Kurzfassung: Viele KI-Automatisierungsprojekte scheitern nicht daran, dass das falsche Modell gewählt wurde. Sie scheitern daran, dass die Orchestrierungsschicht nicht zum Workflow passt. Nutzen Sie n8n für integrationslastige Automatisierung, LangGraph für zustandsbehaftete Agentenlogik und ein Custom Backend, wenn Zuverlässigkeit, Berechtigungen, Latenz oder Auditierbarkeit produktionskritisch werden.
Diese Unterscheidung ist für deutsche B2B-Teams 2026 entscheidend. KI-Agenten wandern von Demos in operative Workflows: Support-Triage, Rechnungsprüfung, IT-Diagnose, Angebotsanalyse, Compliance-Dokumentation und internes Wissensmanagement. Das Modell ist nur ein Baustein. Schwieriger ist die Frage, wo Zustand gespeichert wird, wie Werkzeuge berechtigt werden, wer Aktionen freigibt und wie Fehler gemessen werden.
Die Architekturentscheidung kommt vor der Modellauswahl
Ein stärkeres Modell kann eine schwache Architektur in einer Demo verdecken. Es löst aber keine unklaren Berechtigungen, fehlenden Logs, unkontrollierten Retries oder Workflows, die niemand testen kann. Vor der Modellauswahl sollten vier Fragen beantwortet sein: Was startet den Workflow? Wo liegt der Zustand? Welche Werkzeuge darf das System nutzen? Welche Aktionen brauchen menschliche Freigabe?
Für produktive Systeme ist die richtige Lösung meistens nicht „ein Tool für alles“. Es ist ein Schichtmodell: Integration außen, Agentenzustand in der Mitte und Backend-Kontrollen um die Teile, die zuverlässig funktionieren müssen.
Die kurze Entscheidungsmatrix
| Anforderung | Bester Fit | Warum |
|---|---|---|
| Viele SaaS/API-Integrationen und Event-Trigger | n8n | Visuelle Workflows, Konnektoren, schnelle Iteration |
| Mehrschrittige Agentenlogik mit Zustand | LangGraph | Explizites Graph-/State-Modell, Persistenz, Human-in-the-Loop |
| Strikte Berechtigungen, Audit-Trails, SLAs oder kundennahe Funktionen | Custom Backend | Kontrolle über Auth, Tests, Logging, Latenz und Deployment |
| Operations-Automatisierung mit Freigabeschritten | n8n + Backend | n8n orchestriert, Backend erzwingt Berechtigungen und dokumentiert Evidenz |
| Agentenworkflow, der pausieren, fortsetzen und inspiziert werden muss | LangGraph + Backend | Agentenzustand bleibt explizit; Backend liefert Policy- und Audit-Kontrollen |
Wann n8n die richtige Wahl ist
n8n ist stark, wenn das Problem integrationslastig ist: Ein Formular startet einen Workflow, das System fragt CRM-Daten ab, reichert ein Ticket an, lässt ein LLM klassifizieren und leitet das Ergebnis zur menschlichen Freigabe weiter. Dieses Muster ist typisch für Operations, Support, Vertrieb, Finance und IT-Service-Workflows.
Das offizielle n8n AI Starter Kit kombiniert self-hosted n8n mit KI-Komponenten und Werkzeugen wie Qdrant und PostgreSQL. n8n beschreibt es als lokale AI- und Low-Code-Entwicklungsumgebung und verweist auf mehr als 400 Integrationen. Für schnelle Prototypen und interne Automatisierung ist das attraktiv.
Aber n8n hat Grenzen. Die Dokumentation sagt selbst, dass das Starter Kit für Tests gedacht ist und vor Produktion abgesichert und gehärtet werden muss. Das ist wichtig. Eine visuelle Canvas ist hilfreich für Orchestrierung, aber sie ist nicht automatisch ein Governance-Modell, eine Teststrategie oder ein Berechtigungssystem.
Nutzen Sie n8n zuerst, wenn der Workflow überwiegend deterministisch ist, viele Systeme verbunden werden müssen und ein Mensch wichtige Aktionen prüfen kann. Seien Sie vorsichtig, wenn komplexer Zustand, strikte Versionierung, automatisierte Tests oder feingranulare Sicherheitsanforderungen nötig werden.
Wann LangGraph die richtige Wahl ist
LangGraph adressiert eine andere Problemklasse: zustandsbehaftete Agentenausführung. Die offizielle LangGraph-Dokumentation beschreibt es als Low-Level-Orchestrierungsframework und Runtime für langlebige, zustandsbehaftete Agenten. Zu den Kernfunktionen gehören Persistenz, durable execution, Streaming, Memory, Debugging und Human-in-the-Loop-Inspektion.
Das ist nützlich, wenn ein Agent über mehrere Schritte argumentieren, für menschliche Eingaben pausieren, nach Fehlern fortsetzen oder expliziten Zustand über einen Workflow hinweg halten muss. Statt den Agenten frei loopen zu lassen, modellieren Sie Zustände, Übergänge, Bedingungen und Stop-Punkte.
LangGraph ist nicht die einfachste Option. Es erfordert Engineering-Disziplin. Teams müssen Zustand, Tool-Grenzen, Evals, Traces und Recovery-Verhalten definieren. Wenn der Prozess nur ein einfacher Trigger-Action-Workflow ist, kann LangGraph unnötig sein. Wenn der Agent mehrere abhängige Entscheidungen mit Tool Calls und Freigaben trifft, wird es deutlich sinnvoller.
Wann ein Custom Backend notwendig ist
Ein Custom Backend bedeutet nicht automatisch Overengineering. Manchmal ist es der Teil, der das System produktionsreif macht. Wenn ein Workflow kundennah ist, strikte Latenzanforderungen hat, sensible Daten verarbeitet oder starke Auditierbarkeit braucht, sollte Backend-Code die Kontrollschicht besitzen.
Das Backend erzwingt Authentifizierung, Autorisierung, Rate Limits, Datenvalidierung, Logging, Kostenmessung, Retries und Rollback. Es trennt außerdem deterministische Geschäftslogik von modellabhängiger Schlussfolgerung. Ein LLM kann klassifizieren, zusammenfassen und Empfehlungen vorbereiten. Es sollte nicht stillschweigend zur Quelle der Wahrheit für Berechtigungen, Abrechnung oder rechtlich relevante Entscheidungen werden.
Hier wird die Infrastrukturperspektive wichtig: Produktive Systeme bestehen nicht nur aus Prompts. Sie bestehen aus Fehlerbildern, Observability, Deployment, Datenpfaden und operativer Verantwortung.
Die hybride Architektur, die ich am häufigsten empfehle
Für viele deutsche B2B-Teams ist eine hybride Architektur am praktikabelsten.
| Schicht | Verantwortung | Typisches Werkzeug |
|---|---|---|
| Trigger- und Integrationsschicht | Events empfangen, SaaS/interne Systeme verbinden, Arbeit routen | n8n |
| Agenten-State-Schicht | Mehrschrittige Schlussfolgerung, Zustandsübergänge, menschliche Checkpoints | LangGraph |
| Backend-Kontrollschicht | Auth, Berechtigungen, APIs, Audit Trail, Eval-Speicherung, Policy Checks | Custom Backend |
| Daten- und Retrieval-Schicht | Dokumente, Embeddings, Suche, CRM/ERP-Auszüge, Runbooks | Vector DB, SQL, Suche, bestehende Systeme |
| Audit- und Eval-Schicht | Logs, Kosten pro Fall, Qualitätsmetriken, Eskalationsrate | Backend-Tabellen, Observability, Eval-Pipelines |
In diesem Muster muss n8n keine vollständige Agenten-Runtime werden. LangGraph muss keine Enterprise-Integrationsplattform werden. Das Backend muss nicht jeden Workflow visuell modellieren. Jede Schicht übernimmt die Aufgabe, für die sie geeignet ist.
EU AI Act und NIS2: Architektur wird zur Nachweisfrage
Die Europäische Kommission beschreibt den AI Act als risikobasierten Rahmen. Hochrisiko-Anwendungsfälle umfassen unter anderem kritische Infrastruktur, Bildung, Beschäftigung, Zugang zu wesentlichen Dienstleistungen und bestimmte biometrische Anwendungen. Nicht jeder KI-Automatisierungsworkflow ist Hochrisiko. Aber ernsthafte Systeme brauchen trotzdem Risikoeinordnung, Dokumentation und operative Kontrollen.
Artikel 11 des EU AI Act behandelt technische Dokumentation für Hochrisiko-KI-Systeme. Auch wenn Ihr konkreter Use Case nicht Hochrisiko ist, ist die technische Lehre relevant: Zweck, Datenquellen, Systemdesign, Logging, Grenzen und menschliche Aufsicht sollten dokumentierbar sein. Die Architektur sollte diese Dokumentation ermöglichen, nicht erst nach dem Deployment rekonstruieren müssen.
Dieser Artikel ist keine Rechtsberatung. Bei Hochrisiko-, Beschäftigungs-, Kredit-, Sicherheits- oder rechtlich bindenden Workflows sollten Sie früh juristische Prüfung einbeziehen. Aus technischer Sicht ist klar: Freigaben, Logs, Berechtigungen, Evaluationsdaten und Rollback-Pfade gehören in die Architektur.
Ein 30-Tage-Plan für die Umsetzung
Woche 1: Workflow klassifizieren
Wählen Sie einen wiederkehrenden Workflow mit klarem Wert. Kartieren Sie Systeme, Daten, Nutzer, erlaubte Aktionen, Risiken und Freigabepunkte. Entscheiden Sie, ob die erste Version n8n-only, LangGraph-gestützt oder backend-kontrolliert sein sollte.
Woche 2: Integrationsskelett bauen
Nutzen Sie n8n oder Backend-Jobs, um die relevanten Systeme zu verbinden. Lassen Sie Schreibaktionen zunächst deaktiviert. Loggen Sie jeden Input, Output, Tool Call, Kostenschätzung und jede Eskalation.
Woche 3: Agentenzustand ergänzen, wenn nötig
Wenn der Workflow mehrschrittige Schlussfolgerung erfordert, ergänzen Sie LangGraph oder einen vergleichbaren State-Machine-Ansatz. Definieren Sie Zustände, Übergänge, Stop-Bedingungen, Fehlerverhalten und menschliche Checkpoints.
Woche 4: Echte Fälle evaluieren
Führen Sie 100 bis 200 historische oder Live-Fälle aus. Messen Sie Genauigkeit, fehlende Quellen, manuelle Korrekturen, Kosten pro abgeschlossenem Fall, Latenz und Eskalationsrate. Erweitern Sie Berechtigungen erst, wenn die Zahlen dafür sprechen.
Praktische Empfehlung
Starten Sie mit der einfachsten Architektur, die testbar, beobachtbar und auditierbar ist. Wenn das Problem Integration ist, nutzen Sie n8n. Wenn das Problem zustandsbehaftete Agentenlogik ist, nutzen Sie LangGraph. Wenn das Problem Zuverlässigkeit, Berechtigungen, Auditierbarkeit oder kundennahe Produktion ist, nutzen Sie ein Backend als Kontrollschicht.
Das Ziel ist nicht, das fortschrittlichste Agentenframework zu verwenden. Das Ziel ist kontrollierte KI-Automatisierung, die den produktiven Betrieb übersteht.
Quellen
LangGraph-Dokumentation: Überblick über LangGraph als Orchestrierungs-Runtime für langlebige, zustandsbehaftete Agenten mit durable execution, Persistenz, Streaming, Memory und Human-in-the-Loop-Unterstützung. https://docs.langchain.com/oss/python/langgraph/overview
n8n-Dokumentation: Self-hosted AI Starter Kit mit n8n, KI-Komponenten, Qdrant, PostgreSQL und Hinweis auf notwendige Produktionshärtung. https://docs.n8n.io/deploy/host-n8n/deploy-with-the-ai-starter-kit
n8n Self-hosted AI Starter Kit Repository: Open-Source-Docker-Compose-Template für lokale KI- und Low-Code-Workflow-Entwicklung. https://github.com/n8n-io/self-hosted-ai-starter-kit
Europäische Kommission: AI Act als risikobasierter Regulierungsrahmen und Beispiele für Hochrisiko-Anwendungsfälle. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
EU AI Act Artikel 11: Anforderungen an technische Dokumentation für Hochrisiko-KI-Systeme. https://artificialintelligenceact.eu/article/11
