n8n-Workflow: Präsentationen mit KI und Gamma erstellen

Kann ein Formular ein fertiges, markenkonformes Deck werden?

Ja. Formular ausfüllen, absenden, und ein paar Minuten später kommt eine E-Mail mit einem fertigen Gamma-Deck, A4-Dokument oder Social-Carousel an. Es steckt schon im richtigen Theme der Marke, und der Text ist schon sauber in Folien aufgeteilt.

Niemand öffnet dafür Gammas Editor. Niemand wählt ein Theme oder entscheidet, wo der Text umbricht. Jede dieser Entscheidungen ist einmal gefallen, beim Bau des Workflows, nicht jedes Mal, wenn jemand eine Präsentation braucht.

Diesen Workflow habe ich gebaut, und ich betreibe ihn noch, für ein Team, das Decks für mehrere Marken produziert. Was ihn möglich gemacht hat und wo ich vorsichtig sein musste, beschreibe ich hier.

Warum jede neue Präsentation dieselben vier Entscheidungen erzwang

Bevor der Workflow existierte, war „mach ein Deck“ keine einzelne Entscheidung, sondern vier. Welches Theme, welcher Marke? 16:9 für einen Kunden, A4 für ein Dokument, oder Hochformat für Social? Und wie teilt man eine Textseite so auf, dass sie wie Folien wirkt statt wie ein abgeladener Absatz?

Diese vier Entscheidungen fielen jedes Mal neu. Meistens traf sie, wer gerade eine Präsentation brauchte, nicht wer sich mit Gamma auskannte. Das Ergebnis war vorhersehbar. Meistens stimmte das Theme nicht, das Seitenverhältnis passte nicht zum Zweck, und der Fließtext landete als ein langer Block ohne Folienumbrüche in der Folie.

Professionell sah das nicht aus, aber es war eigentlich niemandes Schuld. Wer an dem Tag das Deck baute, war meistens kein Gamma-Power-User, also gab es keinen Grund, warum er die Standardeinstellungen hätte kennen sollen.

Genau das lohnt sich zu automatisieren, die Theme-Wahl, das Format, der Textumbruch. Nicht das Folien-Design selbst, das macht Gamma bereits gut. Sondern die Entscheidungen, die fallen, bevor Gamma den Text überhaupt sieht, denn genau dort entsteht die Inkonsistenz zwischen den Decks verschiedener Marken.

Die Lösung: ein Formular, das alles im Voraus einsammelt

Die Lösung war ein einziges zweisprachiges Formular, das alles auf einmal abfragt, damit niemand mitten in der Aufgabe an Gammas Regeln denken muss. Es fragt in einer einzigen Abgabe alles ab: Text, Verarbeitungsmodus (erzeugen, verdichten oder Struktur bewahren), Ausgabeformat, Ziel-Marke, Sprache, Folienanzahl und optionale Zusatzanweisungen.

Danach läuft der Workflow von allein. Er übersetzt die Formularauswahl in Gamma-API-Parameter und bereitet den Text für die Folien vor. Dann ruft er die Gamma-API auf und wartet, bis der Job fertig ist.

Anschließend verschickt er das Ergebnis per E-Mail. Am Ende stehen ein Preview-Link und ein Download-Link, mehr braucht niemand.

Mit der Gamma-API hatte ich vorher schon gearbeitet, in einer Pipeline, die Podcast-Audio in Folien und Social Cards verwandelt. Ich war überrascht, wie gut und wie einfach sie funktioniert, sobald man die Parameterstruktur einmal kennt. Aus dieser Erfahrung einen eigenen Gamma-Baustein zu bauen war der naheliegende nächste Schritt, diesmal nicht für einen einzelnen Anwendungsfall, sondern als Werkzeug für das ganze Team.

Vom Formular zur API: Marke und Theme per Lookup verbinden

Das Formular spricht die Sprache der Nutzer: Markennamen, lesbare Format-Bezeichnungen, Modus-Optionen auf Deutsch und Englisch. Die Gamma-API dagegen will Theme-IDs, Folder-IDs und Sprachcodes. Irgendetwas muss zwischen diesen beiden Welten übersetzen, und das sollte nicht bei jeder Abgabe ein Mensch von Hand tun.

Gelöst habe ich das mit einem Edit-Fields-Node. Er liest die Formular-Labels aus und ordnet sie über eine Lookup-Tabelle den passenden Gamma-Parametern zu. Jede Marke hat dafür einen festen Eintrag: Theme-ID, Folder-ID, damit die richtige Kombination nicht bei jeder Abgabe neu zusammengesucht werden muss. Kommt eine neue Marke dazu, kommt eine neue Zeile in die Tabelle dazu.

Sonst ändert sich in der Pipeline nichts, kein neuer Node, keine neue Logik. Genau das ist der Trick, und er ist auch der Grund, warum der Workflow mit mehr Marken wächst, ohne dass die Logik mitwächst.

Ordnung in Gamma selbst hat mehr gebracht, als ich erwartet hatte. Ohne einen Ordner pro Marke landet jedes erzeugte Asset am selben Ort. Irgendwann findet dann niemand mehr etwas wieder, weil sich Decks, Dokumente und Social-Assets aller Marken in einem einzigen Ordner stapeln. Deshalb liegt die Folder-ID jeder Marke direkt neben ihrer Theme-ID in derselben Zuordnung.

Wie das Ausgabeformat entschieden wird

Deck (16:9) und Dokument (A4) laufen direkt aus dem ersten Formular, ohne einen zusätzlichen Schritt dazwischen. Nur Social bekommt einen zweiten, kurzen Formularschritt: Dort wählt man noch das passende Seitenverhältnis, 1:1, 4:5 oder 9:16.

Diesen zweistufigen Aufbau habe ich bewusst gewählt, obwohl ein einziges, längeres Formular beim Bauen weniger Arbeit gewesen wäre. Der Umweg war es mir wert. Wer gerade ein Kunden-Deck zusammenstellt, soll nicht an Social-Format-Optionen vorbeiscrollen müssen, die er an dem Tag gar nicht braucht.

Die Textvorbereitung: ein Agent, der Text in Folien-Häppchen zerlegt

Gamma erzeugt Decks aus Text, aber roher Input muss vorher in folien-große Stücke aufgeteilt werden, sonst landet alles als eine dichte Textwand auf einer einzigen Folie. Ein LangChain-Agent auf GPT-4.1-mini übernimmt diese Aufteilung. Sein System-Prompt ist eng gefasst: Er soll die Struktur bewahren oder herstellen, am Inhalt nichts ändern, nichts hinzufügen und nur die Folienumbrüche markieren. Das entspricht genau den drei Modi, die Gamma über den Parameter textMode anbietet: erzeugen, verdichten, bewahren.

Das Verhalten wechselt mit dem im Formular gewählten Modus: erzeugen baut aus einem kurzen Thema eine ganze Foliengliederung, verdichten kürzt bestehenden Inhalt auf das Wesentliche, und bewahren ordnet den Text nur in Folien-Stücke um, ohne die Substanz anzufassen.

GPT-4.1-mini war die günstige, leistungsfähige Option, als ich das gebaut habe. Dieser Schritt ist reine Sortierarbeit, kein kreatives Schreiben, und daran hat sich seitdem nichts geändert. Ich habe den Schritt nicht angerührt, weil es keinen Grund gibt, etwas zu ändern, das fast nichts kostet und noch nie kaputtgegangen ist.

Worauf ich wirklich geachtet habe: Das Modell darf nie still eigene Inhalte einfügen oder umschreiben. Für die Person, die das Formular ausfüllt, ist dieser Schritt eine Black Box, weil niemand den Zwischentext vor Gamma noch einmal gegenliest. Text geht rein, und ein Deck kommt raus.

Würde das Modell hier einen Satz ergänzen oder eine Aussage abschwächen, würde das niemand sofort bemerken. Genau deshalb ist der Prompt so restriktiv wie möglich gehalten: aufteilen und markieren, mehr nicht.

Die Zustellung: warum E-Mail hier besser funktioniert als Chat

Sobald der API-Aufruf raus ist, fragt der Workflow den Job-Status in regelmäßigen Abständen ab, bis Gamma das Asset als fertig meldet. Reines Polling, nichts Ausgefallenes, und der Job lief die ganze Zeit über zuverlässig, seit ich ihn gebaut habe.

Am Anfang habe ich parallel zwei Kanäle bespielt: eine Chat-Benachrichtigung und eine E-Mail. Vor allem wollte ich damit bestätigen, dass Läufe wirklich durchliefen und nicht irgendwo unbemerkt hängen blieben. Den Chat-Kanal gibt es inzwischen nicht mehr.

Die eigentliche Bestätigung trägt die E-Mail: eine HTML-Nachricht mit Preview-Link und Download-Link. In diesem Kanal konkurriert sonst nichts um Aufmerksamkeit.

Der Beweis: was tatsächlich in Produktion läuft

Das ist kein hypothetischer Aufbau, sondern ein laufender Workflow. Der Stack dahinter ist überschaubar: n8n orchestriert alles, die Gamma-API übernimmt die Generierung, ein LangChain-Agent auf GPT-4.1-mini bereitet den Text vor.

Gebaut habe ich das allein, in rund zwei Wochen, und seitdem läuft es in Produktion.

Man schickt das Formular ab und wartet kurz, mehr Zutun braucht es von der Person nicht. Zurück kommt ein Gamma-Asset im gewünschten Format: 16:9-Deck, A4-Dokument oder Social-Hochformat. Es trägt das richtige Marken-Theme mit passendem Logo, passenden Farben und der richtigen Schrift.

Der Text erscheint als echte strukturierte Folien, nicht als abgeladener Absatz. Dazu kommen ein Preview-Link zum Bearbeiten im Browser und ein Download-Link als PPTX oder PDF. Beides kommt per E-Mail.

Die Akzeptanz im Team ist das Ergebnis, das mir am meisten bedeutet. Der Workflow kam gut an und hat die Deck-Erstellung für alle, die selten mit Gamma arbeiten, spürbar einfacher gemacht, genau für die Leute, die vorher am ehesten beim Theme oder Format danebenlagen. Wer vorher erst das richtige Theme suchen und den Text von Hand aufteilen musste, füllt heute ein Formular aus und macht mit der eigentlichen Arbeit weiter.

Davor lag fast jeder mal daneben: falsches Theme, falsches Format oder Text ohne Folienumbrüche einfach reingeworfen, weil die Entscheidungen jedes Mal neu fielen, meist von der Person, die das Deck an dem Tag brauchte, nicht von der, die Gamma kannte. Seit der Workflow läuft, passiert genau das nicht mehr.

Was ich anders machen würde, wenn ich es heute neu baue: Ich würde das Formular stärker verzweigen, damit es Nutzer Schritt für Schritt besser führt. Und ich würde Datei- sowie Bild-Uploads erlauben, damit der Workflow nicht mehr nur mit reinem Text funktioniert, sondern auch mit Material arbeiten kann, das schon vorhanden ist. Die Kern-Pipeline funktioniert bereits gut, daran würde ich nichts anfassen. Das Verbesserungspotenzial liegt auf der Eingabeseite, nicht daran, wie Gamma die Ausgabe rendert.

Wer an einem ähnlichen Workflow baut und über die Plattform-Wahl dahinter nachdenkt, findet hier Vergleichsstoff. Ich habe n8n gegen Make.com für genau diese Art Workflow verglichen. Und falls du bei null anfängst: Ich habe auch über fünf Einsteiger-Workflows für n8n geschrieben.

Dieselbe Content-Pipeline, mit der ich mich in die Gamma-API eingearbeitet habe, füttert auch die Content Machine. Der verwandte Agenten-Workflow ist einen Blick wert, wenn Folien-Generierung nur ein Teil dessen ist, was du automatisieren willst. Wie man Konsistenz über mehrere Marken hinweg definiert, bevor man sie automatisiert, beschreibe ich in meinem Beitrag zur Brand Voice.