Ollama in Workflows: Automatisierung mit Node-RED & n8n

Wenn KI nicht mehr antwortet – sondern arbeitet

Bis hierher war Ollama vor allem eines: ein intelligenter Gesprächspartner. Ab jetzt ändert sich die Perspektive grundlegend.

In diesem Teil machen wir aus Ollama einen Automations-Baustein – integriert in Workflows, gesteuert durch Events, ohne manuelles Prompten.

👉 Ziel: KI arbeitet für dich, nicht mit dir.

Ollama als Automations-Baustein denken

Der wichtigste mentale Wechsel:

Ollama ist kein Chat. Ollama ist eine Funktion.

In Automationen interessiert niemand:

• wie höflich die Antwort klingt
• ob das Modell kreativ ist
• oder ob es „nett formuliert“

Was zählt:

• reproduzierbarer Output
• definierte Formate
• klare Aufgaben
• zuverlässige Laufzeit

Deshalb wird Ollama fast immer so genutzt:

Trigger → Daten → Ollama → Ergebnis → Weiterverarbeitung

Warum Node-RED & n8n perfekt passen

Node-RED

Node-RED ist:

• eventgetrieben
• visuell
• extrem gut für Datenflüsse

Ideal, wenn:

• Sensoren
• Cronjobs
• APIs
• interne Systeme

Daten liefern, die sofort verarbeitet werden sollen.

n8n

n8n ist:

• prozessorientiert
• integrationsstark
• API-lastig

Ideal, wenn:

• externe Services
• Webhooks
• Redaktionsprozesse
• Batch-Jobs

im Spiel sind.

👉 Beide sprechen HTTP → beide sprechen Ollama.

Webhooks: Der Einstiegspunkt

Fast jede Automation beginnt mit einem Webhook.

Beispiele:

• neues Dokument hochgeladen
• neue URL gecrawlt
• neuer Datensatz gespeichert
• Monitoring-Event ausgelöst

Der Webhook:

1. empfängt Daten
2. formatiert sie
3. ruft Ollama per API auf
4. verarbeitet das Ergebnis weiter

👉 Ollama ist nie der Startpunkt – sondern immer ein Verarbeitungsschritt.

Batch-Verarbeitung: KI im Hintergrund

Ein besonders mächtiges Szenario.

Statt:

• einen Text einzeln zu analysieren

machst du:

• 100
• 1.000
• 10.000 Datensätze

Typischer Ablauf:

• Loop über Datensätze
• standardisierter Prompt
• strukturierter Output (JSON)
• Speicherung oder Weitergabe

Beispiele:

• Textklassifikation
• Zusammenfassungen
• Bewertung
• Extraktion

👉 Hier glänzen kleinere, stabile Modelle.

Typische Use-Cases aus der Praxis

🔍 SEO

• Meta-Descriptions generieren
• Titelvarianten erstellen
• Content clustern
• Suchintention analysieren

Workflow: Crawler → Text → Ollama → SEO-Datenbank

📰 Redaktion

• Artikel vorstrukturieren
• Teaser erzeugen
• Zusammenfassungen schreiben
• Stilprüfungen durchführen

Workflow: Redaktionssystem → Ollama → CMS

📈 Monitoring

• Log-Einträge bewerten
• Fehlermeldungen klassifizieren
• Prioritäten vergeben
• Anomalien beschreiben

Workflow: Monitoring → Event → Ollama → Alert / Ticket

📊 Analyse

• Freitext-Antworten auswerten
• Feedback clustern
• Themen extrahieren
• Stimmungen erkennen

Workflow: Formulare → Ollama → Auswertung

Worauf es bei Automations-Prompts ankommt

In Workflows gelten andere Regeln als im Chat:

• keine Kreativität
• keine offenen Fragen
• keine Interpretationsspielräume

Stattdessen:

• feste Rollen
• feste Struktur
• festes Output-Format

Beispiel:

Analysiere den Text und gib ausschließlich JSON zurück mit den Feldern topic, sentiment, confidence.

👉 Maschinen brauchen Vorhersagbarkeit, keine Eloquenz.

Typische Fehler (bitte vermeiden)

❌ Chat-Prompts in Automationen ❌ Fließtext statt JSON ❌ Zu große Modelle ❌ Kein Timeout / keine Fehlerbehandlung

✅ Kleine Modelle ✅ Klare Prompts ✅ Definierte Outputs ✅ Logging & Retry-Logik

Fazit: Ab hier wird KI zur Produktivkraft

Wenn Ollama in Workflows eingebunden ist:

• läuft KI im Hintergrund
• verarbeitet Daten kontinuierlich
• skaliert mit deinem System
• kostet keine Tokens
• bleibt lokal & kontrolliert

Das ist der Punkt, an dem KI aufhört, Spielerei zu sein.

Ollama wird:

• ein Worker
• ein Analysemodul
• ein Textprozessor
• ein Systembaustein