein Startup mit zwei Mitarbeitern braucht keinen eigenen AI-Stack. Zapier für ein paar Dutzend Dollar im Monat löst mehr operative Probleme als ein halber Entwickler.

Schnelle Hypothesenüberprüfung. Bevor Sie in den Aufbau eines eigenen Agenten investieren, lohnt es sich zu prüfen, ob Automatisierung für den jeweiligen Prozess überhaupt sinnvoll ist. Ein paar Tage für den Aufbau eines Szenarios in Make sind niedrige Validierungskosten.

Wo No-Code an Grenzen stößt#

Die Grenzen von No-Code zeigen sich in konkreten Momenten. Sie vor der Implementierung zu erkennen, spart Monate an Frustration.

Unstrukturierte Eingabedaten. Kunden-E-Mails mit gemischten Inhalten, PDFs mit Verträgen, Dokumentenbilder, Gesprächsaufzeichnungen – No-Code verfügt nicht über Mechanismen für OCR, semantische Suche oder die Interpretation komplexer Kontexte. Sie können eine externe OCR-API als Knoten aufrufen, aber die Orchestrierung mehrerer Schritte mit bedingter Logik beginnt unüberschaubar zu werden.

Mehrstufiges Schlussfolgern. Wenn eine Entscheidung vom Ergebnis des vorherigen Schritts abhängt, der wiederum vom Ergebnis des vorherigen Schritts abhängt, verwandelt sich No-Code in ein Labyrinth von Bedingungen. Ein dedizierter AI-Agent unterstützt mehrstufige Planung nativ, mit Werkzeugen (Tool-Use) und einer Schlussfolgerungsspur.

Sensible Daten und DSGVO-Anforderungen. Wenn Ihre Daten PII, Gesundheits- oder Finanzdaten enthalten und das No-Cloud-Szenario erfordert, dass Prompts an ein Modell in der Cloud der Plattform gesendet werden – verlieren Sie die Kontrolle über den Datenstandort. Zapier und Make verarbeiten Daten auf Servern außerhalb Ihrer Infrastruktur. Self-Hosting beseitigt dieses Problem – und hier ist eine wichtige Unterscheidung zu treffen: SaaS-No-Code (Make, Zapier, n8n Cloud) verarbeitet Daten auf den Servern der Plattform, aber self-hosted n8n (Docker, optional Netzwerkisolierung) hält Ablauf und Daten innerhalb Ihrer Infrastruktur und kann ein lokal gehostetes Modell aufrufen. Die Grenze ist also nicht „No-Code“, sondern „SaaS vs. self-hosted“ – siehe n8n-Deployment-Modi.

Skalierung der Aufrufe. Irgendwo zwischen einigen hundert und einigen tausend Aufrufen pro Tag beginnen die Betriebskosten von No-Code, die Wartung einer eigenen Infrastruktur zu übersteigen – der Schnittpunkt hängt davon ab, wie komplex ein einzelner Aufruf ist und ob der Agent ein self-hosted Modell oder eine kostenpflichtige Cloud-API nutzt (die pro Token abgerechnet wird). Besonders, wenn der Ablauf viele Knoten pro Datensatz auslöst. Hinweis: Ein eigener Agent beseitigt den No-Code-Aufschlag pro Operation, und der Router kann auf ein günstigeres, kleineres Modell wechseln – aber die Token-Kosten steigen weiterhin mit dem Volumen, bis Sie die Inferenz auf Ihre eigene Infrastruktur verlagern. Ein konstanter Stückkostensatz ist eine Eigenschaft des Self-Hostings, nicht des bloßen Besitzes eines Agenten.

Fehlende AI-Observability. No-Code-Plattformen protokollieren die Schritte des Ablaufs, aber nicht Token, Kosten, Modell und Begründung jedes AI-Aufrufs. Ohne dies sind Entscheidungsaudits und die Fehlersuche bei Regressionen unmöglich. Ein eigener AI-Stack mit integrierter Observability bietet eine vollständige Spur von der Anfrage bis zur Antwort.

Architektur eines eigenen AI-Agenten: Was sie bietet, was No-Code nicht kann#

Ein eigener AI-Agent ist mehr als ein Modellaufruf in der Cloud. Es ist eine Code-Schicht, die entscheidet: wann das Modell aufgerufen wird, mit welchem Kontext, über welches Modell (Routing), wie das Ergebnis validiert wird und was zu tun ist, wenn die Qualität sinkt.

Wesentliche Komponenten, die No-Code nicht bietet:

Modell-Router. Unterschiedliche Aufgaben erfordern unterschiedliche Modelle. Klassifizierung hat andere Anforderungen als die Generierung von Berichten. Ein LLM-Router leitet jede Anfrage an das passende Modell nach Kosten und erforderlicher Qualität weiter, ohne manuelle Kodierung in Knoten.

RAG als Langzeitgedächtnis. Der Agent kann eine Wissensdatenbank des Unternehmens durchsuchen (RAG, Embeddings), bevor er antwortet. No-Code kann einen RAG-Endpoint als HTTP-Knoten aufrufen, baut diese Schicht aber nicht selbst auf.

Guardrails. Ein eigener Agent überprüft die Ausgabe des Modells auf Halluzinationen, verbotene Inhalte, Preisüberschreitungen und Injection-Versuche, bevor das Ergebnis ins System gelangt. No-Code-Plattformen verfügen nicht über diese Schicht.

Human-Gate für irreversible Aktionen. Versand an Kunden, Stornierung von Bestellungen, Aktualisierung von Datensätzen im ERP – jede dieser Aktionen kann der Agent anhalten und zur Genehmigung durch einen Menschen senden, bevor sie ausgeführt wird. Das ist kein „Genehmigungsablauf“ in No-Code – es ist ein eingebautes Architekturprinzip des Agenten.

Qualitäts- und Drift-Monitoring. Das eigene System misst die Qualität der Antworten im Zeitverlauf und alarmiert, wenn die Qualität unter einen Schwellenwert fällt. Monitoring von AI-Agenten ist ein separates Thema.

Vergleich No-Code vs. eigener AI-Agent#

Die Residency-Zeile bezieht sich auf SaaS-No-Code (Make, Zapier, n8n Cloud). Self-hosted n8n hält die Daten bei Ihnen – siehe Hybrid weiter unten.

Entscheidungsweg: Wie man wählt#

Es gibt keine universelle Antwort für alle Unternehmen. Es gibt jedoch konkrete Fragen, die zur richtigen Wahl führen:

1. Sind die Eingabedaten strukturiert? Formular, Tabelle, JSON aus einer API – No-Code reicht aus. E-Mail, PDF, Bild, Aufnahme – Sie benötigen mehr.

2. Erfordert die Entscheidung mehr als einen Schritt des Schlussfolgerns? Wenn der Agent eine Wissensdatenbank abfragen, das Ergebnis bewerten und auf Basis des vorherigen Schritts über die nächste Aktion entscheiden muss – beginnt No-Code zu versagen.

3. Wo sollen die Daten residieren? Wenn Sie die Verarbeitung auf eigenen Servern erfordern, erfüllt No-Code (als SaaS) diese Bedingung nicht.

4. Wie groß ist die Skalierung? Unter einigen hundert Aufrufen pro Tag ist No-Code meist günstiger. Darüber – rechnen Sie pro Operation, und denken Sie daran, dass ein Agent, der eine kostenpflichtige Cloud-API aufruft, weiterhin für Token zahlt.

5. Benötigen Sie ein Entscheidungsaudit? Regularien, Compliance, ISO – erfordern eine vollständige Spur jedes Modellaufrufs. No-Code bietet das nicht.

6. Verfügen Sie über technische Ressourcen zur Wartung eines eigenen Systems? Ein eigener Agent erfordert DevOps-Arbeit, Monitoring und Updates. Wenn Sie diese Ressource nicht haben, sind Outsourcing oder No-Code eine rationale Wahl.

Hybrid: No-Code als Orchestrator, eigener Agent als Engine#

Die beste Lösung für viele Unternehmen ist kein „Entweder-oder“. n8n (self-hosted) kann die Rolle des Integrations-Orchestrators übernehmen, während der eigene Agent als Schlussfolgerungs-Engine fungiert, die über einen HTTP-Knoten aufgerufen wird.

Wann self-hosted n8n allein ausreicht und ein eigener Agent überflüssig ist. Self-hosted n8n erledigt die Aufgabe allein, wenn: (a) der AI-Schritt ein einzelner, strukturierter Modellaufruf mit geringem Risiko ist (Klassifizierung, Zusammenfassung, Extraktion nach festem Schema); (b) Sie kein RAG über eine Wissensdatenbank, kein Modell-Routing nach Kosten und Qualität, keine Ausgabe-Guardrails (Injection, Halluzinationen) und keine vollständige Audit-Spur pro Aufruf benötigen; und (c) die Residency durch Self-Hosting von n8n plus einem lokalen Modell erfüllt ist. Ein dedizierter Agent rechnet sich erst, wenn Sie in mehrstufiges Schlussfolgern, RAG-Gedächtnis, Routing, Guardrails oder ein Audit auf Regulierungsniveau einsteigen – genau die Zeilen, in denen die Tabelle auf der No-Code-Seite „nicht vorhanden“ zeigt. Das beseitigt den scheinbaren Widerspruch: Die Empfehlung von self-hosted n8n im Hybrid betrifft die residency-sichere Orchestrierung, während der eigene Agent die Schlussfolgerungs- und Governance-Schicht hinzufügt, die die AI-Knoten von n8n nicht bieten.

Schema:

1. n8n empfängt einen Trigger (neue E-Mail, neue Datei, Zeitplan).
2. n8n holt Kontext aus dem CRM und maskiert PII.
3. n8n ruft den Endpunkt des eigenen Agenten mit dem maskierten Prompt auf.
4. Der Agent führt mehrstufiges Schlussfolgern durch, durchsucht RAG und gibt eine Entscheidung mit Begründung zurück.
5. n8n parst die Antwort, validiert das Schema und leitet die Aktion an das richtige System weiter – mit Human-Gate für irreversible Aktionen.

Aufgabenteilung: n8n verwaltet Integrationen und Datenfluss. Der eigene Agent verwaltet Schlussfolgerungen, Werkzeuge und Guardrails. Diese Kombination bietet die beste Flexibilität bei kontrollierten Wartungskosten.

Mehr zu diesem Schema im Artikel über AI-Integration mit n8n.

Genau diese Architektur – Modell-Router, Fallback, PII-Maskierung und eine auditierbare Spur jedes Aufrufs – haben wir unter anderem als LLM-Gateway für den gesamten AI-Verkehr gebaut (9 Modelle hinter einem einzigen auditierbaren Einstiegspunkt). Wenn aus dieser Analyse hervorgegangen ist, dass Sie einen eigenen Agenten benötigen, besprechen wir Ihren Fall – wir zeigen die konkrete No-Code-Einschränkung in Ihrem Prozess und den Umfang eines Pilotprojekts auf, bevor wir irgendetwas bauen.

Live ausprobieren#

Beschreiben Sie Ihren aktuellen Automatisierungsprozess oder die geplante Implementierung, und das Modell bewertet, ob No-Code ausreicht oder ob Sie einen eigenen Agenten benötigen – mit Begründung und Hinweis auf die konkrete Einschränkung (Playground: PII maskiert, keine Speicherung).

FAQ#

Kann ich mit No-Code beginnen und später auf einen eigenen Agenten umsteigen?#

Ja, und das ist für viele Unternehmen ein rationaler Weg. No-Code ermöglicht eine schnelle Validierung, ob Automatisierung für den jeweiligen Prozess überhaupt sinnvoll ist. Wenn Sie an die Grenzen stoßen – und wenn die Kosten oder Risiken, die mit den Einschränkungen verbunden sind, real werden – wechseln Sie zu einer dedizierten Architektur. Es lohnt sich jedoch, den Ablauf von Anfang an so zu gestalten, dass die Geschäftslogik nicht tief in den Knoten einer bestimmten Plattform vergraben ist. Das erleichtert die Migration.

Wie hoch sind die realen Kosten eines eigenen AI-Agenten im Vergleich zu einem No-Code-Abonnement?#

No-Code kostet bei geringer Skalierung (bis zu einigen hundert Operationen pro Tag) zwischen einigen Dutzend und einigen hundert Euro pro Monat. Ein eigener Agent erfordert Infrastruktur (Server oder Cloud), Entwicklungsarbeit beim Aufbau und Wartung. Als grobe Orientierung beginnt No-Code irgendwo zwischen einigen hundert und einigen tausend Aufrufen pro Tag – abhängig davon, wie komplex ein einzelner Aufruf ist und ob der Agent ein self-hosted Modell oder eine kostenpflichtige Cloud-API nutzt (dann zahlen Sie weiterhin für Token) – die eigene Infrastruktur zu übersteigen. Die Ersparnis entsteht durch den Wegfall des No-Code-Aufschlags pro Operation und durch Self-Hosting, nicht durch die Agenten-Architektur an sich. Bei DSGVO-Anforderungen bezüglich Data Residency kann die eigene Infrastruktur unabhängig von der Skalierung die einzige Möglichkeit sein. Sie können die Zahlen für Ihren Fall im ROI-Rechner vergleichen.

Erfüllt No-Code die DSGVO-Anforderungen bei der Integration mit AI?#

Das hängt davon ab, welche Daten Sie über die Plattform senden. Wenn personenbezogene Kundendaten (Namen, Adressen, PESEL-Nummern, Finanzdaten) in den Prompt gelangen, der an das Modell über die Server der Plattform (Zapier, Make) gesendet wird, erfolgt die Verarbeitung außerhalb Ihrer Infrastruktur. Dies erfordert einen Auftragsverarbeitungsvertrag mit der Plattform und eine Überprüfung, wo die Daten physisch residieren. Self-Hosting des eigenen Agenten löst die Frage der Data Residency und der Datenweitergabe an einen externen AI-Anbieter – die Daten verlassen Ihr Netzwerk nicht. Es entbindet Sie jedoch nicht von den übrigen DSGVO-Pflichten: einer Rechtsgrundlage für die Verarbeitung, einer Datenschutz-Folgenabschätzung (DPIA) bei hohem Risiko, Aufbewahrung und Recht auf Löschung sowie der vom AI Act geforderten Transparenz. Details zu diesen Pflichten beschreibt der Beitrag AI Act und DSGVO 2026.

Wann reicht No-Code mit integrierter AI (z. B. Zapier AI) nicht aus?#

Zapier AI und ähnliche Module funktionieren gut für einfache, einstufige Aufgaben mit strukturiertem Input. Sie unterstützen nicht: die Suche in der Wissensdatenbank des Unternehmens (RAG), mehrstufige Planung mit Werkzeugen, Routing zwischen Modellen nach Kosten und Qualität, Guardrails zur Validierung der Ausgabe auf Halluzinationen oder ein vollständiges Audit-Log, das von Regularien gefordert wird. Wenn eines dieser Elemente benötigt wird – suchen Sie nach einer dedizierten Architektur.

Wie bewertet man die Bereitschaft eines Unternehmens für einen eigenen AI-Agenten?#

Drei Signale deuten auf Bereitschaft hin: (1) Sie haben einen wiederholbaren Prozess mit einem Volumen von über einigen hundert Fällen pro Woche, (2) No-Code erzeugt bereits Fehler oder Kosten, die schmerzen, (3) Sie verfügen über technische Ressourcen (intern oder extern) zur Wartung des Systems. Wenn Sie unsicher sind, beginnen Sie mit der Bereitsschaftsbewertung – ein kostenloses Tool, das zeigt, wo Sie auf dem Weg zur Implementierung stehen.