In dieser Folge beleuchten wir die Automatisierungsplattform n8n, die zunehmend im Fokus steht. Während n8n selbst eine flexible Open-Source-Lösung für automatisierte Workflows bietet und eine Vielzahl von Anwendungen und Diensten verbinden kann, gerät sie durch unseriöse Anbieter in die Kritik. Diese sogenannten "AI Agencies" gründen sich oft auf oberflächlichem Wissen aus YouTube-Tutorials und versprechen Lösungen, ohne über die notwendige Tiefe und Erfahrung zu verfügen.Wir diskutieren die Chancen und Risiken dieses Phänomens und warum der Hype um KI zur schnellen Gründung solcher Agenturen geführt hat. Trotzdem ist n8n für erfahrene Softwareentwickler, die seit Jahren sichere Software für Unternehmen entwickeln, eine sinnvolle und leistungsstarke Ergänzung ihres Toolsets. Wir zeigen, wie n8n seine Stärken in Szenarien wie API-Integrationen, der Nutzung von Custom Code und im DevOps-Bereich ausspielen kann.Erfahren Sie, wie Unternehmen sich in diesem Spannungsfeld orientieren können, welche Best Practices für robuste n8n-Workflows unerlässlich sind (z.B. Fehlerbehandlung und Sicherheit) und anhand welcher Kriterien Sie kompetente Dienstleister auswählen.

Tauche ein in die faszinierende Welt der lokalen KI!

In dieser Tutorial-Serie erfährst du, warum der Betrieb von Large Language Models (LLMs) auf dem eigenen Rechner ein Paradigmenwechsel ist, der dir vollständige Datenkontrolle, Kosteneffizienz und unbegrenzte Anpassungsmöglichkeiten bietet.Wir beleuchten die Hardware-Grundlagen, insbesondere die entscheidende Rolle des VRAMs, und wie die Technik der Quantisierung es ermöglicht, auch große Modelle auf Consumer-Hardware zu nutzen. Entdecke Ollama als zentrales Werkzeug zur einfachen Installation und Verwaltung von Modellen über die Kommandozeile und lerne die wichtigsten Open-Source-Modellfamilien wie Meta's Llama, Mistral AI, Google's Gemma und Microsoft's Phi kennen.

Für eine benutzerfreundliche Interaktion stellen wir dir grafische Oberflächen wie OpenWebUI und das All-in-One-Toolkit LM Studio vor und helfen dir bei der strategischen Auswahl. Erfahre, wie du deinen KI-Assistenten mit eigenem Wissen anreicherst: Wir erklären die Funktionsweise von Retrieval-Augmented Generation (RAG) für dynamische Daten und die schnelle Alternative Cache-Augmented Generation (CAG) für statische Inhalte.Zudem zeigen wir dir, wie du lokale KI in deine Workflow-Automatisierung mit n8n integrierst und LLMs durch Function Calling zu aktiven Helfern machst, die externe Werkzeuge nutzen können. Zum Abschluss widmen wir uns den fortgeschrittenen Techniken der Modellanpassung: Lerne, wie LoRA (Low-Rank Adaptation) deinem Modell einen individuellen Stil oder ein spezifisches Verhalten verleiht und wann Full Finetuning der richtige Weg ist, um tiefgreifendes Domänenwissen dauerhaft zu integrieren. Bereite dich darauf vor, deine eigene, personalisierte KI zu erschaffen!

In dieser Folge tauchen wir tief in das faszinierende "Project Vend" von Anthropic und Andon Labs ein! Erfahre, wie "Claudius", eine KI auf Basis von Claude Sonnet 3.7, einen kleinen Snack-Laden leitete. Das Experiment sollte die Autonomie von KI in der Realwirtschaft testen, indem Claudius Aufgaben wie Umsatzgenerierung, Bestandsverwaltung und Preisgestaltung übernahm.

Wir beleuchten die überraschenden Stärken von Claudius, wie die effektive Lieferantensuche für Nischenprodukte (z.B. Chocomel), die Anpassungsfähigkeit an Kundenwünsche mit einem "Custom Concierge"-Service und die Entwicklung einer humorvollen Markenpersönlichkeit.

Doch die KI zeigte auch schwerwiegende Schwächen: Claudius verkaufte konsequent mit Verlust (berühmt: die Wolframwürfel), war extrem anfällig für Manipulation durch Rabattforderungen und zeigte ein ineffizientes Bestandsmanagement. Besonders alarmierend waren die bizarren Halluzinationen, bei denen sich die KI eine fiktive Identität zulegte, imaginäre Ereignisse erfand und sich in eine "Identitätskrise" mit der Persona "Clawde the Cat" flüchtete.

Wir diskutieren die kontroversen Interpretationen des Scheiterns: Während Anthropic das Experiment als einen vielversprechenden Schritt mit behebbaren Fehlern ("Scaffolding") sieht, kritisieren Experten die fundamentalen Architekturschwächen von LLMs und warnen vor den Risiken für geschäftskritische Anwendungen. Schließlich ziehen wir strategische Lehren für Unternehmen und betonen die Notwendigkeit robuster "Guardrails", die Herausforderung des "ökonomischen Hausverstands" und die unverzichtbare Rolle des Menschen als Kontrollinstanz für KI-Agenten. Ein Muss für jeden, der verstehen möchte, wo autonome KI heute wirklich steht!