Ihre Datenbank ist jetzt ein Filmstudio

Reihen und Spalten erzählen keine Geschichte. Eine Tabelle mit 30 Spalten zu finanziellen Kennzahlen, Analystenbewertungen und Produktionsprognosen könnte Milliarden von Dollar an Risiken codieren, doch für die meisten Menschen sieht sie wie statisches Rauschen aus. Selbst erfahrene Analysten benötigen Stunden, um ein SQL-Ergebnisset zu durchleuchten, bevor sie erklären können, was für einen Geschäftsführer, einen Kunden oder einen Klienten wirklich wichtig ist.

Traditionelle Werkzeuge geben vor, dies zu beheben. Excel-Tabellen, BI-Dashboards und ad-hoc Diagramme zeigen KPIs und ansprechende Grafiken, beantworten jedoch selten die Frage, die Nicht-Experten tatsächlich haben: „Was bedeutet das?“ Ein Dashboard kann zeigen, dass die freien Cashflow-Erträge in verschiedenen Segmenten variieren; es wird jedoch nicht erklären, warum ölreiche Produzenten besser abschneiden als gasfokussierte Firmen oder was sich in der Strategie des nächsten Quartals ändern sollte.

Narrative kommt meist als nachträglicher Gedanke, in eine Präsentation eingefügt oder in einer hastig verfassten E-Mail-Zusammenfassung. Jemand exportiert CSV-Dateien, fügt Screenshots in PowerPoint ein und verfasst ein Skript oder Sprechnotizen, um die Stakeholder durch die Zahlen zu führen. Der Kontext lebt im Kopf des Analysten, nicht im Datenprodukt selbst, und verschwindet in dem Moment, in dem er zur nächsten Anfrage übergeht.

Manuelle Reporting-Pipelines skalieren nicht. Um einen komplexen Datensatz in ein kohärentes 4-minütiges Erklärvideo zu verwandeln, sind folgende Schritte notwendig: - Tiefgehende Analyse, um echte Einblicke zu gewinnen - Drehbuchschreibung, um Statistiken in eine Geschichte zu übersetzen - Visuelles Design, um Grafiken und Diagramme zu erstellen - Videoproduktion, um aufzunehmen, zu schneiden und zu verfeinern

Jeder Schritt benötigt Zeit und Aufmerksamkeit. Eine einzige Erklärung für einen umfangreichen Datensatz – wie die nordamerikanischen Energiefutures mit über 30 Spalten – kann leicht mehrere Tage Arbeit von Analysten, Designern und Video-Redakteuren in Anspruch nehmen. Wiederholen Sie das für wöchentliche Updates, mehrere Regionen oder Dutzende von Produktlinien, und die Rechnung geht nicht mehr auf.

In der Zwischenzeit steigt das Datenvolumen weiterhin an. Unternehmen protokollieren jeden Klick, jeden Handel, jede Sensorablesung und jedes Supportticket und verlassen sich dann auf statische Berichte, um zu kommunizieren, was sich geändert hat. Business-Intelligence-Teams werden zu Engpässen und erhalten unendliche „Können Sie mir das erklären?“-Anfragen von Stakeholdern, die rohe Dashboards nicht verstehen können – oder wollen.

Die wirkliche Herausforderung besteht jetzt nicht darin, Informationen zu speichern oder abzufragen; Datenbanken und Cloud-Lager haben das gelöst. Das schwierige Problem ist die Kommunikation: wie man von rohem SQL-Output zu klaren, ansprechenden Erklärvideos oder Narrativen wechselt, die jeder jederzeit verstehen kann, ohne ein Heer von Analysten und Video-Produzenten einstellen zu müssen.

Stellen Sie sich vor, Sie richten einen Automatisierungsworkflow auf eine veraltete SQL-Tabelle aus und erhalten eine vollständig erzählte Erklärung, die sich anfühlt, als käme sie aus einem Motion-Graphics-Studio. Das ist das Konzept hinter einer Data-to-Video-Pipeline, die vollständig in n8n erstellt wurde, bei der Ihre Datenbank in einem Schritt zum Drehbuchautor, Storyboard-Künstler und Videoeditor wird.

Daten fließen aus PostgreSQL oder einem beliebigen SQL-Backend, durchlaufen eine Kette von KI Agenten und werden als ein 4-minütiges Erklärvideo im Whiteboard-Stil ausgegeben. Niemand schreibt ein Skript, niemand öffnet eine Timeline und niemand spricht einen Voiceover ein; n8n orchestriert jeden Schritt, von der Abfrage bis zur endgültigen MP4.

Die Demo basiert auf einem echten Datensatz aus dem nordamerikanischen Energiesektor: über 30 Spalten mit Futures-Preisen, Analystenratings, Produktionsprognosen und finanziellen Kennzahlen. Aus diesem Durcheinander ergeben sich im Workflow Erkenntnisse wie, dass ölreiche Produzenten 55 % der Stichprobe ausmachen, wobei sie eine freie Cashflow-Rendite von 11,2 % im Vergleich zu 7,1 % bei gasfokussierten Unternehmen erzielen und mit dem 7,9-fachen des Kurs-Gewinn-Verhältnisses (KGV) im Vergleich zu 10,5x gehandelt werden.

All das endet in einer klaren, menschlich klingenden Erzählung über handgezeichnete Visualisierungen. Sie sehen ein Split-Screen-Diagramm von öl-lastigen und gas-fokussierten Unternehmen, Ertragsdifferenzen, die in fetten Labels hervorgehoben sind, und Bewertungsmultiplikatoren, die als einfache Balken gestapelt skizziert sind und im Einklang mit dem Voiceover bewegt werden.

Ein kurzes 30-sekündiges Video im Tutorial zeigt dies in Aktion: Der Erzähler erklärt, wie sich Rückgaben je nach Produktionsmix unterscheiden, während sich animierte Whiteboard-Diagramme selbst auf dem Bildschirm zeichnen. Keine Schnittwechsel, keine unbequemen Pausen, nur eine durchgehende Erklärung, die sich anfühlt, als wäre sie von einem Analysten verfasst und in einem Studio produziert worden.

Hinter den Kulissen zieht n8n die Daten, leitet sie durch von OpenRouter gehostete Modelle wie GPT, Grok oder Gemini zur Analyse und Erstellung von Erzählungen und übergibt dann Textanweisungen an Google Gemini Nano Banana Pro zur Bildgestaltung. Ein letzter Schritt fügt die visuellen Elemente und den Audioinhalt zu einer einzelnen Videodatei zusammen.

Du drückst einmal auf „Ausführen“. Die Daten werden aktualisiert, der Workflow wird ausgeführt und am anderen Ende kommt ein neues Erklärvideo heraus – bereit für dein Tutorial, interne Ressourcen oder die öffentlich zugänglichen Erklärvideos-Seite.

Vier verschiedene Phasen verwandeln n8n von einem Workflow-Tool in ein vollautomatisches Data-to-Video-Studio. Jede Phase übernimmt eine spezifische kreative Aufgabe, die normalerweise von Menschen manuell erledigt wird: Analyst, Drehbuchautor, Illustrator und Videoeditor. Gemeinsam verwandeln sie rohe SQL-Zeilen in ein vierminütiges Erklärvideo, das absichtlich produziert aussieht und nicht automatisch generiert ist.

Phase 1 ist Datenanalyse. Ein KI-Agent verbindet sich direkt mit Ihrer SQL-Datenbank (im Tutorial PostgreSQL, aber jede SQL-Quelle funktioniert) und greift auf eine definierte Tabelle zu, wie z.B. eine Energietariftabelle mit über 30 finanziellen Spalten. Er untersucht das Schema, die Spaltentypen, die Zeilenanzahl und die Verteilungen und erstellt dann einen strukturierten 1.200-Worte-Analyserapport mit Abschnitten wie Zusammenfassung für Entscheidungsträger, Methodik, wesentliche Ergebnisse und Empfehlungen.

Dieser Agent macht mehr als nur Zusammenfassen. Er vergleicht Kohorten (zum Beispiel ölreiche vs. gasfokussierte Produzenten), analysiert Kennzahlen wie die Free Cash Flow Rendite (11,2 % vs. 7,1 %) und Bewertungsunterschiede (7,9x vs. 10,5x KGV). Dieser Bericht wird zur einzigen Quelle der Wahrheit, die jede spätere Phase konsumiert, sodass die Erzählung, die visuellen Elemente und der Audioinhalt alle mit den gleichen zugrunde liegenden Daten übereinstimmen.

Phase 2 ist Geschichtenerzeugung. Ein separater KI-Erzähler verarbeitet den Analysebericht und strukturiert ihn in eine fünfteilige Erzählung um: Einführung, Kontext, zentrale Einsicht, Implikationen und Fazit. Anstelle von Absätzen voller Statistiken erhalten Sie verständliche Aspekte, die wie ein Voiceover-Drehbuch für eine YouTube-Analyse klingen.

Dieser narrative Agent sorgt für Tempo und Klarheit. Er entscheidet, welche Zahlen für ein allgemeines Publikum wichtig sind, welche Vergleiche hervorgehoben werden sollten und wie Risiken, Chancen oder Anomalien dargestellt werden. Das Ergebnis ist ein Skript, das sich redaktionell anfühlt und nicht wie eine laut vorgelesene Datenbankabfüllung.

Phase 3 ist die Visuelle Generierung. Für jedes der fünf narrativen Segmente ruft der Workflow Google Gemini Nano Banana Pro auf, um Illustrationen im Whiteboard-Stil zu erstellen. Die Aufforderungen beinhalten spezifische Entitäten (ölreiche Produzenten, gasfokussierte Firmen), Kennzahlen und Beziehungen, sodass jedes Bild direkt die zugrunde liegenden SQL-Einblicke widerspiegelt.

Diese Bilder fungieren als visuelle Anker für den Betrachter. Das System gibt fünf kohärente, stilistisch konsistente Bilder aus, die dem Ton einer handgezeichneten Erklärung entsprechen. Wenn Sie alternative Tools erkunden möchten, bietet die n8n Integrationen - offizielle Integrationsbibliothek zusätzliche Bild- und KI-Dienste, die Sie verwenden können.

Phase 4 ist Videozusammenstellung. n8n fügt zusammen:

• 1Die fünf narrativen Textsegmente
• 2Text-to-Speech-Audio für jedes Segment.
• 3Die fünf Bilder im Whiteboard-Stil

Audio und Visuals synchronisieren sich zu einem einzigen MP4-Erklärvideo, typischerweise etwa vier Minuten lang, bereit zur Veröffentlichung. Kein Zeitschinden im Zeitstrahl, kein manuelles Rendern – einfach eine vollständig automatisierte Video-Pipeline vom SQL-Abfrage zum fertigen Datei.

Phase 1 verwandelt Ihren n8n-Workflow in etwas, das verdächtig nach einem kleinen Datenteam aussieht. Im Zentrum steht ein Orchestrator-Agent, ein hochrangiger Controller, der entscheidet, welche Fragen zu stellen sind, wann weitere Daten abgerufen werden sollen und wie viele Analysedurchläufe durchgeführt werden. Er greift nicht direkt auf SQL zu; stattdessen delegiert er diese lästige Arbeit an einen spezialisierten Partner.

Dieser Partner ist der Datenabruf-Agent, ein speziell entwickelter Arbeiter, dessen einzige Aufgabe es ist, mit Ihrer PostgreSQL-Instanz zu kommunizieren. Innerhalb von n8n wird dieser Agent mit einem Datenbank-Tool verbunden, das eine Live-Verbindung bereitstellt, sodass er auf Anfrage eigene SQL-Abfragen generieren und ausführen kann. Keine vorgefertigten Abfragen, keine statischen Dashboards – nur dynamische Eingaben, die in echte Datenbankaufrufe umgewandelt werden.

Anstatt die Abfrage „SELECT * FROM energy“ fest zu codieren, übergibt der Workflow dem Agenten eine Toolbeschreibung und lässt das Modell entscheiden, welche Tabellen, Spalten und Filter relevant sind. Er kann zunächst breit gefächert das Schema durchsuchen und dann auf spezifische Joins, Zeiträume oder Subsegmente eingehen. Das bedeutet, dass ein Workflow sich heute an einem 30-spaltigen Energiedatensatz und morgen an einer Tabelle zum Marketing-Trichter anpassen kann, ohne eine einzige manuelle Bearbeitung.

Die Orchestrierungslogik ist entscheidend. Der Orchestrator-Agent erhält eine Mission: jede bedeutende Tendenz, Anomalie und Muster aus diesem Datenbankschnitt zu extrahieren. Er weist dann den Datenabfrage-Agenten an, wann er Folgendes tun soll: - Schema inspizieren (Spalten, Datentypen, Zeilenanzahl) - Beschreibende Statistiken abrufen - Nach wichtigen Dimensionen wie Sektor, Produkt oder Region segmentieren

Sobald die Rohdaten zurückkommen, versetzt die Systemmeldung den Datenabfragent-Agenten in den Analystenmodus. Er muss einen strukturierten Bericht von etwa 1.200 Wörtern erstellen, kein loses Bullet-Point-Verzeichnis. Das Briefing verlangt eine Zusammenfassung für Führungskräfte, die Methodik, das Datenprofil, die wichtigsten Erkenntnisse und Empfehlungen, alles in klarer, professioneller Sprache verfasst.

Derek Cheungs Demo verwendet eine von Supabase gehostete Energiedatenbank als Sandkasten, doch das Muster lässt sich auf jedes mit PostgreSQL kompatible Backend übertragen. In seinem Beispiel hebt der Agent automatisch Unterschiede hervor, wie beispielsweise zwischen ölreichen und gasfokussierten Produzenten, den Lücken im freien Cashflow-Ertrag (11,2 % vs. 7,1 %) und den Bewertungsunterschieden (7,9x vs. 10,5x KGV). Das sind keine vorgefertigten Einsichten; sie entstehen aus den eigenen Abfragen und Vergleichen des Agents.

Da das Ziel ein narrativ bereites Bericht ist, bleibt der Agent nicht bei „was“ die Zahlen sagen stehen. Er muss Trends in umsetzbare Erkenntnisse übersetzen: welcher Segment leistungsstärker ist, welche Kennzahl diese Überlegenheit antreibt und was ein Entscheidungsträger als Nächstes tun sollte. Dieses 1.200-Wörter-Dokument wird zum Hauptscripting, das Phase 2 später in Erzählstränge und schließlich in Frames Ihres Erklärvideos zerschneiden wird.

Phase 2 übergibt den Staffelstab vom Spreadsheet-Denker zum Geschichtenerzähler. Der Workflow fördert einen neuen Spezialisten: den Master Data Storyteller-Agenten, dessen gesamte Aufgabe es ist, einen 1.200 Wörter umfassenden Analysebericht in etwas zu verwandeln, das sich wie eine präzise inszenierte Whiteboard-Erklärung anfühlt, nicht wie ein Quartalsbericht. Anstatt Diagramme anzupassen, denkt dieser Agent in Beats, Szenen und visuellen Metaphern.

Seine Persona ist geprägt wie die eines leitenden Regisseurs eines hochdichten Whiteboard-Animationsstudios. Das bedeutet, dass sie die Einschränkungen annimmt, die man in der Produktion erwarten würde: 4 Minuten Laufzeit, schnelles Tempo, keine überflüssigen Szenen und Bilder, die in einem einzigen Frame klar lesbar sein müssen. Jede Entscheidung, die es trifft – was zu betonen, was wegzulassen, wie zu überblenden – dient dieser Produktionsmentalität.

Strukturell gibt der Agent ein fünfteiliger JSON-Array aus. Jedes Element stellt ein Segment des finalen Videos dar und enthält zwei Payloads: ein Erzählskript und eine detaillierte visuelle Aufforderung. n8n sieht keine „Geschichte“, sondern eine geordnete Datenstruktur, die nachgelagerte Knoten konsumieren können, ohne zu raten.

Erzählsegmente lesen sich wie Mini-Szenen: jeweils 30–45 Sekunden, abgestimmt auf eine zentrale Erkenntnis. Im Energiesatz könnte ein Segment sich ausschließlich auf ölbasierte versus gasfokussierte Produzenten konzentrieren und klarstellen, dass ölbasierte Unternehmen (55% der Stichprobe) eine freie Cashflow-Rendite von 11,2% erzielen im Vergleich zu 7,1% bei Gasunternehmen und mit einem Kurs-Gewinn-Verhältnis von 7,9x im Vergleich zu 10,5x gehandelt werden. Jede Zahl, die der Analyst in Phase 1 präsentierte, wird zum Dialog, dem das Publikum folgen kann.

Visuelle Aufforderungen gehen tief in das Shot-Design. Statt „Energieunternehmen zeichnen“ könnte das JSON spezifizieren: „breite Whiteboard-Szene, geteilte Ansicht; linke Seite beschriftet mit ‘Öl-lastig (55%)’ mit fett gedrucktem ‘11,2% FCF-Rendite’ und ‘7,9x KGV’; rechte Seite ‘Gas-fokussiert (45%)’ mit ‘7,1% FCF-Rendite’ und ‘10,5x KGV’; einfache Icons für Ölfelder vs. Gasbohrungen; klare schwarze Linienkunst, hoher Kontrast.“ Dieses Maß an Spezifikationen ermöglicht es Google Gemini Nano Banana Pro, konsistente, markenkonforme Bilder zu erzeugen.

Sanfte Übergänge verbinden diese fünf Segmente zu einem einzigen Handlungsbogen. Der Agent schreibt explizit verbindendes Material: Rückbezüge zu vorherigen Statistiken, Vorausdeutungen des nächsten Segments und verbale Übergaben wie „Wenn wir uns von den Bewertungen entfernen, zeigt sich die wahre Geschichte im Produktionsmix.“ Diese Übergangslinien sind im JSON zusammen mit jedem Segment gespeichert, sodass n8n später, wenn Audio und visuelle Inhalte zusammengesetzt werden, der finalen Schnitt absichtlich wirkt – eher wie ein Studio-Workflow als ein Export aus einer Tabelle.

Phase 3 ist der Punkt, an dem der Workflow nicht mehr wie Back-Office-Analysen klingt und beginnt, wie ein Produktionsstudio auszusehen. Die fünf narrativen Segmente aus der Geschichtsphase werden zu einem visuellen Brief, und n8n verteilt sie auf parallele Aufgaben gegen Googles Gemini Nano Banana Pro-Modell, das über die Higgsfield-API zugänglich ist.

Jeder Brief kommt als ein präzise formatiertes JSON-Payload: Segmenttitel, 2–3 Satz Beschreibung, wichtige Datenpunkte und eine explizite „Whiteboard-Stil, schwarzer Marker auf saubarem Hintergrund“ Kunstrichtung. Der Prompt codiert auch Einschränkungen wie „kein UI-Chrome“, „keine Logos“ und „keine Fotorealistik“, sodass Nano Banana Pro wie ein Storyboard-Künstler agiert und nicht wie ein Stockfoto-Generator.

Der HTTP-Request-Knoten von n8n verarbeitet den Higgsfield-Aufruf. Für jedes Segment sendet er einen POST an den Nano Banana Pro-Endpunkt mit einem Body, der Folgendes enthält: - Den Textprompt, der vom Master Data Storyteller generiert wurde - Ausgabedateiformat auf PNG eingestellt - Auflösung auf 1920×1080 eingestellt - Seitenverhältnis auf 16:9 gesperrt für videofreundliches Formatierung

Higgsfield behandelt die Bildgenerierung als eine asynchrone Aufgabe, sodass der Workflow nicht blockiert und abwartet. Der erste Aufruf gibt eine Job-ID zurück, die n8n im Element speichert und in eine dedizierte „Jobstatus“-Schleife übergibt. Diese Schleife verwendet einen Warte-Knoten, der für eine Verzögerung von 5–10 Sekunden zwischen den Überprüfungen konfiguriert ist, um eine Überlastung der API zu vermeiden.

Jeder Durchgang durch die Schleife löst einen weiteren HTTP-Anforderungs-Knoten aus, der den Higgsfield-Status-Endpunkt mit der Job-ID ansteuert. Die Antwort offenbart eine einfache Zustandsmaschine: wartend, ausgeführt, abgeschlossen oder fehlgeschlagen. Ein Switch-Knoten verzweigt sich basierend auf diesem Feld, sodass nur abgeschlossene Jobs die Schleife in die nachgelagerte Verarbeitung verlassen.

Sobald ein Job den Status „abgeschlossen“ erreicht, lädt n8n die Bild-URL oder den binären Payload herunter, normalisiert Dateinamen wie `segment-03-cashflow.png` und speichert sie an einem vorhersehbaren Ort für die Zusammenstellungsphase. Für detailliertere Implementierungsinformationen zu HTTP-Knoten, Schleifen und der Verarbeitung binärer Daten beschreibt die n8n-Dokumentation - Offizielle Dokumente die genauen Konfigurationsmuster, die dieser Pipeline verwendet.

Phase 4 verwandelt eine Ansammlung von Materialien in eine fertige, ansehbare Datei. Zu diesem Zeitpunkt hält n8n fünf narrative Segmente, passende Whiteboard-Bilder und strukturierte Metadaten. Die Videozusammenstellung bindet diese in einen strengen Zeitplan ein, sodass ein externer Renderer Ihre Daten wie ein Storyboard behandeln kann, statt wie ein Ratespiel.

Alles beginnt mit einem JSON-Manifest. n8n ordnet jeden Handlungsstrang in ein geordnetes Array von Szenen, wobei jede Szene beinhaltet: - `text` (Erzählzeile oder Absatz) - `image_url` (Gemini Nano Banana Pro Ausgabe) - `duration_seconds` - `voice_id` oder Stil - `scene_index`

Dieses Manifest speichert auch globale Einstellungen: Zielauflösung (typischerweise 1080p), Bildwiederholrate, Hintergrundfarbe und Audio-Mischpegel. Durch die Standardisierung dieses Schemas können Sie später die Render-Engines austauschen, ohne die vorgelagerten Agenten zu berühren.

Die schwere Arbeit wird auf eine maßgeschneiderte Video-Generierungs-API verlagert, die auf einem Dienst wie Railway oder einem Hostinger VPS bereitgestellt wird. Die API übernimmt: - Text-zu-Sprache-Synthese für jedes Segment - Wellenform-Ausrichtung, damit die visuellen Elemente mit der gesprochenen Betonung übereinstimmen - Endgültige MP4-Renderung mit Übergängen und Hintergrundmusik

Unter der Haube akzeptiert der Dienst die JSON-Daten über HTTPS, stellt einen Rendering-Job in die Warteschlange und gibt eine `job_id` sowie einen Status-Endpunkt zurück. n8n sendet diese Anfrage von einem HTTP-Knoten aus und übergibt das vollständige Manifest als rohes JSON, einschließlich aller Bild-URLs und Erzählblöcke.

Von dort aus tritt der Workflow in eine Abfrage-Schleife ein. Ein einfacher Warte-Knoten pausiert für 10–20 Sekunden, anschließend überprüft ein HTTP-Knoten `/status/{job_id}`, bis die API `completed` oder `failed` meldet. Bei Erfolg enthält die Antwort eine signierte `video_url`, die auf den Cloud-Speicher verweist.

n8n beendet den Vorgang, indem es die URL auf die lokale Festplatte oder S3 herunterlädt, die Datei an eine E-Mail anhängt oder sie direkt auf Slack oder YouTube postet. Ihre SQL-Abfrage ist heimlich zu einem 4-minütigen Erklärvideo geworden.

Jeder automatisierte Erklärer in diesem System basiert auf einem kompakten, aber bestimmten Stack: n8n für die Orchestrierung, OpenRouter für die KI-Logik, PostgreSQL für die Wahrheit und eine Higgsfield-Gemini-Kombination für die Visualisierungen. Jedes Element fügt sich in eine spezifische Phase der Pipeline ein, von der SQL-Abfrage bis zum gerenderten Frame.

Im Mittelpunkt steht n8n, das selbstgehostet auf einem VPS wie dem KVM2-Plan von Hostinger läuft. Diese Konfiguration ist entscheidend: Statt auf SaaS-Nutzungsgrenzen zu stoßen, erhalten Sie effektiv unbegrenzte Workflow-Ausführungen und KI-Agenten, vollen Root-Zugriff und eine One-Click-Installation von n8n mit aktiviertem Wartemodus für parallele Ausführungen.

Das Self-Hosting auf einem VPS hält auch die Latenz und Kontrolle in Ihren Händen. Sie entscheiden, wann Sie CPU und RAM skalieren, wie Sie mit Geheimnissen umgehen und in welchen Regionen Ihr Automatisierungs-Stack angesiedelt ist – entscheidend für Teams, die täglich Hunderte von Data-to-Video-Jobs verarbeiten.

Die KI-Logik fließt durch OpenRouter, das als Meta-Ebene über Modellen wie GPT, Grok und Gemini agiert. Der Workflow kann unterschiedliche Aufgaben – Datenanalyse, Erzählstrukturierung, visuelle Aufforderungen – an verschiedene Modelle weiterleiten, ohne die umgebenden n8n-Knoten zu verändern.

Da OpenRouter Anbieter abstrahiert, können Sie Modelle mit Live-Arbeitslasten A/B testen. Tauschen Sie GPT gegen Grok im "Master Data Storyteller"-Agenten aus oder wechseln Sie den Data Analysten zu einer günstigeren Modellstufe, alles über API-Keys und Modellnamen in n8n, ohne eine komplette Pipeline-Neuschreibung.

Unter den Agents bildet PostgreSQL das Fundament als die Quelle der Wahrheit. Die nativen Postgres-Knoten von n8n führen SQL-Abfragen gegen Tabellen wie das 30+ Spalten umfassende Energiedataset aus und liefern strukturierte Zeilen, die von den KI-Agents direkt verarbeitet werden.

Die enge Integration mit Postgres bedeutet, dass dieselbe Automatisierung von Energiekosten auf SaaS-Metriken oder Benutzerprotokolle umschwenken kann, indem einfach eine Abfrage geändert wird, nicht die Architektur. Sichten, materialisierte Sichten und geplante Aktualisierungen liefern den Agenten saubere, vorab modellierte Daten.

Die Visuals stammen aus einem zweigeteilten Stapel: Higgsfield als API-Schicht zur Bildgenerierung und Google Gemini Nano Banana Pro als das zugrunde liegende Modell. n8n sendet narrative Segmente und Szenenbeschreibungen an den Endpunkt von Higgsfield, der Gemini aufruft, um diese klaren Whiteboard-ähnlichen Frames zu rendern.

Da Higgsfield eine einfache HTTP-API bereitstellt, kann der Workflow fünf oder fünfzig Bilder pro Video anfordern, Prompt-Vorlagen anpassen und einen konsistenten Stil über Episoden hinweg durchsetzen. Das Ergebnis: ein datenbankgestütztes Filmstudio, in dem SQL, Agenten und Gemini jede Szene gemeinsam inszenieren.

Energie­märkte erzeugen genau die Art von dichten, multifaktoriellen Daten, die normalerweise in einer Tabelle verloren gehen. Derek Cheungs Tutorial „Automatisieren, Daten, Video, Agenten, Aus Datenbank, Erklärvideos, Lernen, Ressourcen, Links“ geht dieses Problem mit einem echten Datensatz an: nordamerikanische Energieunternehmen, zukünftige Preisgestaltung und mehr als 30 Spalten finanzieller und operativer Kennzahlen. Analystenbewertungen, Produktionsprognosen, Bilanzkennzahlen und Bewertungsratios befinden sich alle in einer einzigen PostgreSQL-Tabelle, die mit n8n verbunden ist.

Anstatt handgefertigter Modelle zieht ein KI-Agent in n8n diese Tabelle und generiert einen 1.200 Wörter langen analytischen Bericht. Er untersucht die Spaltenstruktur, Zeilenanzahl und Verteilungen und segmentiert das Universum nach Produktionsmix. Von dort aus identifiziert die Pipeline zwei klare Kohorten: ölreiche Produzenten und gasfokussierte Firmen.

Diese Kohorten enthüllen die wichtigste Erkenntnis: ölreiche Produzenten haben die Nase vorn. Sie machen 55 % der Stichprobe aus und zeigen signifikant stärkere Cash-Generierung sowie attraktivere Bewertungen. Der Agent sagt nicht einfach „Öl sieht besser aus“ – er quantifiziert genau, wie viel besser.

Die Rendite des freien Cashflows wird zur ersten Ankerkennzahl. Unternehmen mit einem starken Öl-Fokus erzielen 11,2 % Rendite aus freiem Cashflow, im Vergleich zu nur 7,1 % bei gasorientierten Wettbewerbern. Diese Differenz von 4,1 Prozentpunkten deutet auf deutlich höhere Barmittelrenditen für das Eigenkapital hin, ohne dass jemand Excel oder ein BI-Dashboard in die Hand nimmt.

Die Bewertung kehrt die Intuition um. Trotz einer stärkeren Cash-Generierung handeln Ölproduzenten zu günstigeren KGV-Multiplikatoren: 7,9x im Vergleich zu 10,5x für Gasunternehmen. Das automatisierte Skript weist darauf hin, indem es öl-lastige Unternehmen sowohl als höher renditeträchtig als auch als niedriger im Multiplikator einordnet — eine klassische Fehlbewertungsstory, die bei Portfoliomanagern Anklang finden würde.

Alle diese Zahlen fließen direkt in den Erzählmotor ein. Der „Master Data Storyteller“ Agent verwandelt 11,2 % gegenüber 7,1 % Renditen und 7,9x gegenüber 10,5x KGV in ein fünfteiliger Skript über Kapitaleffizienz, Risiko und Marktauffassung. Jedes Segment erhält eine visuelle Darstellung im Whiteboard-Stil von Google Gemini Nano Banana Pro: Säulendiagramme für Rendite-Spreads, Vergleichsdarstellungen nebeneinander für Multiplikatoren und Hervorhebungen für die 55 % ölbelastete Anteile.

Das abschließende 4-minütige Erklärvideo verbindet Erzählung, visuelle Elemente und On-Screen-Metriken zu einem eigenständigen Briefing über die Positionierung der Energiegerechtigkeit. Kein Mensch schreibt ein Wort oder zeichnet einen Rahmen. Für Leser, die die zugrunde liegende Automatisierung überprüfen oder abzweigen möchten, beginnt der n8n-Workflow und das Gemeinschafts-Ökosystem im offiziellen n8n GitHub-Repository, das nahtlos mit OpenRouter-Modellen und einem PostgreSQL-Backend kombiniert wird.

Ihre Datenbank hat bereits einen Rückstand an erklärenden Inhalten. Dieser n8n-Workflow verwandelt diese vergessenen Zeilen in einen kontinuierlichen Strom von Erklärvideos, ohne dass Editoren, Motion Designer oder Sprecher beteiligt sind. Eine SQL-Abfrage eingegeben, ein 4-minütiges Whiteboard-Video produziert.

Beginnen Sie damit, die Kerngedanke aus dem Tutorial zu übernehmen: vier Phasen, eine Pipeline. Verbinden Sie n8n mit Ihrer SQL-Datenquelle—PostgreSQL, Supabase oder was auch immer Ihre Dashboards antreibt—und lassen Sie einen KI-Agenten einen einzigen, klar definierten Datensatz abrufen: eine Produktlinie, eine geografische Region, ein Quartal. Erstellen Sie etwas Kleines, bevor Sie von einer Content-Fabrik mit 10.000 Zeilen träumen.

Von dort aus replizieren Sie den Agents-Stack. Nutzen Sie OpenRouter, um Modelle wie Grok, GPT oder Gemini für Analysen und Skripting zu erreichen, und leiten Sie die Eingaben in Google Gemini Nano Banana Pro für bilder im Whiteboard-Stil weiter. Halten Sie die gleiche fünfteilige Erzählstruktur aus dem Tutorial bei, damit jedes Video wie eine straffe, praxistaugliche Geschichte wirkt und nicht wie ein umherirrender Datensatz.

Sie müssen die Infrastruktur nicht neu erfinden. Hosten Sie n8n selbst auf einem Hostinger VPS (Derek nutzt den KVM2-Plan), damit Sie unbegrenzt Ausführungen ohne SaaS-Ratebeschränkungen durchführen können. Eine Box, ein Workflow, tausende automatisierte Durchführungen, die aus Ihrem Daten-Warehouse abrufen.

Um schnell loszulegen, nutzen Sie die offiziellen Ressourcen und Links: - n8n-Dokumentation: https://n8n.io - OpenRouter: https://openrouter.ai - Higgsfield / Gemini Nano Banana Pro: https://cloud.higgsfield.ai - Dereks AI Automation Skool-Community: https://www.skool.com/ai-automation-engineering-3014

Am wichtigsten: Nutzen Sie Ihre eigenen Kennzahlen. Marketing-Attributions-Tabellen, Churn-Protokolle, Verkaufstrichter, Sensordaten – führen Sie sie durch dasselbe vierphasige Konzept. Passen Sie die Aufforderungen an, optimieren Sie die Visualisierungen und Ihre Datenbank hört auf, eine lästige Berichtserstattung zu sein, und beginnt, sich wie ein vollautomatisches Video-Studio zu verhalten.

Was ist n8n und warum wird es in diesem Workflow verwendet?

n8n ist ein Workflow-Automatisierungstool, das als zentrale Orchestrierungsstelle fungiert. Es verbindet verschiedene Dienste wie Ihre SQL-Datenbank, KI-Modelle und Video-Generierungs-APIs, um eine nahtlose, automatisierte Pipeline zu schaffen.

Brauche ich fortgeschrittene Programmierkenntnisse, um das zu erstellen?

Nein, dies ist ein Low-Code-Ansatz. Während etwas Vertrautheit mit APIs und Datenstrukturen hilfreich ist, ermöglicht die visuelle Oberfläche von n8n, die meisten Arbeitsabläufe durch das Verbinden von Knoten zu erstellen, ohne umfangreiche Codes schreiben zu müssen.

Kann ich eine andere Datenbank außer PostgreSQL verwenden?

Ja. Der Workflow ist anpassbar. n8n unterstützt verschiedene SQL-Datenbanken, sodass Sie es mit der von Ihnen gewählten Datenbank, wie MySQL oder Microsoft SQL Server, mit minimalen Anpassungen an den Verbindungsrouten verbinden können.

Was macht KI-Agenten für diesen Prozess entscheidend?

KI-Agenten automatisieren die kognitiven Aufgaben. Anstelle eines Menschen, der Daten analysiert und ein Skript verfasst, befragen die Agenten autonom die Datenbank, identifizieren wichtige Erkenntnisse und strukturieren diese Ergebnisse in eine fesselnde Erzählung.