CASE STUDY / AUTOMATION & AI
Trend Intelligence
Ich wollte relevante Entwicklungen in IT, AI und Cybersecurity verfolgen, ohne täglich dieselben Quellen manuell zu durchsuchen.
Im Betrieb
Alle drei Projekte ansehen ↗
01 / AUSGANGSLAGE & ZIEL
Das konkrete Problem.
Mehrere Quellen liefern Wiederholungen, unterschiedliche Relevanz und wechselnde Qualität. Ein bloßer Sammel-Workflow würde diese Probleme an den Empfänger weiterreichen.
02 / ROLLE & ARCHITEKTUR
Mein Beitrag und die Bausteine.
Ich betreibe eine n8n-Pipeline mit Quellenaufnahme, JavaScript-Regeln, zeitlicher Auswahl und LLM-gestützter Verdichtung zum HTML-Briefing.
- RSS / REST / YouTube API
- n8n
- Zeitfilter / JavaScript
- Quellenprüfung / LLM
- HTML-E-Mail
03 / ENTSCHEIDUNG & LÖSUNG
Was ich bewusst geändert oder aufgebaut habe.
Zeitfenster, Dublettenprüfung, Relevanzregeln und Budgetgrenzen kommen vor der Modellanalyse. Der Output soll Quellenlage und offene Fragen sichtbar lassen.
04 / ERGEBNIS & GRENZE
Was heute belegt ist.
Ein echter Workflow-Ausschnitt und ein versendetes Briefing vom 28. September 2026 sind veröffentlicht. Der Beleg zeigt diesen Lauf; er beweist keine allgemeine Richtigkeit aller Meldungen.
05 / LESSONS LEARNED
Was ich daraus mitnehme.
Automation spart Sichtungszeit, ersetzt aber nicht die redaktionelle Kontrolle. Regeln und Quellenkontext müssen vor und nach dem Modellaufruf überprüfbar bleiben.
06 / ORIGINALBELEGE