Diese KI verwandelt Tabellenkalkulationen in Apps.

Tabellenkalkulationen sollten der Ort sein, an dem Entscheidungen getroffen werden. Stattdessen sind sie zu Friedhöfen für Daten geworden – tausende von Zeilen, Dutzende von Reitern, kryptische Spalten wie "Status", "Verantwortlicher" und "Erstellt_am", die still und heimlich Leitnotizen, Anrufresultate und Supporttickets schlucken, die niemand jemals weit genug scrollen wird, um sie zu sehen. CRMs helfen nicht viel; sie hüllen dieselben Tabellen lediglich in eine schwerere Benutzeroberfläche ein.

Die meisten Teams befinden sich in diesem Zustand: datenreich, aber insightsarm. Der Vertrieb protokolliert jeden Anruf, das Marketing verfolgt jeden Klick, der Support kennzeichnet jedes Ticket, doch wenn jemand fragt: „Was hat sich letzte Woche tatsächlich verändert?“, wird es still im Raum, während jemand mit einer VLOOKUP kämpft. Wertvoller Kontext versteckt sich in Freitextnotizen, Zeitstempeln und Statusfeldern, die niemand die Zeit hat, manuell zu filtern, zu gruppieren und zu visualisieren.

Manuelle Analysen erfordern ernsthafte kognitive Belastung. Um die Frage "Welche Kampagnen haben in den letzten 30 Tagen die qualifiziertesten Leads generiert?" zu beantworten, jonglierst du gedanklich mit Datumsbereichen, Segmenten und Definitionen von "qualifiziert", und fügst dann Pivot-Tabellen, Filter und halbdefekte Diagramme zusammen. Jede Folgefrage – "Okay, aber wie sieht es nach Regionen aus?" – bedeutet, diese gedankliche Gymnastik erneut zu beginnen.

Diese Überlegung verwandelt grundlegende Fragen in Mini-Projekte. Die Leute screenen rohe Tabellen in Folien, anstatt die Daten selbst zu hinterfragen. Dashboards, wenn sie existieren, zeigen einige vorgefertigte Ansichten zeitlich eingefroren, während alles andere in CSV-Exports und vergessenen Google Sheets verrottet.

Stellen Sie sich vor, all das zu überspringen und einfach mit Ihren Daten zu sprechen. Fragen Sie: „Vergleiche das Anrufvolumen der letzten Woche mit den vorhergehenden zwei Wochen“, und ein KI-Agent greift auf Ihr Google Sheet oder CRM zu und liefert dann ein interaktives Diagramm sowie zusammenfassende Kennzahlen: 4.800 Anrufe, 4.200 Termine, Trendlinien und eine kurze Erzählung, die erklärt, was sich verändert hat.

Dies ist der Übergang von Dateneingabe zu Datenkonversation. Anstatt Datenreihen in ein System einzugeben und zu hoffen, dass jemand genug Interesse hat, sie zu analysieren, werden Geschäftsanwender zu aktiven Befragenden: „Zeige mir die häufigsten Einwände von Interessenten,“ „Hebe Konten mit Abwanderungsrisiko hervor,“ „Identifiziere Ausreißer bei den Antwortzeiten.“ Die Benutzeroberfläche hört auf, eine statische Tabelle zu sein, und wird zu einem reaktionsschnellen Gegenüber.

Werkzeuge wie n8n in Verbindung mit Thesis.dev treiben dies noch weiter voran. Ihre bestehenden Automatisierungen schreiben weiterhin in Tabellen, aber eine KI-gestützte, generative UI-Schicht verwandelt diese leblosen Raster in lebendige Dashboards, die antworten können.

Lernen Sie Ihren neuen KI-Datenanalysten kennen: einen dreiteiligen Stack, der weniger wie Software und mehr wie ein Kollege agiert, der tatsächlich Ihre Tabellen liest. n8n fungiert als das Automatisierungs-Gehirn, Google Sheets speichert das Gedächtnis, und Thesis.dev liefert die Stimme und das Gesicht, die Antworten in interaktive Dashboards verwandeln, die Sie klicken, über die Sie fahren und erkunden können.

Innerhalb von n8n sitzt ein KI-Agent für Analysen im Zentrum dieses Stacks. Er empfängt rohe Datenzeilen von Sheets, versteht natürliche Spracheingaben wie „Vergleiche das Anrufvolumen der letzten Woche mit den beiden vorhergehenden Wochen“ und entscheidet, welche Analysen durchgeführt werden sollen. Anschließend gibt er eine strukturierte Antwort zurück, die Diagramme, KPIs und narrative Erkenntnisse beschreibt, die Thesis.dev sofort darstellen kann.

Anstatt ein Schema von Grund auf zu erstellen oder eine Diagrammbibliothek zu entwerfen, integrieren Sie Ihre vorhandenen Daten – Protokolle von Sprachassistenten, web-scrapete Leads, Anrufstatistiken – in den Workflow des Agenten. Der Agent kann nach Datumsbereichen filtern, nach Ergebnissen gruppieren und Muster wie „4.800 Anrufe führten zu 4.200 Terminen“ sichtbar machen, ohne dass Sie SQL oder Pivot-Tabellen verwenden müssen. Sie sprechen; es übersetzt dies in Abfragen und Visualisierungen.

Thesis.dev fungiert als generative UI-Schicht, die die Ausgaben des Agenten verarbeitet und in interaktive Komponenten umwandelt. Eine Antwort kann erzeugen: - Ein Zeitreihendiagramm des Anrufvolumens - KPI-Karten für insgesamt getätigte Anrufe, Termine und Konversionsrate - Eine Tabelle der häufigsten Einwände - Eine kurze Textzusammenfassung mit empfohlenen nächsten Schritten

Traditionelle BI-Tools wie Tableau oder Power BI erfordern eine vorherige Modellierung, Data Warehouses und Fachkräfte, die sich um Dashboards kümmern. Sie importieren CSV-Dateien, definieren Dimensionen, optimieren Joins und warten dann Tage oder Wochen auf einen neuen Bericht. Jede neue Stakeholder-Frage wird zu einem weiteren Ticket im Backlog.

Dieser KI-gesteuerte Stack verändert dieses Dynamik. Einmal eingerichtet, beantwortet der gleiche Workflow Dutzende neuer Fragen ohne zusätzliche Modellierung: „Zeige mir die Leistung nach Agent“, „Hebe Tage mit Einbrüchen hervor“, „Bewerte Kampagnen nach gebuchten Anrufen.“ Du erhältst in Sekunden ein neues Dashboard, nicht erst nach einem Sprint.

Geschwindigkeit wird zum primären Merkmal. Nicht-technische Teams können Live-Betriebsdaten so schnell abfragen, wie sie tippen können, während n8n und Thesis.dev im Hintergrund leise die Infrastruktur, das Layout und die Zeitstempel verwalten.

Generative UI ist das, was passiert, wenn KI aufhört, mit Absätzen zu antworten, und stattdessen mit Schnittstellen antwortet. Anstelle einer Textwand erhält man Diagramme, Karten, Tabellen und vollständige Dashboards, die aus einem einzigen Befehl wie „Vergleiche das Anrufvolumen der letzten Woche mit den beiden vorherigen Wochen“ entstehen.

Unter der Oberfläche zieht die KI niemals Pixel. Sie erzeugt eine strukturierte Beschreibung dessen, wie der Bildschirm aussehen sollte: „ein Balkendiagramm der täglichen Anrufe, x-Achse sind die Daten, y-Achse ist die Anzahl der Anrufe, hebe die letzten 7 Tage hervor, füge zwei KPI-Karten für die Gesamtzahl der Anrufe und Termine hinzu, plus eine kurze narrative Zusammenfassung.“ Dieses JSON-ähnliche Schema wird an Thesis.dev gesendet, das die Benutzeroberfläche sofort im Browser rendert.

Betrachten Sie Thesis.dev als eine Echtzeit-Frontend-Engine, die mit einem LLM verbunden ist. n8n liefert live Daten aus Google Sheets oder einem CRM, der KI-Agent entscheidet, welche Visualisierungen sinnvoll sind, und Thesis.dev verwandelt das in ein interaktives Dashboard, das Sie ohne Programmierkenntnisse überfliegen, filtern und umgestalten können. Keine React-Komponenten, keine CSS-Variablen, kein Build-Schritt.

Das Konzept ist brutals einfach: keine Front-End-Arbeiten. Sie beschreiben, was Sie wollen, in natürlicher Sprache, und das System liefert: - Ein Layout - Visuelle Komponenten - Gebundene Daten und Interaktionen

Wenn Sie sagen können "zeige mir die wichtigsten Einwände von Interessenten in diesem Monat und vergleiche sie wöchentlich", können Sie eine funktionierende Analyse-Benutzeroberfläche bereitstellen.

Analogisch gesprochen, stellen Sie sich vor, Sie beschreiben einem Speedrunner-Künstler ein Gemälde, während dieser in Echtzeit malt, während Sie sprechen. „Gestalten Sie den Hintergrund dunkel, fügen Sie eine leuchtend rote Linie über die Mitte hinzu, kennzeichnen Sie die Spitzen.“ Generative UI macht das, nur dass das „Gemälde“ ein Live-Daten-Cockpit ist, das von Zeitstempeln, Filtern und Kennzahlen gesteuert wird.

Für alle, die dies selbst einrichten, übernimmt n8n die Orchestrierung und KI-Eingaben; Thesis.dev kümmert sich um das Rendering. Das offizielle Tutorial: Erstellen Sie einen KI-Workflow in n8n (Offizielle n8n-Dokumentation) erklärt, wie man einen KI-Agenten zum Produzieren der strukturierten Antworten bringt, die generative Benutzeroberflächen wie Thesis.dev erwarten.

Bevor Sie Dashboards und Diagramme erstellen, benötigen Sie eine Leinwand. In diesem Aufbau ist diese Leinwand n8n, eine visuelle Automatisierungsplattform, auf der jedes Stück Logik als Knoten in einem Flussdiagramm dargestellt ist. Sie beginnen mit der Registrierung für ein kostenloses n8n-Cloud-Konto und klicken dann auf „Neuer Workflow“, um in einen leeren Editor zu gelangen, der auf einen einzigen, einsamen Einstiegspunkt wartet, der verbunden werden möchte.

Anstelle eines Cron-Jobs oder Webhooks beginnt dieses System mit einem Gespräch. Der Chat Trigger-Knoten von n8n fungiert als Eingangstür, die jede Nachricht, die von der Thesis.dev-Oberfläche kommt, aufnimmt und in strukturierte Eingaben für den Workflow umwandelt. Fügen Sie „Chat Trigger“ als Ihren ersten Knoten hinzu und Sie haben n8n effektiv gesagt: „Wann immer ein Benutzer eine Frage eingibt, starte diesen Ablauf.“

Von dort fügen Sie das Gehirn hinzu. n8n kommt mit einem KI-Agenten-Knoten, der ein Sprachmodell, Gedächtnis und Werkzeuge in einem einzigen Orchestrator bündelt. Suchen Sie nach „KI-Agent“, fügen Sie ihn als nächsten Schritt hinzu, und n8n verknüpft ihn automatisch mit Ihrem Chat-Auslöser, sodass jede Benutzeranfrage direkt an den Agenten weitergeleitet wird.

Die erste Einrichtung konzentriert sich auf die Auswahl eines Chat-Modells und das Einrichten von Anmeldeinformationen. Im AI-Agenten-Knoten wählen Sie einen Anbieter für Chat-Modelle (zum Beispiel OpenAI-kompatibel) und erstellen neue Anmeldeinformationen, indem Sie Ihren API-Schlüssel von der C1-Middleware von Thesis.dev anstelle eines standardmäßigen OpenAI-Schlüssels einfügen. Außerdem aktualisieren Sie die Basis-URL von api.openai.com/v1 auf den Thesis.dev-Endpunkt, damit alle Modellaufrufe durch die generative UI-Schicht geleitet werden.

Sobald diese beiden Knoten platziert sind, existiert das Grundgerüst der App: Benutzeranfrage → Chat-Trigger → KI-Agent → Antwort. Jedes zusätzliche Verhalten – Abfragen von Google Sheets, Filtern nach Datumsbereichen, Aggregieren von Anrufstatistiken, Formatieren von Ausgaben für Dashboards – wird zu einem neuen Knoten oder Ast dieser Achse. Sie schreiben keine Funktionen; Sie skizzieren Logik.

Das Verständnis des visuellen, node-basierten Modells ist entscheidend. Jeder Knoten steht für eine spezifische Aktion, und die Verbindungen definieren den Datenfluss, sodass Sie buchstäblich sehen können, wie eine Frage wie „Vergleiche die Anrufe der letzten Woche mit den beiden vorhergehenden Wochen“ durch Trigger, Agenten, Datenerfassungen und wieder zurück zu einem gerenderten Dashboard wandert.

Betrachten Sie diesen Schritt als das Anlegen von "Brillen" für Ihre KI. Solange Sie nicht ändern, wo sie ihre Anfragen sendet, ist Ihr n8n KI-Agent nur ein weiterer Chatbot, der mit der Standard-API von OpenAI verbunden ist und blind für die Idee von Layouts, Diagrammen oder Dashboards ist.

Anstatt den Agenten auf api.openai.com zu verweisen, leiten Sie ihn auf Thesis.dev um. Fügen Sie im AI Agent-Knoten eine neue Chatmodell-Anmeldeinformation hinzu, wählen Sie OpenAI aus und fügen Sie Ihren Thesis.dev API-Schlüssel ein. Überschreiben Sie dann das Feld für die Basis-URL, damit die Anfragen den Middleware-Endpunkt von Thesis.dev erreichen und nicht direkt die Server von OpenAI.

Dieser einzige Austausch im Feld ist das, was generative UI freischaltet. Thesis.dev fungiert als API-Proxy in der Mitte: Es fängt die Eingabe des Agenten ab, fügt Anweisungen zu Komponenten, Stil und Layout hinzu und leitet dann eine verfeinerte Eingabe an das zugrunde liegende LLM weiter. Wenn das LLM antwortet, formatiert Thesis.dev die Antwort in ein für die Benutzeroberfläche bereitgestelltes Schema um, das von der Frontend-Ansicht als Diagramme, Karten, Tabellen oder vollständige Dashboards dargestellt werden kann.

Anstelle eines Textblocks liefert der Agent nun strukturiertes JSON, das visuelle Elemente beschreibt. Eine Anfrage wie „Vergleiche das Anrufvolumen der letzten Woche mit den vorhergehenden zwei Wochen“ wird zu folgendem: - Eine Liniendiagramm-Spezifikation mit Daten auf der x-Achse und Anrufzahlen auf der y-Achse - KPI-Karten für die Gesamtsumme der Anrufe und Termine (z. B. 4.800 Anrufe, 4.200 Termine) - Narrative Erkenntnisse und empfohlene nächste Schritte

Um dies einzurichten, gehe zu Thesis.dev und erstelle ein kostenloses Konto. Nach dem Einloggen öffne dein Kontomenü, klicke auf API-Schlüssel und generiere einen neuen Schlüssel (nennen ihn etwas wie „n8n‑test“, damit du weißt, wofür er gedacht ist). Kopiere diesen Schlüssel und füge ihn in das API-Schlüsselfeld deiner n8n OpenAI-Anmeldeinformationen ein.

Jetzt die Basis-URL korrigieren. Standardmäßig füllt n8n sie mit `https://api.openai.com/v1`. Ersetzen Sie diesen Wert durch den Endpoint von Thesis.dev, der in deren Dokumentation oder Dashboard bereitgestellt wird. Ab diesem Punkt werden alle AI-Agent-Aufrufe über die Middleware von Thesis.dev geleitet, anstatt direkt mit OpenAI zu kommunizieren.

Ein weiterer entscheidender Punkt: Fügen Sie nach dem KI-Agenten einen Einfachen Speicher-Knoten hinzu. Der Speicher ermöglicht es dem Agenten, frühere Fragen, Filter und Entitäten zu merken, sodass Folgfragen wie "Jetzt nach Vertriebsmitarbeiter aufschlüsseln" oder "Nur den letzten Monat anzeigen" weiterhin auf dasselbe Datenset und dieselben Zeitstempel verweisen. Ohne ihn wird jede Frage zu einem Neuanfang, und Ihr "Gespräch mit dem Dashboard" verwandelt sich in eine Reihe von isolierten, amnesischen Anfragen.

KI-Agenten „sehen“ Ihr Spreadsheet nicht magisch. Sie benötigen Tools—explizite Fähigkeiten, die es ihnen ermöglichen, externe Systeme auf Abruf zu lesen, zu schreiben und zu durchsuchen. In n8ns KI-Agent fungieren Tools wie eine Ausrüstung: Sie entscheiden, welche Dienste das Modell ansprechen kann, und n8n stellt sie als sichere, parametrisierte Operationen zur Verfügung.

Beginnen Sie damit, Ihren AI-Agent-Knoten in n8n zu öffnen und zum Tab Tools zu wechseln. Fügen Sie ein neues Tool hinzu und wählen Sie den Knoten Google Sheets als zugrunde liegende Aktion. Dadurch wird die Ihnen bereits bekannte Sheets-Integration in etwas umgewandelt, das der Agent während eines Gesprächs aufrufen kann, zum Beispiel wenn ein Benutzer fragt: „Zeige mir das Anrufvolumen der letzten Woche.“

Um den Zugriff zu autorisieren, erstellen Sie entweder Google Sheets-Anmeldeinformationen oder wählen Sie diese direkt aus der Tool-Konfiguration aus. n8n wird Sie auffordern, sich mit Ihrem Google-Konto anzumelden und die Berechtigungen zu genehmigen, damit es die Tabelle lesen kann, die Ihre Roh-Call-Logs, Lead-Daten oder Leistungskennzahlen speichert. Nach der Genehmigung hat der Agent nun einen sicheren, widerrufbaren Zugriff auf dieses Dokument – nicht mehr.

Als Nächstes richten Sie das Tool auf den genauen Datensatz, den der Agent nutzen soll. Konfigurieren Sie: - Spreadsheet-ID oder URL für Ihr Sprach-Agenten-Protokoll - Spezifischer Blattname (zum Beispiel „Anrufe_2024“) - Bereich oder Modus (wie „Alle Zeilen lesen“)

Sie können auch Spalten einschränken – Daten, Anrufer-IDs, Ergebnisse, Zeitstempel –, um irrelevantem Rauschen in das Modell vorzubeugen. Diese Leitplanken helfen der KI, Fragen präzise zu beantworten und halten Ihre Dashboards flink.

Aus der Perspektive des Agenten leitet jede natürliche Sprachfrage, die Daten berührt, jetzt über dieses Tool. Wenn man nach "Terminen, die in den letzten 7 Tagen geplant wurden" fragt, ruft die KI den Google Sheets-Knoten auf, zieht genau diese Zeilen heraus und übergibt strukturierte Zusammenfassungen an Thesis.dev, das diese automatisch in Diagramme, Karten oder Tabellen umwandelt.

Dasselbe Tool-Muster skaliert über Sheets hinaus. Ersetzen Sie einen Airtable-Knoten, um eine Basis abzufragen, oder einen PostgreSQL/MySQL-Knoten, um auf eine produktive SQL-Datenbank mit parametrisierten Abfragen zuzugreifen. Für einen tieferen Einblick in die Verkabelung solcher Automatisierungen erklärt Wie man KI-Workflows mit n8n erstellt – freeCodeCamp komplexere Muster, die sich nahtlos in diesen generativen UI-Stack einfügen.

Power kommt endlich, wenn der Workflow aufhört, ein Diagramm zu sein, und beginnt, sich wie ein lebendiges Produkt zu verhalten. Das geschieht in n8n mit ein paar täuschend kleinen Schaltern, die steuern, wie Ihr KI-Agent spricht, zuhört und für echte Benutzer online bleibt.

Beginnen Sie mit der Reaktionsfähigkeit. Sowohl die Chat Trigger- als auch die AI Agent-Knoten müssen Streaming aktiviert haben. Ohne Streaming starren die Benutzer auf eine leere Benutzeroberfläche, bis das Modell seine gesamte Antwort beendet hat; mit Streaming gibt Thesis.dev die Teilergebnisse in Echtzeit aus, sodass Diagramme, Karten und Erklärungen schrittweise erscheinen, während das Modell denkt.

Aktivieren Sie im Chat Trigger-Knoten das Streaming, damit n8n die Tokens sendet, sobald sie eintreffen, anstatt die gesamte Antwort zwischenzuspeichern. Öffnen Sie dann den AI Agent-Knoten und aktivieren Sie auch dort das Streaming, was den zugrunde liegenden Thesis.dev-Endpunkt anweist, Daten schrittweise auszugeben. Gemeinsam verwandeln diese beiden Einstellungen Ihr Dashboard von "absenden und warten" in etwas, das sich anfühlt, als würde ein Live-Analyst zurücktippen.

Interaktivität hängt auch von Zuverlässigkeit ab. Konfigurieren Sie den Workflow im Immer aktiv-Modus in n8n Cloud oder stellen Sie sicher, dass Ihre selbstgehostete Instanz läuft, damit Ihr öffentlicher Endpunkt über Nacht nicht ausfällt. Fügen Sie grundlegende Fehlerbehandlungs-Knoten hinzu, wenn Sie mit unordentlichen Daten oder API-Problemen rechnen, insbesondere wenn Ihre Google Sheets mehrere tausend Zeilen überschreiten.

Sobald das Streaming und die Stabilität eingestellt sind, klicken Sie auf Aktivieren im Workflow. n8n veröffentlicht es als aktiven Endpunkt und stellt eine öffentliche URL zur Verfügung – normalerweise einen Webhook-artigen Link, der POST-Anfragen von externen Anwendungen akzeptiert.

Kopiere die generierte Webhook-URL sofort. Diese Adresse wird zur Brücke zwischen deinem n8n-Backend und dem Thesis.dev-Frontend: Füge sie in die Konfiguration von Thesis.dev ein, sodass jede Benutzerabfrage in der generativen Benutzeroberfläche direkt an deinen KI-Agenten geleitet wird und strukturierte UI-Komponenten in Echtzeit zurückgibt.

Der erste echte Kontakt mit Ihren Daten erfolgt unter thesis.dev/n8n. Sie erhalten ein minimales Front-End: ein URL-Feld und ein Chat-Fenster. Fügen Sie Ihre n8n Webhook-URL in das Feld oben ein, klicken Sie auf Speichern, und Ihr Browser-Tab kommuniziert jetzt direkt mit dem Workflow, den Sie gerade erstellt haben.

Vergleichen Sie das Anrufvolumen der letzten Woche mit den beiden vorhergehenden Wochen. Dieser einzelne Satz wird zu einem vollständigen Anfrage-Pipeline: Thesis.dev sendet ihn an n8n, Ihr KI-Agent greift auf Google Sheets zu, zieht die richtigen Zeilen und gibt eine strukturierte Antwort zurück, anstatt einen Textblock.

Wenn die Antwort eintrifft, druckt Thesis.dev nicht einfach nur Zahlen. Es erstellt ein vergleichendes Diagramm der Anrufzahlen über die drei Wochen hinweg, mit hoverbaren Punkten und beschrifteten Achsen, sodass Sie tägliche Schwankungen und wöchentliche Veränderungen auf einen Blick erkennen können.

Über oder neben dem Diagramm sehen Sie KPI-Karten, die die Geschichte zusammenfassen. In der Demo umfassen diese Karten Gesamtzahlen wie 4.200 Termine und 4.800 Anrufe, die aus demselben Live-Dokument berechnet wurden, das zuvor nur aus Zeilen und Zeitstempeln bestand. Jetzt fühlt es sich mehr wie ein Dashboard eines SaaS-Analysetools an als wie eine zusammengebastelte Tabellenansicht.

Scrollen Sie nach unten, und die Benutzeroberfläche fügt narrative Kontexte hinzu. Der Agent erklärt, ob das Anrufvolumen steigt oder fällt, hebt etwaige Spitzen oder Rückgänge hervor und kann nächste Schritte vorschlagen, wie z. B. die Erhöhung der Agentenkapazität an bestimmten Tagen oder die Überprüfung der Qualität der Interessenten, wenn die Termine hinter dem Anrufvolumen zurückbleiben.

Von hier aus, experimentiere aggressiv. Frage: - „Zeige die leistungsstärksten Agenten anhand der abgeschlossenen Termine der letzten 30 Tage.“ - „Identifiziere die häufigsten Anrufausgänge und deren Konversionsraten.“ - „Hebe Tage mit abnormalen Abweichungen zwischen Anrufen und gebuchten Terminen hervor.“

Jede neue Frage nutzt denselben Stack erneut: n8n orchestriert, Google Sheets liefert die Daten, Thesis.dev generiert automatisch die Benutzeroberfläche. Sie können ohne jegliche Berührung eines Diagramm-Generators oder das Schreiben einer einzigen Zeile Frontend-Code von Zeitreihendiagrammen zu segmentierten Balkendiagrammen, von KPI-Karten zu detaillierten Tabellen wechseln.

Plötzlich hört dies auf, eine schicke AI-Demo zu sein, und sieht aus wie ein Produkt, das Sie verkaufen können. Sobald Sie einen AI-Agenten mit Sheets und Thesis.dev verbunden haben, haben Sie effektiv eine wiederverwendbare Vorlage erstellt: eine neue Datenquelle anschließen, das Prompt anpassen, einem Kunden einen Login geben und eine monatliche Gebühr für „AI-gestützte Analysen“ verlangen.

Automatisierungsagenturen und selbstständige Freelancer können dies als „KI-Analyse-Cockpit“ im Rahmen eines Retainers anbieten. Sie kümmern sich um die Datenverarbeitung und das Design von Anfragen; die Kunden erhalten eine private URL, über die sie Fragen stellen können wie „Zeige den MTD-Umsatz nach Kanal“ oder „Welche Vertriebsmitarbeiter haben diese Woche nachgelassen?“ und können in Echtzeit zusehen, wie Dashboards entstehen.

Ein Startup könnte es als ein live Sales Cockpit verwenden. Verbinden Sie n8n mit HubSpot oder Pipedrive, synchronisieren Sie alle 5 Minuten mit Google Sheets und lassen Sie den Gründer fragen: „Welche Outbound-Sequenzen haben letzte Woche Demos über 5.000 USD ARR produziert?“ Das System antwortet mit einem Conversion-Trichter, einer Vertriebsrangliste und einer kurzen Erzählung, wo die Deals ins Stocken geraten.

Marketingagenturen können einen Leistungs-Tracker für Leads pro Kunde verkaufen. Leiten Sie Daten der Anzeigenplattform, Ereignisse der Landingpage und CRM-Ergebnisse in ein einheitliches Dokument ein und stellen Sie dann Fragen wie: - „Welche Kampagnen generieren die günstigsten SQLs nach Kanal?“ - „Zeigen Sie die kreative Ermüdung unserer drei besten Anzeigensets.“ - „Vergleichen Sie die CPL dieser Woche mit dem 4-Wochen-Durchschnitt.“

E-Commerce-Marken erhalten einen operativen Überblick, ohne ein BI-Team einstellen zu müssen. n8n verarbeitet Bestellungen, Rückerstattungen, Bestände und Support-Tickets; das KI-Cockpit beantwortet Fragen wie: „Welche Produkte verursachen 80 % der Rücksendungen?“ oder „Benachrichtige mich, wenn der durchschnittliche Bestellwert heute 20 % unter dem 30-tägigen Median fällt.“ Sie liefern ein dashboard-fähiges Berichtswesen anstelle einer CSV-Datei.

Wert entsteht durch die Verkürzung der BI-Zeitleisten von Monaten auf Stunden. Traditionelle Dashboards erfordern Schema-Design, ETL-Pipelines und Front-End-Arbeiten; dieser Stack nutzt generative UI, um von rohen Daten zu interaktiven Grafiken, Karten und zeitgesteuerten Berichten in einem einzigen Workflow zu gelangen. Sie können es sogar mit Community-Tools wie n8nDash – Ein Open Source Dashboard für n8n kombinieren, für Kunden, die hybride KI- und statische Überwachung wünschen.

Die Preisgestaltung wird dann unkompliziert: Einrichtungsgebühr für das erste Cockpit, plus eine wiederkehrende Gebühr für Wartung, neue Fragen und zusätzliche Datenquellen. Sie verkaufen nicht „einen n8n-Workflow“ – Sie verkaufen kontinuierliche, interaktive Analysen.

Composable KI ist das Muster, das hinter diesem n8n + Thesis.dev-Setup klar erkennbar ist. Anstatt auf ein einziges Modell oder eine einzige Plattform zu hoffen, kombinierst du kleine, spezialisierte Dienste: n8n für Orchestrierung und Logik, Google Sheets für Speicherung, Thesis.dev für generative UI. Jedes Element erledigt eine Aufgabe extrem gut und übergibt dann an das nächste.

Monolithische „KI-Plattformen“ versprechen end-to-end Magie, altern jedoch schnell und binden Sie an ihre Arbeitsweise. Komponierbare Stacks verhalten sich eher wie moderne Webanwendungen: Sie tauschen bessere Komponenten aus, ohne alles niederbrennen zu müssen. Heute sind es n8n + Thesis.dev; morgen könnten Sie Sheets durch ein Postgres-Warehouse ersetzen oder eine Vektordatenbank hinzufügen, ohne die UI-Schicht zu berühren.

Dieses Muster verändert heimlich, wer Software entwickeln kann. Ein einzelner Betreiber mit einem kostenlosen n8n-Cloud-Konto, einer Google-Tabelle und einem Thesis.dev-API-Schlüssel kann jetzt ein KI-Dashboard erstellen, für das früher ein Full-Stack-Entwickler, ein Datenvisualisierungsspezialist und ein Frontend-Team erforderlich waren. Man zieht Knoten, fügt Schlüssel ein und beschreibt das Verhalten in natürlicher Sprache, anstatt React, SQL und Diagrammkonfigurationen von Hand zu schreiben.

Nicht-Entwickler erhalten plötzlich ein Menü von Funktionen statt einer Wand aus Code. Möchten Sie über Dashboards hinausgehen? Sie können hinzufügen: - Lead-Scoring-Agenten, die Follow-ups auslösen - QA-Co-Piloten, die Anrufzeitstempel nach Mitarbeitern zusammenfassen - Kundenorientierte Portale, die kuratierte Teile Ihrer Daten anzeigen

Alle verwenden dasselbe zusammensetzbare Rückgrat.

Sie haben bereits die Zutaten: unordentliche Tabellen, halb genutzte CRM-Systeme, verwaiste Berichte, die niemand öffnet. Klonen Sie den Arbeitsablauf, richten Sie ihn auf Ihre eigenen Daten aus und verbinden Sie Ihr Thesis.dev-Frontend unter thesis.dev/n8n. Beginnen Sie, Fragen zu stellen, die Ihre Zeilen und Spalten allein nie beantworten konnten, und entwickeln Sie die Art von KI-gestützten Werkzeugen, die Ihre zukünftigen Wettbewerber gerade jetzt stillschweigend erstellen.

Was ist Thesis.dev?

Thesis.dev ist eine Plattform für 'generative UI'. Sie nimmt strukturierte Ausgaben eines KI-Modells und wandelt diese automatisch in interaktive Benutzeroberflächenkomponenten wie Diagramme, Tabellen und Dashboards um, wodurch die Notwendigkeit manueller Front-End-Codierung entfällt.

Brauche ich Programmierkenntnisse, um diesem Tutorial zu folgen?

Nein. Dieser Workflow wurde mit der visuellen, knotenbasierten Schnittstelle von n8n erstellt. Sie werden Knoten konfigurieren und Textaufforderungen an die KI geben, aber es sind keine traditionellen Programmierkenntnisse erforderlich.

Mit welchen Daten kann dieses KI-Dashboard arbeiten?

Sie können jede strukturierte Datenquelle verbinden, die n8n unterstützt, einschließlich Google Sheets, Airtable, CRMs wie HubSpot oder jeder SQL-Datenbank. Die grundlegende Anforderung ist, dass die Daten im Zeilen- und Spaltenformat vorliegen.

Ist n8n kostenlos für dieses Projekt?

Ja, n8n bietet eine kostenlose Cloud-Stufe an, die genügend Credits bereitstellt, um diesen gesamten Workflow zu erstellen und zu testen. Für höhere Volumen oder Produktionsanwendungen gibt es auch kostenpflichtige Pläne und eine selbstgehostete Option.