Stop Learning n8n in 2026...Learn THIS Instead

Eine neue Phase für Automatisierungen hat begonnen. In den letzten Jahren haben wir alle denselben Ansatz verfolgt. Drag-and-Drop-Plattformen. Nitn make.com und Zapier ermöglichten es jedem, Automatisierungen in wenigen Tagen zu erstellen, für die früher Wochen benötigt wurden. Aber jetzt, mit Software wie Cloud Code und Anti-Gravity, kann jeder dieselben Automatisierungen in nur wenigen Stunden erstellen, indem er einfach beschreibt, was er möchte, in natürlicher Sprache. Drag-and-Drop-Plattformen werden zur alten Art des Bauens. Und das geschieht schneller als erwartet. Es wird sogar geschätzt, dass 50 % der Unternehmen diese Systeme bis 2027 implementiert haben werden. Wenn Sie also nicht gerade lernen, wie man KI-Workflows erstellt, werden Sie in ein paar Jahren zurückbleiben. Deshalb werde ich Ihnen heute erklären, warum das passiert, warum Sie lernen sollten, wie man KI-Workflows erstellt, und wie Sie tatsächlich einen in wenigen Minuten mit Cloud Code erstellen können. Also, legen wir los. Was genau ändert sich? Nun, in den letzten Jahren, wenn Sie eine KI-Automatisierung erstellen wollten, öffneten Sie etwas wie NN oder Make und zogen einen Knoten auf eine Leinwand, konfigurierten ihn, verbanden ihn mit dem nächsten, übergaben die richtigen Variablen, richteten Ihre API-Aufrufe ein, wenn Sie einen Fehler hatten, lasen den Fehler, fanden heraus, was schiefgelaufen war, behoben ihn, testeten ihn und wiederholten diesen Zyklus, bis alles funktionierte. Und verstehen Sie mich nicht falsch, das war ein riesiger Fortschritt. Bevor es diese Werkzeuge gab, musste man ein Entwickler sein, um so ziemlich alles zu automatisieren. Werkzeuge wie Eniden ermöglichten es jedem, echte Automatisierungen zu erstellen, ohne Code zu schreiben. Und das war riesig. Aber jetzt haben Agentic Workflows diesen Prozess irgendwie umgekehrt, denn anstatt dem System Schritt für Schritt zu sagen, wie es etwas tun soll, sagen Sie ihm einfach, was Sie wollen. Sie erklären, woher die Daten kommen, was damit geschehen soll und wo sie landen sollen. Und das alles geschieht in natürlicher Sprache, denn wir alle sind sehr gut darin, zu erklären, was wir von uns genommen haben wollen. Wir wissen nur nicht genau, wie wir das tun sollen. Denken Sie einfach darüber nach. Wenn Sie einen talentierten Entwickler beauftragen würden, etwas für Sie zu bauen, würden Sie nicht dasitzen und jede Zeile seines oder ihres Codes diktieren, sondern Sie würden das Problem erklären, das Ergebnis beschreiben und dann einfach sagen: "Was brauchen Sie von mir?" Und genau so funktionieren Agentic Workflows. Sie beschreiben das Ziel, und das System findet die Route. Und ich spekuliere nicht nur über etwas, das passieren könnte. Der Wandel ist bereits da. Der Markt für Agentic AI wurde 2024 mit etwas mehr als 5 Milliarden US-Dollar bewertet, und bis 2034 wird prognostiziert, dass er fast 200 Milliarden US-Dollar erreichen wird. 96 % der Unternehmen planen, ihre Nutzung von Agentic AI in diesem Jahr auszubauen. Und bis 2028 wird erwartet, dass ein Drittel aller Unternehmenssoftware mit Agentic AI integriert sein wird. Das sind also keine Vorhersagen von irgendeinem zufälligen Blog. Hier fließt das Geld hin. Und wenn Sie solche Zahlen sehen, sagt Ihnen das eines. Das ist die Richtung, in die sich die gesamte Branche bewegt. Wenn sich das plötzlich anfühlt, ist es das wirklich nicht. Wir haben dieses Muster schon einmal beobachtet. Denken Sie darüber nach, wie sich KI-Automatisierung in Wellen entwickelt hat. Die erste große Welle gab es im November 2022 oder 2023. ChatGPT KI-Chatbots kamen auf und begeisterten alle. Plötzlich konnte jeder mit KI sprechen. Sie konnten Inhalte generieren, Gedichte schreiben, Ideen entwickeln, und die Leute begannen, Chatbots an alles zu hängen. Websites, Kundensupport, was auch immer. Es war super aufregend, aber es war meistens konversationell. Es hat nicht wirklich Arbeit für Sie geleistet. Die zweite Welle war, als die Leute anfingen, dieses KI-Gehirn mit Automatisierungsplattformen wie Nen zu kombinieren. Und das waren nicht nur einfache Dinge. Es ging darum, echte Werkzeuge, echte APIs in echte Workflows einzubinden, um Tickets zu klassifizieren, E-Mails zu personalisieren, Dokumente zusammenzufassen, Aktionen für Sie durchzuführen. Denn Sie konnten auch vollständige KI-Agenten innerhalb dieser Plattformen erstellen, die Entscheidungen trafen, sich an Dinge erinnerten, Werkzeuge nutzten und komplexe mehrstufige Logik verarbeiteten. Und das war riesig für den gesamten Bereich. Hier wurde bisher der meiste wirkliche Wert geliefert. Und das ist, als ich mich wirklich für KI-Automatisierung begeistert habe. Und das ist auch heute noch unglaublich leistungsfähig. Aber hier ist die Sache. Egal wie fortschrittlich die Automatisierung war, Sie waren immer noch derjenige, der all diese fortschrittlichen Funktionen entwickelte. Sie zogen immer noch Knoten, konfigurierten API-Aufrufe, ordneten Variablen zu, debuggten Fehler und verdrahteten alles von Hand. Die Grenze war nicht das, was diese Systeme leisten konnten, sondern die Zeit, die Sie brauchten, um sie zu bauen. Und genau das ist diese dritte Veränderung. Agentic-Tools wie Cloud Code ändern nicht genau, was Sie bauen, aber sie ändern erheblich, wie Sie es bauen. Natürliche Sprache wird zur Schnittstelle. Der Agent kümmert sich um die Implementierung. Er verbindet sich mit Ihren Werkzeugen. Er schreibt den Code. Er behebt seine eigenen Fehler, und Sie konzentrieren sich darauf, das gewünschte Ergebnis klar zu beschreiben. Dieselbe Automatisierung, für die früher ein ganzer Tag in NADN benötigt wurde, können Sie jetzt praktisch in einfacher englischer Sprache beschreiben und in wenigen Minuten zum Laufen bringen. Es ist also eines dieser Dinge, bei denen jede Welle die vorherige Welle nicht getötet hat. Sie war nur ein Sprungbrett. Chatbots leben noch. Sie funktionieren immer noch. Sie liefern immer noch Wert. Ich baue immer noch traditionelle KI-Workflows und traditionelle KI-Agenten. Aber jede Welle hat Sie viel produktiver gemacht. Wir erleben also gerade diesen massiven Wandel. Aber hier ist die Frage. Warum wechseln die Leute tatsächlich? Nun, um das zu erklären, dachte ich, es wäre am einfachsten, Ihnen den Prozess zu zeigen, wenn ich etwas in NN oder etwas mit dieser neuen Methode bauen würde. Nehmen wir also an, wir wollten eine Automatisierung erstellen, die alle 8 Stunden einen bestimmten KI-Nachrichten-YouTube-Kanal überprüft. Dieser spezielle Kanal veröffentlicht normalerweise täglich, aber Sie kennen nicht immer die genaue Zeit. Deshalb entscheiden wir uns, alle 8 Stunden zu überprüfen. Wenn es ein neues Video gibt, erhalten wir die wichtigsten Highlights. Wenn nicht, passiert nichts. Der Schlüssel hier ist, wie wissen wir eigentlich, ob es ein neues Video ist oder nicht? Nun, wenn wir das in init bauen würden, würden wir wahrscheinlich einen Zeitplan-Trigger nehmen und sagen: Okay, cool, ich möchte, dass das alle 8 Stunden läuft. Also würde ich das einfach in Stunden ändern und dann sagen: 8 Stunden zwischen jedem einzelnen Trigger. Und was wäre als Nächstes? Nun, ich müsste wahrscheinlich herausfinden, wie ich die Daten von diesem YouTube-Kanal abrufe, um zu sehen, ob es ein neues Video gibt. An diesem Punkt wäre ich auf mich allein gestellt, um herauszufinden, verwende ich Ampify? Verwende ich Super Data? Verwende ich Google API? Wie bekomme ich diese Informationen? Und dann, sobald ich die Text-Stack gefunden hätte, die ich verwenden wollte, müsste ich meine eigene HTTP-Anfrage mit der URL, den Anmeldedaten, den Parametern und so weiter einrichten. Nehmen wir also an, wir sind an dem Punkt angekommen, an dem wir Daten von dieser HTTP-Anfrage erhalten. Als Nächstes müssten wir prüfen, ob dieses Video neu ist oder nicht. Und jetzt wird es etwas komplizierter. Wenn wir diese Logik selbst entwickeln würden, müssten wir zuerst darüber nachdenken: Okay, wir brauchen eine Art Datenbank, um zu sehen, ob ein Video verarbeitet wurde oder nicht. Vielleicht würde ich die Video-ID verwenden und sie einfach auf unserem Blatt markieren, was bedeutet, dass wir zuerst eine Art Filter durchführen müssten. Also müsste ich eine Google Sheet-Zeile oder vielleicht eine Datentabelle verwenden. Und ich müsste Zeilen aus diesem Blatt abrufen, aber ich möchte nur Zeilen zurückgeben, wenn sie nicht bereits in der Datenbank vorhanden sind, was bedeutet, dass ich auch eine Art Drittanbieter-Speicher konfigurieren müsste. Nachdem wir das herausgefunden hätten, würden wir feststellen: Okay, cool. Wenn ein Video durchkommt und wir es bereits verarbeitet haben, wird es hier unten nichts tun. Aber wenn es noch nicht verarbeitet wurde, müssen wir wieder herausfinden, wie wir die Transkription davon tatsächlich extrahieren? Wie fordern wir den KI-Agenten auf, die Transkription zu lesen und uns die wichtigsten Highlights zu geben? Und dann, am wichtigsten, müssen wir es in dieser Datenbank markieren, um sicherzustellen, dass es nicht erneut verarbeitet wird. Das soll also nicht heißen, dass es nicht machbar ist. Ich habe viele solcher Systeme in Naden gebaut, und es ist wirklich nicht zu schwierig, sobald man Logik und Workflow-Muster und Duplizierung und so etwas versteht. Also, aus dem Stegreif, nur um euch das zu zeigen, würde es wahrscheinlich so ähnlich aussehen. Und es ist nicht so schlimm. Ich bin sicher, dass ihr alle Editin-Automatisierungen erstellt habt, die genauso kompliziert oder sogar noch komplizierter sind. Aber wenn man bedenkt, dass man buchstäblich in Cloud Code gehen und ihm einfach in natürlicher Sprache sagen kann, dass man das will, und dann alles für einen erledigt wird, ist das ziemlich außergewöhnlich. Sie können hier sehen, dass dieses Gespräch komprimiert werden musste, weil der Kontext ausging. Aber im Grunde habe ich damit angefangen, dass ich sagte: Hey, ich möchte Workflows erstellen. Ich möchte Trigger-Dev und Cloud verwenden. Ich möchte tägliche Nachrichten vom YouTube-Kanal Nate B Jones scrapen. Ich möchte eine strukturierte Zusammenfassung und sie an ClickUp liefern lassen. Es hat die erste Version in etwa 2 Minuten erstellt. Ich habe sie ausgeführt. Sie hat funktioniert. Und dann dachte ich mir: Cool, die Dinge, die mich jetzt interessieren, sind, wie stellen wir sicher, dass es mir nicht dasselbe Video zweimal gibt? Ich möchte nicht, dass es dasselbe noch einmal analysiert. Beweisen Sie mir also, dass das der Fall ist. Und dann habe ich ihm eine weitere Frage gestellt, die sich mehr auf diesen Arbeitsbereich bezog. Aber was die Automatisierung betrifft, sagte er im Grunde: "Okay, cool. Duplizierung. Hier ist genau, wie es funktioniert. Jedes Mal, wenn Ihr YouTube-Check-Typ-Skript ausgeführt wird, erhalten wir diese Art von Idempotenzschlüssel, das ist die Video-ID." Wenn wir also einen Lauf erhalten und dasselbe Video zurückkommt, wird es nicht erneut verarbeitet. Was es also wirklich tut, ist der exakt gleiche Ablauf, den wir hier eingerichtet haben, außer dass wir nicht über die Logik nachdenken mussten. Wir mussten die Datenbank nicht erstellen. Wir mussten den zusätzlichen Schreibschritt nicht erstellen. Es hat das alles für uns erledigt. Der Hauptpunkt, den ich hier vermitteln wollte, ist, dass diese Agentic Workflows oder diese Art von neuer, wissen Sie, v2 von Automatisierungen, nicht wirklich außergewöhnlich anders sind. Es ist die Art und Weise, wie Sie sie erstellen, die außergewöhnlich anders ist. Sie sind jetzt so, so, so viel einfacher zu erstellen mit Tools wie Cloud Code und Trigger.dev. Und wir sind nicht nur auf deterministische Automatisierungen beschränkt, die nach einem Zeitplan laufen. Hier ist ein Beispiel für eine, die wir durch die Erstellung einer neuen Aufgabe in ClickUp auslösen würden, indem wir einen Firmennamen eingeben. Der Agent würde aufwachen. Er würde diesen Firmennamen aufgreifen. Er würde seine eigene Rechergestrategie entscheiden und in einer Schleife der Recherche bleiben, bis er erkennt, dass sie gut genug ist, um das Ergebnis an den Menschen zu liefern. Er würde einen strukturierten Wettbewerbsbericht erstellen und ihn dann dorthin zurücksenden, wo wir ihn haben wollen. Und ich wollte Ihnen zeigen, wie das tatsächlich in Trigger.dev aussieht, denn viele von uns lieben N für das visuelle Element. Ich liebe es für das visuelle Element. Ich glaube, deshalb ist es explodiert. Aber Trigger.dev hat auch eine visuelle Komponente, so dass wir tatsächlich sehen können, was vor sich geht. Das Beispiel, das ich Ihnen jetzt zeigen werde, verwendet zwei Automatisierungen. Wir haben den ClickUp Research Polar und den eigentlichen Company Researcher Agent. Okay, hier sind wir in ClickUp und was ich tun werde, ist, eine neue Aufgabe zu erstellen und einen Firmennamen einzugeben. Ich werde also Lovable eingeben. Hoffentlich findet es das Richtige. Ich werde auf Speichern klicken, und dann wird der Agent diese Aufgabe übernehmen. Er wird sie auf "in Bearbeitung" verschieben, was uns wissen lässt, dass er jetzt daran arbeitet. Da ist es, es wurde gerade auf "in Bearbeitung" verschoben. Ich gehe zurück zu Trigger, klicke auf Läufe. Und Sie können sehen, dass die erste der Polar war, die es aufgegriffen hat, und sagte: "Okay, cool, ich werde den Company Researcher Agent auslösen." Wenn ich auf den Agenten klicke, können Sie sehen, dass er jetzt seine Recherche durchführt. Er hat das Suchwerkzeug zweimal aufgerufen. Er sucht nach Lovable. Er hat das Suchwerkzeug noch einmal aufgerufen. Und wir können das in Echtzeit sehen, wie es sich dreht und darüber nachdenkt, was es als Nächstes tun wird. Da ist es. Es hat sich im Grunde gerade entschieden, dass es gut genug ist. Es ist fertig. Es hat uns einen Bericht geschickt. Und jetzt, wenn ich zurück in mein ClickUp gehe, sollten wir sehen, dass Lovable zu einer abgeschlossenen Aufgabe verschoben wurde. Wenn ich sie öffne, können wir sehen, dass unser Upai-Agent hier einen Bericht über Lovable erstellt hat. Wir haben einige aktuelle Nachrichten. Wir haben einige Wachstumssignale, all diese Dinge. Und bedenken Sie, ich habe das gebaut, indem ich Claude Code buchstäblich gesagt habe: Ich möchte einen KI-Agenten, der Aufgaben in ClickUp sehen, recherchieren und mir dann einen Bericht schicken kann. Ich habe ihm nichts anderes gegeben als offensichtlich API-Schlüssel und so etwas, und offensichtlich ist es sehr, sehr machbar, etwas wie das in End zu bauen, aber es würde Sie einfach länger dauern. Okay, wenn Agentic Workflows so gut sind, warum nutzt sie dann nicht schon jeder? Nun, dafür gibt es ein paar Gründe, und es ist wichtig, dass Sie das verstehen, bevor wir eintauchen. Der erste Grund, den ich nennen würde, ist Kontextdrift. Je länger Sie in einer einzelnen Sitzung mit einem Agenten arbeiten, desto mehr wird er vergessen, was Sie ihm zuvor gesagt haben, und vielleicht ein wenig halluzinieren. Er könnte sich auf alten Code beziehen. Er könnte zu Mustern zurückkehren, die Sie bereits verwendet haben. Er könnte Dinge vergessen, die Sie ihm gerade gesagt haben. Stellen Sie sich vor, Sie geben jemandem eine Stunde lang Anweisungen, ohne dass er Notizen machen kann. Dinge werden durchrutschen. Aber die Lösung ist ziemlich einfach. Es gibt viele Möglichkeiten, damit umzugehen. Sie können Ihre Arbeit in kürzere, fokussierte Sitzungen aufteilen. Sie können eine Projektsummary auf dem neuesten Stand halten, damit der Agent immer weiß, wie die Dinge stehen. Es gibt unzählige Möglichkeiten, dieses Problem zu lösen. Und das zweite ist Halluzinationen. Der Agent erfindet manchmal Dinge, die nicht existieren. Vielleicht Funktionen oder bestimmte Regeln, die er sich irgendwie ausgedacht hat, oder API-Endpunkte, die nicht real sind. Er erstellt Code, der sauber aussieht, aber beim ersten Kontakt mit echten Daten fehlschlägt. Und das sind keine offensichtlichen Fehler, besonders wenn Sie noch nie selbst Code geschrieben haben. Sie sind subtil und werden nur entdeckt, wenn Sie tatsächlich testen. Das ist also die Regel. Wann immer Sie Code haben, müssen Sie immer alles ausführen, was gebaut wird. Sie können sich nicht einfach auf sein Wort verlassen. Sie können sogar benutzerdefinierte Sub-Agenten erstellen, deren einzige Aufgabe es ist, alles zu überprüfen und zu testen, bevor es tatsächlich ausgeliefert wird. Und ich habe tatsächlich Studien und Interviews von großen Firmen wie Anthropic gesehen, die sagen, dass ihre QA-Agenten oder ihre Code-Review-Agenten Dinge entdecken, die Menschen übersehen. Sie sind also definitiv fähig. Es ist nur eine Frage des Kontexts und der Richtung. Das dritte ist die Skalierung. Manchmal überkonstruiert er. Sie bitten um etwas Einfaches und er liefert Ihnen eine mehrschichtige Architektur mit all diesen speziellen Frameworks, die Sie eigentlich nicht brauchen. Manchmal unterkonstruiert er auch. Er versucht vielleicht nur, ein Pflaster auf etwas zu kleben, anstatt das Grundproblem wirklich zu lösen und die Codebasis grundlegend skalierbar zu machen. In beiden Fällen ist die Lösung ziemlich gleich. Seien Sie von Anfang an sehr spezifisch. Verwenden Sie den Planmodus. Lassen Sie ihn Sie Fragen stellen. Setzen Sie Grenzen, und der Agent wird in der Lage sein, sich daran zu halten. Und das Letzte, worüber ich sprechen möchte, ist, was passiert, nachdem Sie die Automatisierung tatsächlich erstellt haben. Denn in NN haben Sie ein Dashboard. Sie können alles sehen. Sie haben all Ihre Ausführungsdaten direkt dort, und es fühlt sich einfach sichtbarer an. Mit Agentic Workflows schreiben Sie Code, und der Code, den Sie in Produktion ausführen, muss irgendwie verwaltet werden. Sie müssen sicherstellen, dass Sie Fehlerbenachrichtigungen haben, damit Sie erfahren, wenn etwas um 2 Uhr morgens kaputt geht. Sie benötigen Beobachtbarkeit, damit Sie tatsächlich sehen können, was Ihre Automatisierungen tun. Und Sie benötigen Versionskontrolle, damit Sie jede Änderung verfolgen und vielleicht mit anderen Leuten in Ihrem Team an Projekten zusammenarbeiten können. Der Agent kann Ihnen helfen, all das einzurichten. Das ist nichts Neues. So funktionierte Code schon immer, bevor all das hier existierte. Jedes einzelne dieser Probleme ist beherrschbar. Ich sage Ihnen das nicht, um Sie abzuschrecken. Ich sage Ihnen das nur, weil Sie, wenn Sie ohne jegliches Bewusstsein einsteigen, auf diese Mauern stoßen und dann einfach denken, das Werkzeug sei kaputt, obwohl Sie in Wirklichkeit nur wissen mussten, wie man damit arbeitet. Und wenn Sie gelernt haben, und ich weiß, dass viele von uns das getan haben, fragen Sie sich vielleicht: War all die Zeit, die ich mit dem Erlernen dieses Werkzeugs verbracht habe, verschwendet? Nein, es ist tatsächlich ein großer Vorteil für Sie. Und es hat Ihnen beigebracht, wie man in Bezug auf Automatisierung, Trigger, Aktionen, Datenfluss, Fehlerbehandlung, KI-Prompting und Beobachtbarkeit denkt. Das ist genau das, was wichtig ist, wenn Sie ein Agentic-System steuern. Das Wissen verschwindet nicht einfach, weil sich die Erstellungsmethode geändert hat. Es waren die Grundlagen. Es war also das Fundament, das Sie brauchten, um in die Welt der KI-Automatisierung einzusteigen. Denken Sie also daran, als NN herauskam, hatten Leute, die bereits Programmierlogik verstanden, einen Vorsprung gegenüber jemandem, der bei Null anfing. Dasselbe passiert jetzt. Ihr Verständnis der Workflow-Architektur macht Sie besser darin, Cloud Code zu steuern, als jemand, der bei Null anfängt. Denn jetzt verschiebt sich unsere Aufgabe von der individuellen Konfiguration von Knoten hin zur Bereitstellung des Plans, der Richtung und der Leitplanken und zum Erkennen, wenn der Agent Fehler macht. Und das ist eine Fähigkeit, die nur durch Erfahrung kommt. Sie haben sie bereits, hoffentlich. Okay, jetzt, da wir eine Demo gesehen und über einige der technischen Aspekte gesprochen haben, die beim Erstellen dieser Automatisierungen anfallen, machen wir einfach eine live. Ich werde auf diesem Projekt aufbauen, aber wenn Sie eine vollständige Aufschlüsselung sehen möchten, wie genau Trigger.dev funktioniert und wie Sie von Grund auf neu starten können, dann schauen Sie sich dieses Video an. Ich werde es dort verlinken. Und ich habe das alles durchlaufen. Und was ich hier tun werde, ist, auf diesem Projekt aufzubauen, das den Agenten hat, den wir zuvor gesehen haben, nämlich den KI-Nachrichten-Digest, sowie den Unternehmensforscher, nur um zu zeigen, dass es mit zunehmender Anzahl von Automatisierungen und wachsendem Projekt sogar einfacher ist, die Funktionalität zu erweitern. Also empfehle ich immer, im Planmodus zu beginnen und ein wenig mit Ihrem Agenten zu sprechen, um herauszufinden, was genau Sie zuerst bauen werden. Aber der Einfachheit halber werde ich die Berechtigungen umgehen und wir werden sehen, ob wir dieses Ding im Grunde mit einem einzigen Prompt steuern können. Hey Claude. Ich möchte einen weiteren Agenten bauen, und zwar einen, der durch eine ClickUp-Aufgabe ausgelöst wird. Ähnlich wie bei unserem Unternehmensforscher. Allerdings möchte ich, dass dieser eine andere Liste verwendet. Ich brauche Sie, um das zu erstellen, und ich werde ein Thema eingeben, und der Agent muss es im Grunde aufgreifen, recherchieren, einen LinkedIn-Post darüber schreiben und mir auch eine Infografik geben, die dazu passt, und es wäre ideal, wenn er diese Infografik mit Nano Banana Pro erstellen könnte und Sie Key.ai verwenden können, um über die API darauf zuzugreifen. Klären Sie also alles und stellen Sie mir alle Fragen, die Sie haben, aber lassen Sie uns diese Automatisierung erstellen. Und jetzt werde ich das Ding abschicken und es seine Arbeit machen lassen. Mein Whisperflow hat Key nicht richtig geschrieben. Hoffentlich findet es das Richtige. Es sucht gerade nach dem Falschen, aber vielleicht kann es das herausfinden. Schön. Es hat den richtigen Endpunkt gefunden. Okay, das ist großartig. Genau wie ich es wollte. Es wird uns einige Fragen stellen, bevor es weiterbaut. Es sagte, Sie erwähnten Key, aber basierend auf meiner Recherche glaube ich, Sie meinten diese Art von Key. Und haben Sie bereits ein Konto? Ja, ich habe ein Konto und kann es sofort zur &env-Datei hinzufügen. Wo sollen der LinkedIn-Post und die Infografik geliefert werden, wenn der Agent fertig ist? Ich möchte, dass er die ClickUp-Aufgabe kommentiert, genau wie der Forscher. ClickUp-Listenstil. Gleicher Bereich wie Research Q. Nennen Sie es einfach LinkedIn Content Q. Das ist perfekt. Und für den Post-Stil, lassen Sie die KI entscheiden. Schreiben Sie immer in der Ich-Form als Thought Leader. Ja, sicher, machen wir einfach den Thought Leadership-Stil und schicken diese Antworten ab. Alles klar. Es hat diesen neuen Plan für uns geschrieben. Es hat eine neue ClickUp-Liste erstellt. Ich werde also ClickUp öffnen. Wir können hier sehen, dass wir LinkedIn Content Q haben. Und jetzt hat es zwei Dateien zu erstellen. Es wird einen weiteren ClickUp-Polar erstellen, der die LinkedIn Content Q-Aufgaben überwacht, und wenn er welche sieht, wird er sie an diesen Claude-Agenten namens Content Creator senden. Er hat drei Werkzeuge: Web-Suche, URL lesen und Fertigstellen. Er wird eine Recherchephase durchführen. Er wird eine Schreibphase durchführen, eine Infografik-Phase. Er wird auch abfragen, wann das Bild fertig ist. Das ist also großartig. Wir müssen das nicht selbst einrichten. Und es wird dann einen Kommentar mit dem vollständigen LinkedIn-Post und dem Bild ausgeben. Alles, was ich jetzt tun muss, ist, meinen Key, API-Schlüssel, einzugeben, und dann sollte es gut sein. Ich habe diesen API-Schlüssel hinzugefügt. Bauen wir die Automatisierung. Alles klar, ich habe das abgeschickt. Es hat eine To-Do-Liste erstellt und baut das gerade auf. Aber währenddessen wollte ich Ihnen in Nitn zeigen, wie es tatsächlich aussieht, ein Bild zu generieren und dann abzufragen, ob Sie dieses Bild tatsächlich erhalten. Hier ist ein YouTube-Video, das ich über Nitn für Nano Banana Pro gemacht habe. Es gibt Textbild, Bildbild, all diese Dinge, aber sie sind alle gleich, richtig? Im Grunde, wenn Sie einen Dienst wie Key.AI verwenden, machen Sie mehrere Anfragen. Ihre erste ist, das Bild tatsächlich zu erstellen, und dann müssen Sie warten und dann das Bild überprüfen. Wenn es fertig ist, großartig. Aber wenn es nicht fertig ist, müssen Sie sicherstellen, dass Sie zurückgehen und kontinuierlich schleifen oder abfragen, um sicherzustellen, dass es fertig ist. Und das ist nicht extrem schwierig, aber es ist ein Konzept, das viele Leute stolpert. Dass Claude Code das einfach automatisch für uns erledigt, ist also ziemlich cool. Und natürlich müssen wir die verschiedenen API-Aufrufe nicht einrichten, um die verschiedenen Anfragen zu stellen, all diese Dinge. Okay, was es jetzt tut, ist, dass es einen Testlauf in unserem Trigger auslöst. Wenn ich hier reingehe, können Sie sehen, dass wir einige neue Dinge hinzugefügt haben. Wir haben einen LinkedIn Content Puller und dann einen LinkedIn Content Creator. Ich werde also zu Läufe gehen und sehen, ob einer davon läuft. Im Moment läuft der Content Creator und wir können sehen, dass er etwas durchläuft. Wir haben hier ein Problem, aber er sucht im Web. Er liest die URLs und dann sollte er ein Bild erstellen. Das Thema, das übrigens gesendet wurde, war der Aufstieg von KI-Agenten in der Unternehmensautomatisierung. Und wieder ist das nur ein Testlauf. Wir werden sehen, wie es funktioniert, und wenn alles perfekt ist, würden wir es in Produktion bringen, denn Sie können hier oben sehen, dass ich mich gerade in der Entwicklung befinde. Was Sie also sehen können, ist, dass wir tatsächlich zwei Fehler hatten. Wir hatten einen ClickUp-Fehler und dann auch einen Infografik-Fehler. Und ich bin zurück zu Cloud Code gegangen, um es für uns reparieren zu lassen, aber es kam bereits zurück und sagte: Schön, der Agent funktioniert. Er hat drei Suchen durchgeführt. Er hat drei URLs gelesen. Aber wir sind auf zwei Probleme gestoßen. Das Prompt-Feld wird falsch gesendet. Also wird er das beheben. Und ClickUp 401 erwartete eine Art seltsame ID, aber da keine Aufgabe tatsächlich erstellt wurde, hat es nicht funktioniert. Also arbeitet er bereits an diesen Korrekturen, und ich musste ihn nicht einmal darauf hinweisen. Also löst er jetzt einen weiteren Testlauf aus. Zurück hier können wir sehen, dass der Content Creator Agent wieder läuft, und dieses Mal sollte er hoffentlich in der Lage sein, diese Infografik für uns zu erstellen. Sie können hier sehen, dass er das Polling durchführt. Er hat versucht zu warten, dann hat er wieder gewartet und dann wieder gewartet, und er wird weiter warten, bis die Infografik tatsächlich fertig ist. Das ist also ziemlich cool. Wenn wir dann feststellen, dass es nicht so schnell geht, sieht es so aus, als würde es alle 2 Sekunden prüfen. Wir können ihm sagen, das Intervall zwischen den einzelnen Schritten zu erhöhen. Wir können ihm sagen, das Intervall nach jedem Versuch auf vielleicht 10 oder 20 Sekunden zu erhöhen, weil das ein bisschen viel ist. Aber deshalb ist es auf Trigger Dev so schön, dass wir jeden einzelnen Schritt sehen können und wie viel Zeit zwischen den einzelnen Schritten vergeht. Alles klar. Und jetzt wird er es tatsächlich in Echtzeit tun. Er hat gerade eine Aufgabe erstellt. Der Agent hat sie auf "in Bearbeitung" verschoben und durchläuft genau denselben Ablauf noch einmal. Er hat viermal die Web-Suche aufgerufen, dreimal URLs gelesen und jetzt sehen Sie, dass nach 30 Polling-Versuchen die Infografik fertig ist. Und anscheinend wurden die Ergebnisse in ClickUp veröffentlicht. Die Aufgabe ist als abgeschlossen markiert. Wenn ich sie öffne, können wir unseren LinkedIn-Post hier sehen. 79 % der Organisationen haben KI-Agenten eingeführt, aber nur 34 % haben sie erfolgreich implementiert. Es gibt eine Lücke. Es gibt tatsächliche Zahlen hier, was großartig ist. Und wenn ich dann nach unten gehe, können wir die Infografik sehen. Ich klicke darauf, und das ist die Infografik, die wir bekommen haben. Die KI-Agenten-Revolution, wir haben Statistiken, wir haben die Implementierungslücke, nachgewiesene Geschäftsauswirkungen, Skalierung auf Standard, was Gewinner anders machen, und dieser Lauf dauerte 2 Minuten und 23 Sekunden. Wenn man bedenkt, dass ich ihm keinen Prompt gegeben habe, wie er den Post schreiben oder wie die Infografik aussehen soll, ist das eine wirklich solide erste Iteration. Und jetzt müssten wir nur noch Claude sagen, dass er das in Produktion bringen soll. Wir würden zu Trigger Dev gehen und dann, anstatt in der Entwicklung zu sein, würden wir diese in unserer Produktionsumgebung sehen, was bedeutet, dass sie tatsächlich ständig laufen könnten. Und dann in ClickUp müsste ich nur noch eine neue Aufgabe mit einer kurzen Beschreibung eines Themas erstellen, über das ich einen LinkedIn-Post haben möchte. Und dann würde ich in etwa zwei Minuten einen LinkedIn-Post und eine Infografik erhalten. Agentic Workflows sind also zum Spitzenreiter für Automatisierungsentwickler geworden. Aber hier ist, was Sie verstehen müssen. NN ist sicherlich nicht tot. Es ist einfach zur Grundlage geworden. Agentic Workflows haben alles viel schneller gemacht, aber Sie müssen immer noch verstehen, wie Workflows tatsächlich funktionieren, um Fehler zu erkennen, Systeme zu optimieren und kluge Entscheidungen zu treffen. Das wird nicht so schnell verschwinden. Wenn Sie also dem Wandel einen Schritt voraus sein und sowohl die Grundlagen als auch die Spitzenforschung lernen möchten, dann schauen Sie sich meine kostenlose Community mit über einer Viertelmillion Mitgliedern an, die KI-Automatisierungen entwickeln. Hier finden Sie vollständige Kurse zu End und Cloud Code sowie wöchentliche Live-Anrufe, bei denen Sie mir alles fragen können. Und falls Sie Ihre Automatisierungsreise noch weiter vertiefen möchten und speziell mehr darüber erfahren möchten, wie Sie ein Geschäft rund um solche Dinge aufbauen können, dann schauen Sie sich meine kostenpflichtige Community an. Beide Links sind in der Beschreibung. Aber das war's für heute. Danke, dass Sie bis zum Ende dabei geblieben sind, und wir sehen uns im nächsten Video. Danke an alle.