Matrix42 MCP-Server: Den Service Desk in normaler Sprache fragen
Ein Open-Source-MCP-Server, mit dem Claude, Copilot oder Cursor mit Matrix42 arbeiten: API, Datenmodell und Service Desk. Standardmäßig nur lesend.
Praxisnahe Guides, Case-Studies und Insights, wie Sie Daten in Entscheidungen verwandeln, Prozesse automatisieren und intelligent skalieren - direkt vom S&S Team.
Ein Open-Source-MCP-Server, mit dem Claude, Copilot oder Cursor mit Matrix42 arbeiten: API, Datenmodell und Service Desk. Standardmäßig nur lesend.
Ein Open-Source-MCP-Server, mit dem Claude, Copilot oder Cursor mit Matrix42 arbeiten: API, Datenmodell und Service Desk. Standardmäßig nur lesend.
Wie ein n8n-Workflow Entra-ID-App-Registrierungen auf ablaufende Secrets und Zertifikate prüft und warnt, bevor eine Integration ausfällt.
Wie Sie anonymen Zugriff und öffentliche Links in Confluence-Spaces finden, bevor sensible Dokumentation von außen lesbar wird.
Seiten ehemaliger Mitarbeiter haben keinen Verantwortlichen mehr. Wie Sie Confluence-Seiten mit inaktiven Ownern automatisch finden und neu zuweisen.
Veraltete Confluence-Seiten sind ein Audit-Risiko. Wie Sie mit n8n veraltete Inhalte automatisch erkennen und einen Bericht der zu prüfenden Seiten erhalten.
Verwaiste Konten und ungeprüfte Berechtigungen summieren sich. Wie Automatisierung Identitäten und Zugriffe vom Onboarding bis zum Offboarding steuert.
Warum Data- und Identity-Governance für Unternehmen jeder Größe wichtig ist und warum sie sich früh leichter aufbauen lässt als später nachrüsten.
Mit gpt-oss-120b und gpt-oss-20b veröffentlicht OpenAI Open-Weight-Modelle für den Eigenbetrieb. Was das für KI-Agenten ohne Cloud-API bedeutet.
Machine Learning sagt voraus, generative KI erzeugt. Der Unterschied einfach erklärt und welche Aufgaben in KMU zu welcher Technik passen.
Künstliche Intelligenz einfach erklärt für KMU-Führungskräfte: was sie ist, woher sie kommt und wo sie sich im Tagesgeschäft auszahlt.
Gute Prompts reichen für Demos, nicht für verlässliche Prozesse. Was KI im Betrieb zusätzlich braucht: Retrieval, Fine-Tuning und Workflows um das Modell.
Wie LoRA und QLoRA große Sprachmodelle mit einem Bruchteil des GPU-Speichers feinjustieren und was das für die Kosten eigener Modelle bedeutet.
RAG oder Fine-Tuning? Wann ein Sprachmodell Ihre Daten nachschlagen und wann Sie es trainieren sollten, mit Beispielen aus IT und ERP.
n8n oder Make? Ein Vergleich von Kosten, DSGVO und KI-Möglichkeiten und warum selbst gehostetes n8n mit lokalen Modellen Kosten und Latenz senkt.
n8n oder Zapier? Ein Vergleich von Preisen, DSGVO, KI-Kosten und Hosting und was sich ändert, wenn n8n mit Ollama auf Ihrem Server läuft.
n8n-nodes-matrix42 verbindet Matrix42 mit n8n: Installation, Zugangsdaten, die Funktionen des Nodes und ein durchgängiges Beispiel.
Was ein Agent für die Rechnungsverarbeitung mit einer Cloud-LLM-API kostet und was mit einem kleinen Modell auf eigener GPU, an einem echten Workflow.
Manuelles Übertragen zwischen ERP und Tabellen kostet mehr, als es scheint. Wo die versteckten Kosten liegen und wie Automatisierung mit n8n sie beseitigt.
Viele Aufgaben von KI-Agenten laufen gut auf Modellen unter 10 Mrd. Parametern. Warum kleine Sprachmodelle mit Ollama und n8n Kosten senken.
Wie aus PDFs und Dokumenten ein Chat mit Quellenangaben wird: Aufbereitung, Embeddings, Vektordatenbank und Pflege einer RAG-Wissensdatenbank.
Warum Cloud-LLMs für europäische Unternehmen ein DSGVO-Risiko sind und wie lokal betriebene Sprachmodelle Daten, Kosten und Latenz kontrollierbar halten.
Schritt für Schritt: Modell wählen, Hardware prüfen, Ollama installieren und mit n8n verbinden, um Sprachmodelle auf eigenen Rechnern zu betreiben.