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.
Drei Setups aus der Praxis, die zeigen was konkret geht.
Hinweis zu den Zahlen: Zeitersparnis, API-Kosten und Reichweiten-Effekte unten sind realistische Größenordnungen für die jeweilige Setup-Klasse, keine gemessenen Werte aus einem bestimmten Projekt. Die konkreten Zahlen hängen stark vom Einsatz ab.
Setup 1 — Angebotsgenerator für einen Klempnerbetrieb
Das Problem: Handwerksbetrieb mit etwa 40 E-Mail-Anfragen pro Woche. Der Inhaber schreibt jedes Angebot selbst. Zwei Stunden pro Tag für Angebote, die am Ende sehr ähnlich aussehen.
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 ist der Trick. Der Inhaber hat drei Archetyp-Angebote — Notdienst, Renovierung, Neuanlage. Claude Haiku bekommt im Prompt alle drei als Beispiele plus eine Anweisung: "Wähl den passenden Archetyp, pass Mengen an, halte Tonfall."
Was es bringt: Rund 85 Prozent der Angebote können automatisch rausgehen, der Inhaber reviewt nur ungewöhnliche Anfragen (große Aufträge, komplexe Fälle). Zeitersparnis in der Größenordnung einer Arbeitswoche pro Monat. (Ausführlich in Handwerker-Angebots-Automation.)
Was schiefgehen kann: DSGVO. Kundenadressen tauchen in n8n-Logs auf, und die bleiben standardmäßig für immer. Ein Cron-Job der alles älter als 30 Tage aus den Execution-Logs putzt, ist 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 ist 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 spürbar schneller bearbeitet, weil sie sofort als Ticket landen.
Die Kostenrechnung: In der Größenordnung von gut 10 Euro pro Monat API-Kosten bei mehreren Tausend 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 ist wichtig. Wer gleichzeitig auf allen Plattformen postet wirkt wie ein Bot. Zwei Stunden Abstand reicht, dass es organisch aussieht.
Was es bringt: Die Reichweite wächst (nicht linear mal vier, aber spürbar), der Zeitaufwand pro Tag bleibt 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. Oft muss man auf Webhooks umsteigen, weil Polling zu schnell an Limits stößt.
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.
