n8n plus KI — drei konkrete Automation-Setups für den Mittelstand

Warum n8n jetzt der Standard ist

Zapier und Make haben eine Daseinsberechtigung, aber für alles was über Hobbyist-Level hinausgeht sind sie zu teuer und zu geschlossen. Self-hosted Workflow-Engines gab es vorher, aber die waren mühsam zu bedienen. n8n hat die Lücke gefüllt: fair-code-lizenziert, selbst hostbar, und seit Version 1.50 mit dem AI-Agent-Pattern, das echte Arbeit leistet.

Das Agent-Pattern funktioniert so: Du definierst ein LLM als Agent, gibst ihm Zugriff auf bestimmte Tools (Datenbank-Query, API-Call, anderer Workflow, E-Mail-Versand), und der Agent orchestriert selbst. Das klingt wie Function-Calling — ist es technisch auch — aber die visuelle Darstellung in n8n macht Debugging und Überarbeitung drastisch einfacher.

Ich nutze n8n seit etwa zwei Jahren, seit dem Agent-Pattern als Hauptwerkzeug. Drei Setups aus der Praxis.

Setup 1 — Angebotsgenerator für einen Klempnerbetrieb

Das Problem: Handwerksbetrieb mit etwa 40 E-Mail-Anfragen pro Woche. Der Inhaber hat jedes Angebot selbst geschrieben. Zwei Stunden pro Tag für Angebote, die am Ende sehr ähnlich aussahen.

Die Lösung:

Gmail-Trigger (neue Anfrage)
  ↓
HTML-to-Text + Extract Anfrage-Details
  ↓
Claude Haiku (Prompt enthält Stundensätze + Material-Preise + typische Pauschalen)
  ↓
PDF-Generator (mit Firmen-Template)
  ↓
Send Email mit Anhang
  ↓
CRM-Eintrag anlegen

Das Template-System war der Trick. Der Inhaber hatte drei Archetyp-Angebote — Notdienst, Renovierung, Neuanlage. Claude Haiku bekam im Prompt alle drei als Beispiele plus eine Anweisung: "Wähl den passenden Archetyp, pass Mengen an, halte Tonfall."

Was es gebracht hat: Rund 85 Prozent der Angebote gehen seit drei Monaten automatisch raus. Der Inhaber reviewt nur bei ungewöhnlichen Anfragen (große Aufträge, komplexe Fälle). Zeitersparnis grob eine Arbeitswoche pro Monat.

Was schiefgehen kann: DSGVO. Die Kundenadressen tauchen in n8n-Logs auf, und die bleiben standardmäßig für immer. Wir haben einen Cron-Job gebaut der alles älter als 30 Tage aus den Execution-Logs putzt. Pflicht, nicht optional.

Setup 2 — Shop-Reviews auswerten und sortieren

Das Problem: E-Commerce-Shop mit 15.000 SKUs bekommt etwa 300 Reviews pro Tag. Welche sind 5-Sterne-Testimonials für Marketing-Nutzung? Welche sind kritische Beschwerden die sofort behandelt werden müssen?

Die Lösung:

Shopify-Webhook (neue Review)
  ↓
Claude Haiku (Sentiment + Kategorisierung + Zitat-Tauglichkeit)
  ↓
Switch Node
  ├── 5★ + zitat-fähig → Notion-DB "Marketing-Pool"
  ├── 1-2★ → Zendesk-Ticket + Slack-Ping an Support-Lead
  └── sonst → DB-Eintrag, keine weitere Aktion

Der kritische Prompt-Teil war die "Zitat-Tauglichkeit". Eine 5-Sterne-Review kann trotzdem unbrauchbar fürs Marketing sein ("gut", "passt schon", "Kinder glücklich"). Claude Haiku markiert nur Reviews die ein vollständiges, authentisches Zitat enthalten.

Was es bringt: Das Marketing-Team hat durchgehend frische Testimonials ohne selbst zu suchen. Beschwerden werden durchschnittlich knapp vier Stunden schneller bearbeitet als vorher.

Die Kostenrechnung: Etwa 12 Euro pro Monat API-Kosten bei rund 9.000 Reviews. Ein Bruchteil dessen, was ein Support-Triage-Bearbeiter kosten würde.

Setup 3 — Content-Recycling für Solo-Creator

Das Problem: Solo-Creator schreibt einen LinkedIn-Post pro Tag. Will aber auch auf X, Mastodon und Bluesky präsent sein und einen wöchentlichen Newsletter raushauen. Keine Zeit für vierfachen Content.

Die Lösung:

LinkedIn RSS-Feed (eigene Posts)
  ↓
Claude Haiku (parallel):
  ├── Rewrite für X (280 Zeichen, lockerer Ton)
  ├── Rewrite für Mastodon (500 Zeichen, tech-orientiert)
  └── Rewrite für Bluesky (300 Zeichen, direkt)
  ↓
Queue mit 2h Versatz pro Plattform posten
  ↓
Wöchentlich: Sammle alle LinkedIn-Posts der Woche → Newsletter-Draft generieren

Das Versatzsystem war wichtig. Wer gleichzeitig auf allen Plattformen postet wirkt wie ein Bot. Zwei Stunden Abstand ist genug dass es organisch aussieht.

Was es gebracht hat: Die Reichweite ist gewachsen (nicht linear mal vier, aber deutlich), der Zeitaufwand pro Tag identisch. Der Newsletter bekommt einen sauberen Rohentwurf an dem der Creator noch etwa 30 Minuten feilt.

Die Stolperfalle: LinkedIn hat strenge Rate-Limits auf der Export-API. Wir mussten auf Webhooks umsteigen, weil Polling zu schnell an Limits stieß.

Was du aus den drei Setups mitnimmst

• n8n ist nicht Zapier mit KI. Es ist deutlich mächtiger, aber du musst wissen was du tust. Das erste Setup dauert länger als gedacht.
• Claude Haiku deckt 80 Prozent der Kategorisierungs- und Rewrite-Aufgaben ab. Die API-Kosten sind lächerlich niedrig. Für komplexe Reasoning-Aufgaben nimm Opus oder GPT-4o.
• Self-Hosting lohnt sich ab etwa fünf aktiven Workflows. Darunter ist die Cloud-Variante günstiger. Darüber wird die Skalierung im eigenen Docker deutlich wirtschaftlicher.
• DSGVO-Compliance kommt nicht automatisch. Execution-Logs sauber halten ist Pflicht. Wer das erst bei der ersten Beschwerde lernt, hat schon verloren.

Wie du startest

docker run -it --rm \
  --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  docker.n8n.io/n8nio/n8n

Auf http://localhost:5678. Zehn Minuten bis zum ersten Workflow. Bau mit dem Hello-World-Template an, dann zu etwas Echtem vortasten.

Weiterlesen

Für den größeren Kontext, was mit Automation + KI heute realistisch geht, Mit KI Geld verdienen — Setup 3 dort baut auf n8n auf. Für lokale LLMs als n8n-Backend (kostenlos, DSGVO-einfach) siehe Lokale LLMs Vergleich.

Eigene n8n-Workflows im Aufbau? Zone "Business & Automation" im Discord.