So migrierst du Cloud-KI-Workflows auf lokale Modelle

Migrieren heisst nicht neu bauen

In der letzten Lektion ging es um einen eigenen Raum für ein einzelnes Projekt. Diesmal geht es um das, was jeden Tag läuft: deine Workflows.

Ein Workflow ist ein Ablauf aus mehreren Schritten. Etwas kommt herein, wird sortiert, zusammengefasst und weitergegeben. Irgendwo dazwischen fragt der Ablauf eine KI in der Cloud — und nur an dieser Stelle verlassen deine Daten das Haus.

Darum ziehst du nicht den ganzen Ablauf um, sondern diesen einen Aufruf. Alles davor und alles danach bleibt, wie es ist.

Woher ich komme: raus aus mehreren Clouds

Bei mir: Angefangen habe ich vor 2 Jahren mit Make und habe einzelne Cloud-Dienste miteinander verbunden. Das lief mehr oder weniger, aber jede Anfrage wanderte durch mehrere Clouds — Google, Make und weitere. Jeder Anbieter in dieser Kette konnte mitlesen.

Mit DSGVO und dem neuen DSG wollte ich das nicht mehr. Seit September 2025 läuft bei mir alles über n8n. Jeder Dienst hängt in meinem eigenen Netz, und n8n verteilt die Daten intern an die Stelle, wo sie gebraucht werden.

Was n8n genau ist und wie du es selbst betreibst, behandelt der nächste Lehrgang «n8n Automatisierung für Schweizer KMU». Hier geht es nur um den KI-Schritt in einem bestehenden Ablauf.

Die Adresse tauschen

Viele Werkzeuge sprechen mit einer Cloud-KI in der Sprache von OpenAI. Laut Hersteller-Doku versteht Ollama einen Teil dieser Sprache — genug für die üblichen Aufrufe im Workflow. Für dich heisst das: Im Workflow steht heute die Adresse der Cloud — an ihre Stelle trägst du die Adresse deines lokalen Ollama ein.

Läuft Ollama auf demselben Rechner wie der Workflow, lautet sie laut Doku so, mit http davor, nicht mit https:

localhost:11434/v1/

Läuft der Workflow auf einem anderen Rechner im Haus, ersetzt du localhost durch die Adresse des Rechners, auf dem Ollama läuft — wie in der Lektion zum Firmennetz. Das Werkzeug verlangt meist zusätzlich einen API-Schlüssel. Dein lokales Ollama prüft ihn nicht, ein beliebiger Platzhalter reicht.

In der ersten Lektion dieses Lehrgangs hiess es: Das Modell tauschst du, Ollama bleibt. Jetzt gilt dasselbe eine Ebene höher — die Adresse wechselt, der Ablauf bleibt stehen. Eine Grenze hat die Schnittstelle: Die Länge des Kontexts lässt sich darüber nicht einstellen. Weitere Grenzen stehen unten bei den Fragen.

Pro Zweck ein Modell — gewählt im Testlauf

Bei mir laufen mehrere lokale Modelle, jedes für einen anderen Zweck: sortieren, vorsortieren und die Suche in meiner Wissensdatenbank.

Welche Modelle in Frage kommen, schlägt mir Claude vor, das ich mit Hugging Face und meinem lokalen Ollama verbunden habe. Die Vorschläge treten in einem Test-Workflow gegeneinander an, mit realen Aufgaben. Das passende kommt in den Einsatz. Claude baut dabei nur den Workflow, danach läuft alles lokal.

Nicht zu verwechseln mit der Lektion zum ersten lokalen Modell: Dort ging es darum, womit du überhaupt anfängst. Hier wählst du für einen einzelnen Schritt, und der Testlauf entscheidet.

Was es bringt — und was nicht umziehen muss

Bei mir: Damals, mit Make, kostete mich ein neuer Prozess einen halben Tag — wie verbinde ich das, welches Protokoll. Seit April 2026, mit KI-Hilfe, sind es noch 1 bis 2 Stunden. Heute mit Claude Code wenige Minuten.

Dazu kommt Übersicht: Ich sehe, was wo durchgeht. Auch meine Agenten erreichen nur über n8n die Schnittstellen, die ich ihnen freigebe.

Und nicht jeder Ablauf muss umziehen. Aus der ersten Lektion gilt weiter das Bild der zweiten Spur: Die Cloud bleibt für Unkritisches, lokal zieht zuerst, was den Betrieb nicht verlassen darf.