KI-Automatisierung im eigenen Betrieb

Rund 36 produktive n8n-Workflows holen Wissen aus Doku, Tickets und Code und machen aus Meeting-Notizen Jira-Aufgaben.

KI-Automatisierung im eigenen Betrieb

Auf einen Blick

Branche: IT und Softwareentwicklung (Eigenbetrieb DYN-IT)

Ausgangslage: Wissen verteilt auf Jira, Confluence, GitHub und Teams; viel Zeit geht in Suchen, Abstimmen und manuelles Übertragen

Rolle DYN-IT: Konzeption, Aufbau und Betrieb

Zeitraum: laufend

Ergebnis: rund 36 produktive Workflows, getrennte Dev- und Prod-Umgebung, Freigabe vor jedem Go-live

Technologie: n8n (self-hosted), RAG mit SAP HANA Cloud und PostgreSQL/pgvector, MCP-Server, LLM-Gateway mit Zero-Data-Retention, Microsoft Teams

Ausgangslage

Unsere Entwickler arbeiteten viel mit Informationen statt mit Code: Lösungen aus früheren Diskussionen suchen, Jira-Aufgaben mit der Doku in Confluence abgleichen, Änderungen zwischen Teams manuell übertragen. Jeder Wechsel zwischen den Systemen kostete Konzentration und führte zu Fehlern an den Übergaben.

Unser Beitrag

  • Wissenssuche mit Quelle: KI-Agenten beantworten Fragen auf Basis unserer Doku und unseres Codes (Retrieval-Augmented Generation) und nennen die Fundstelle, damit jede Antwort nachprüfbar ist.

  • Meeting zu Aufgabe: Zusammenfassungen gehen automatisch nach Confluence, Aufgaben nach Jira, Hinweise nach Teams; Sprachnotizen werden zu strukturierten Jira-Tickets.

  • Qualität vor dem Sprint: ein Prüf-Workflow kontrolliert Aufgaben gegen die Definition of Ready und die Akzeptanzkriterien.

  • Back-Office: Vorsortierung eingehender Anfragen mit Antwortentwürfen, Rechnungsverarbeitung, Klassifizierung von Ausschreibungsunterlagen.

  • Betrieb: getrennte Dev- und Prod-Instanzen, Pflicht-Fehlerworkflow und Dokumentation pro Workflow, Freigabe durch einen Reviewer, eigener Sicherheits-Check mit 16 Regeln für jeden Workflow.

  • Datenschutz: personenbezogene Daten werden vor Cloud-Anfragen geschwärzt, Cloud-Modelle laufen nur mit Zero-Data-Retention; für sensible Daten nutzen wir lokale Modelle.

Ergebnis

  • Rund 36 Workflows laufen produktiv im Tagesgeschäft.

  • Weniger wiederholte Fragen, Antworten mit nachprüfbarer Quelle, Aufgaben kommen vollständig in den Sprint.

  • Was wir bei uns aufgebaut und gemessen haben, setzen wir als Pilot beim Kunden ein, inklusive unseres Entscheidungsrahmens Cloud- vs. lokale Modelle.

KI-Automatisierung im eigenen Betrieb