Jemand im Unternehmen schaut „ab und zu" auf die Bedingungsseite eines Lieferanten, einen Förderaufruf oder eine gemeinsame Preisliste und vergisst es meistens. Ein kleiner Ablauf prüft diese Quellen nach Zeitplan, vergleicht die neue Version mit der letzten und lässt ein Sprachmodell (LLM) zwei bis drei Sätze schreiben: was sich geändert hat und ob es relevant erscheint. Eine Mitarbeiterin oder ein Mitarbeiter kann das an einem Tag einrichten; der Nutzen: nichts Wichtiges wird verpasst, und niemand muss sich durch Unterschiedsansichten (Diffs) scrollen.
Problem & Nutzen
- Heute: Preislisten, Allgemeine Geschäftsbedingungen, Ausschreibungsportale, Förderseiten, Behördenmitteilungen und Seiten von Wettbewerbern ändern sich ohne Ankündigung. Man prüft von Hand, verlässt sich auf Newsletter oder merkt es erst, wenn eine Rechnung höher ausfällt als erwartet.
- KI-Nutzen: Klassische Änderungserkennung sagt bereits, dass sich eine Seite geändert hat, aber rohe Diffs sind verrauscht (Cookie-Banner, Datumsangaben, Zähler). Das LLM filtert das Rauschen, fasst die tatsächliche Änderung in verständlicher Sprache zusammen und kann sie anhand einer kurzen Relevanzanweisung bewerten („Melde nur Änderungen bei Preis, Lieferzeit und Kündigungsfristen").
- Ehrliche Grenze: Dies ist eine leichtgewichtige Beobachtung, die eine einzelne Person einrichtet, kein Monitoring-Programm. Für systematisches Management regulatorischer Änderungen siehe LANG-020, für strukturierte Wettbewerbsbeobachtung siehe LANG-017. Für diesen Mikro-Anwendungsfall gibt es keine belegten Nutzenzahlen; messen Sie die eingesparten Stunden selbst.
Varianten
- Öffentliche Seiten und RSS/Atom-Feeds: Lieferantenbedingungen, Förderaufrufe, Behördenmitteilungen; Feeds sind stabiler als das Auslesen von Webseiten (Scraping).
- Interne Dokumente: Preislisten oder Richtlinien in SharePoint, Nextcloud oder Google Drive, ausgelöst durch eine Dateiänderung (siehe AUTO-005).
- Private Nutzung: Mietangebote, Produktpreise, kommunale Bekanntmachungen.
So funktioniert es
- Zeitplan (täglich/wöchentlich) oder Ereignis „Datei geändert"
- Seitentext / Feed / Dokument abrufen (HTTP-Anfrage, RSS, Dateikonnektor)
- Rauschen entfernen (Navigation, Cookie-Banner, Datumsangaben) und Haupttext extrahieren
- mit gespeicherter Vorversion vergleichen (erst Hash, dann Text-Diff)
- bei Änderung: LLM-Zusammenfassung + Relevanzbewertung anhand einer kurzen Anweisung
- Nachricht senden (E-Mail, Teams, Slack) mit Zusammenfassung, Link und Diff
- Mensch entscheidet; neue Version als Referenzstand speichern
- Erst günstig, dann KI: Ein Inhalts-Hash entscheidet, ob sich überhaupt etwas geändert hat; das LLM wird nur bei echten Änderungen aufgerufen. Damit bleiben die API-Kosten bei wenigen Cent pro Monat.
- Relevanzschritt: Ein kleines Modell genügt („Preis, Frist, Rechtsbedingungen: ja/nein, ein Satz Begründung").
- Mensch-in-der-Schleife (Human-in-the-Loop): Der Ablauf informiert nur. Niemand sollte allein auf Grundlage der Zusammenfassung neue Bedingungen akzeptieren oder eine Bestellung ändern; der Link zur Originalseite gehört immer zur Nachricht.
Datenaufbereitung
Welche Daten: eine Liste der Quellen (URL oder Dateiablage), die verantwortliche Person je Quelle, eine einzeilige Definition von „relevant" und ein gespeicherter Referenzstand jeder Quelle.
Wo sie liegen: im Kopf der Person, die von Hand prüft, in Browser-Lesezeichen, in einer gemeinsamen Excel-Liste oder in SharePoint-/Nextcloud-Ordnern bei internen Dokumenten.
Typische Lücken: per JavaScript nachgeladene Seiten, passwortgeschützte Portale, sich ständig ändernde Elemente (Datumsangaben, Zähler), unklare Zuständigkeit für Meldungen.
Schritte der Aufbereitung: 1. Quellen in einer einfachen Tabelle sammeln: URL, Verantwortliche(r), Bedeutung, Prüfhäufigkeit. 2. Jede Quelle prüfen: Gibt es einen RSS-Feed, ein PDF oder eine API? Diese dem Auslesen des Layouts vorziehen. 3. Pro Quelle in einem Satz festlegen, was als relevant gilt. 4. Für jede verantwortliche Person eine Vertretung benennen, damit Meldungen nicht an Urlaubszeiten scheitern. 5. Bei internen Dateien zuerst Ordner und Berechtigungen bereinigen (wer darf sehen, was der Ablauf liest).
Grober Aufwandsanteil: gering, 10 bis 20 Prozent von ein bis drei Tagen. Siehe GUIDE-003.
Umsetzungswege
Welcher Weg für wen
- KMU — Weg A: Ausgereifte Produkte zur Änderungserkennung und die bereits lizenzierten Automatisierungswerkzeuge (Power Automate, Werkzeuge im Stil von Zapier) decken den Standardfall kostengünstig ab; keine eigene Infrastruktur.
- Großunternehmen — Weg B: Teams, die dasselbe Muster über viele Quellen hinweg mit zentraler Protokollierung, Zugriffskontrolle und einem freigegebenen LLM-Endpunkt wollen, bauen es als Abläufe auf einer internen Automatisierungsplattform.
- Privat — Weg A: Gehostete Beobachtungsdienste oder eine kostenlose App genügen für persönliche Seiten.
Weg A — Kaufen (Standardsoftware)
- Spezialisierte Dienste zur Änderungserkennung: z. B. Visualping, Distill Web Monitor, Wachete; prüfen Sie, wo der Anbieter hostet, ob ein AVV (Art. 28 DSGVO) angeboten wird und ob KI-Zusammenfassungen enthalten sind. Visualping dokumentiert KI-Änderungszusammenfassungen (Herstellerangabe); für Distill oder Wachete haben wir keine bestätigte Funktion für KI-Zusammenfassungen gefunden (Wachete bietet Übersichtsberichte), prüfen Sie dies daher vor dem Kauf auf der Anbieterseite.
- Bereits in Ihrer Umgebung: Power Automate hat einen RSS-Konnektor und eine HTTP-Aktion; Microsoft 365 Copilot oder Copilot Studio können den Zusammenfassungsschritt ergänzen. Nutzer von Google Workspace können Apps Script mit Gemini einsetzen. SharePoint und Nextcloud können nativ bei Dateiänderungen benachrichtigen; ein Schritt mit Copilot oder dem Nextcloud Assistant ergänzt die Zusammenfassung.
- A wählen, wenn: wenige Quellen, nur öffentliche Daten und niemand einen Server betreiben möchte.
Weg B — Auf Cloud-KI-Diensten aufbauen
- Orchestrierung: n8n (Cloud-Region in der EU oder selbst betrieben), Power Automate oder Make. Ein Ablauf aus Schedule Trigger → HTTP Request → Code/Vergleich → LLM → E-Mail/Teams umfasst typischerweise 6 bis 10 Knoten.
- Modelle: Ein in der EU gehosteter Endpunkt ist vorzuziehen: Mistral (EU-Anbieter), Azure OpenAI in einer EU-Region oder andere EU-Anbieter wie IONOS AI Model Hub oder STACKIT. Ein kleines, günstiges Modell genügt.
- B wählen, wenn: Sie eigene Relevanzregeln, viele Quellen oder passwortgeschützte Quellen mit eigenen Zugangsdaten abdecken wollen.
Weg C — Selbst betreiben (Open Source)
- changedetection.io (Docker, selbst betrieben) übernimmt die Beobachtung, bietet einen Chrome-basierten Abruf für JavaScript-Seiten und sendet Benachrichtigungen über Apprise per E-Mail, Teams oder Slack. Kombinieren Sie es mit n8n (selbst betrieben) und einem kleinen Ollama-Modell (Klasse 7 bis 8B) für die Zusammenfassung.
- Hardware: HW1 genügt; eine kleine VM oder ein vorhandenes NAS/ein vorhandener Server betreibt es, ein kleines Modell nur auf der CPU ist langsam, aber für eine Handvoll Änderungen pro Tag ausreichend.
- C wählen, wenn: interne Dokumente oder vertrauliche Lieferantenbedingungen Ihr Netzwerk nicht verlassen dürfen oder dieselbe n8n-/Ollama-Plattform bereits andere alltägliche Automatisierungen bedient (Baukasten-Effekt mit AUTO-007, AUTO-009 und AUTO-012).
Weg D — Eigenes Training
Nicht nötig. Ein Prompt mit zwei oder drei Beispielen für „relevante" und „nicht relevante" Änderungen reicht aus.
Stand der Technik (2026)
- Diffing ist gelöst, Relevanz ist neu: Hashing, Text-Diff und Abruf ohne Benutzeroberfläche (Headless) sind ausgereifte Open-Source-Technik; LLMs ergänzen Zusammenfassungen und Filterung. Kleine Modelle genügen.
- Fehlerbilder: Das LLM kann eine geänderte Zahl in einer Tabelle falsch lesen; Websites sperren Bots oder ändern das Layout, sodass eine Beobachtung unbemerkt ausfällt; Cookie-Abfragen und Logins überfordern einfache Abrufwerkzeuge. Fügen Sie immer Link und rohen Diff bei und richten Sie eine Lebenszeichen-Prüfung (Heartbeat) ein.
- Rechtliche Grenze: Beachten Sie Nutzungsbedingungen und robots.txt und fragen Sie schonend ab (täglich oder wöchentlich).
Gemeinsame Bausteine & Kombinationen
- Gleicher Technologiestapel (workflow-automation + llm-general): AUTO-007, AUTO-009, AUTO-010 und AUTO-012 laufen auf derselben n8n- oder Power-Automate-Umgebung.
- Kombinationen: AUTO-005 (detaillierter Versionsvergleich), DATA-004 (strukturierte Extraktion). Ausbau zu LANG-020 oder LANG-017.
Aufwand, Kosten & Kennzahlen
- Weg A: etwa 1 bis 3 Stunden je Quellengruppe für die Einrichtung; gehostete Beobachtungswerkzeuge werden typischerweise nach Anzahl der überwachten Seiten und Prüfhäufigkeit bepreist (aktuelle Anbieterpreise prüfen).
- Weg B: ein bis zwei Tage für einen ersten Ablauf einschließlich Test; die LLM-Kosten sind gering, weil das Modell nur bei echten Änderungen läuft.
- Weg C: ein bis drei Tage für changedetection.io plus n8n plus ein kleines Modell, danach etwa eine Stunde pro Monat für Updates und ausgefallene Beobachtungen.
- Kennzahlen: relevante Meldungen im Verhältnis zu Fehlalarmen (Ziel: Die meisten Meldungen werden gelesen und führen zu Handlungen), Zeit von der Änderung bis zur Kenntnis, bei Stichproben gefundene verpasste Änderungen, ausgefallene Beobachtungen pro Quartal.
Menschen & Veränderung
Früh einbeziehen: die Abteilungsleitung, der das Thema gehört (Einkauf, Finanzen, Compliance), und die künftigen Empfänger; die IT für Hosting oder Berechtigungen im Ablauf; die IT-Sicherheit für Zugangsdaten bei passwortgeschützten Quellen. Die oder der Datenschutzbeauftragte wird nur benötigt, wenn personenbezogene Seiten (z. B. Mitarbeiterseiten von Wettbewerbern) oder personenbezogene Daten beobachtet werden; ein AVV mit dem Werkzeuganbieter ist immer erforderlich, sobald ein Auftragsverarbeiter beteiligt ist (GUIDE-005, GUIDE-010).
Betriebsrat: nein, in der üblichen Konstellation. Das Beobachten öffentlicher Seiten und unternehmenseigener Preislisten überwacht keine Beschäftigten. Relevant wird es (§ 87 Abs. 1 Nr. 6 BetrVG), wenn der Ablauf protokolliert, wer Meldungen öffnet oder bearbeitet, oder wenn die Reaktionen der Empfänger ausgewertet werden. Der Betriebsrat sollte dennoch rechtzeitig informiert werden, wenn KI Teil von Arbeitsprozessen wird (§ 90 Abs. 1 Nr. 3 BetrVG); ein kurzer Hinweis genügt in der Regel (GUIDE-004). Öffentliche Stellen informieren den Personalrat.
KI-Kompetenz: Seit dem 27.07.2026 verlangt Art. 4 der KI-Verordnung (AI Act) von Anbietern und Betreibern Maßnahmen, die den Aufbau von KI-Kompetenz der Beschäftigten fördern (kein garantiertes Niveau). Eine 30-minütige Einführung darin, was die Zusammenfassung leisten kann und was nicht, genügt (GUIDE-006).
Kommunikation und Pilot: Starten Sie mit drei bis fünf Quellen und zwei Empfängern für vier Wochen; ergänzen Sie weitere Quellen, sobald die Qualität der Meldungen gut ist (GUIDE-008, GUIDE-009, GUIDE-007).
Typische Bedenken: Meldungsmüdigkeit (Abhilfe: ein strengerer Relevanzsatz und wöchentliche Übersichten), „Ist das erlaubt?" (öffentliche Seiten, schonende Abfrage) und Vertrauen in Zusammenfassungen (immer das Original verlinken).
Menschen behalten die Kontrolle: Der Ablauf informiert, Menschen entscheiden. Keine automatischen Bestellungen, Annahmen oder Antworten.
Risiken, Regulierung & Compliance
- KI-Verordnung (AI Act): minimales Risiko. Keine Kategorie nach Anhang III; die Maßnahmen zur KI-Kompetenz nach Art. 4 gelten. Eine Pflicht nach Art. 50 entsteht nicht, wenn die Zusammenfassungen nur intern verwendet werden (GUIDE-014).
- DSGVO: meist keine personenbezogenen Daten; sie können in Dokumenten oder auf Seiten vorkommen (Namen, Ansprechpersonen). Schließen Sie einen AVV mit SaaS- und LLM-Anbietern, bevorzugen Sie Hosting in der EU und senden Sie keine vertraulichen Verträge an Chat-Werkzeuge für Endverbraucher (GUIDE-007).
- Nutzungsbedingungen von Websites: Prüfen Sie Bedingungen und robots.txt; speichern Sie Auszüge und Diffs, keine vollständigen Kopien.
- Sicherheit: Zugangsdaten im Geheimnisspeicher des Werkzeugs mit schreibgeschützten Konten halten; abgerufene Seiten können Prompt-Injection enthalten, geben Sie dem Modell daher keine Werkzeuge und keinen Schreibzugriff (GUIDE-013).
Erste Schritte
- Listen Sie 5 bis 10 Quellen auf, die Ihnen in der Vergangenheit geschadet haben (Preisänderungen, verpasste Fristen), und benennen Sie jeweils eine verantwortliche Person.
- Ersetzen Sie das Auslesen von Webseiten durch RSS, PDF oder API, wo immer die Quelle dies anbietet.
- Bauen Sie einen Ablauf für eine Quelle in Power Automate oder n8n oder ergänzen Sie sie in einem Beobachtungswerkzeug; schreiben Sie den Relevanzsatz.
- Lassen Sie ihn vier Wochen laufen, prüfen Sie Fehlalarme und verpasste Änderungen und schärfen Sie die Anweisung nach.
- Weiten Sie auf weitere Quellen aus und dokumentieren Sie Verantwortliche, Vertretungen und Kosten in einer einseitigen Notiz.
Quellen
- changedetection.io project (self-hosted website change detection, Docker, Apprise notifications) — https://github.com/dgtlmoon/changedetection.io
- Microsoft Learn — RSS connector for Power Automate (trigger, polling interval) — https://learn.microsoft.com/connectors/rss
- n8n documentation — Schedule Trigger node — https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.scheduletrigger/
- n8n documentation — HTTP Request node — https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.httprequest/
- Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj