Lerne, wie du mit n8n und Make intelligente Automatisierungen baust, die KI-Modelle nutzen. Von E-Mail-Triage über Lead-Qualifizierung bis zur Content-Pipeline -- mit Agenten-Mustern, Fehlerbehandlung und einem 30-Tage-Fahrplan.
Klicken zum Vergrößern
Automatisierung ist kein neues Thema. Seit Jahren helfen Tools wie Zapier, IFTTT oder Microsoft Power Automate dabei, wiederkehrende Aufgaben zu vereinfachen. Doch 2026 hat sich die Landschaft fundamental verändert: Die Integration von grossen Sprachmodellen in Automatisierungsplattformen hat eine völlig neue Kategorie geschaffen, die man als intelligente Automatisierung bezeichnen kann. Statt starrer Wenn-Dann-Regeln können Workflows jetzt Texte verstehen, Entscheidungen treffen und sogar kreativ auf unerwartete Eingaben reagieren.
Der Markt für No-Code- und Low-Code-Automatisierung wächst rasant. Analysten schätzen das globale Marktvolumen für 2026 auf über 45 Milliarden US-Dollar, mit jährlichen Wachstumsraten von über 25 Prozent. Ein wesentlicher Treiber ist die Demokratisierung der KI: Früher brauchte man ein Data-Science-Team, um KI in Geschäftsprozesse einzubinden. Heute genügt ein visüller Workflow-Editor und ein API-Key für ein Sprachmodell.
Zwei Plattformen haben sich dabei als führend etabliert: n8n und Make (ehemals Integromat). Beide verfolgen unterschiedliche Philosophien, bieten aber tiefe KI-Integrationen, die weit über einfache ChatGPT-Aufrufe hinausgehen. n8n überzeugt als Open-Source-Lösung mit voller Datenkontrolle und der Möglichkeit zum Self-Hosting. Make besticht durch eine besonders intuitive visülle Oberfläche und über 1.500 vorgefertigte Integrationen. Beide Plattformen haben 2025 und 2026 massiv in KI-Features investiert und bieten mittlerweile dedizierte AI-Nodes, die das Einbinden von Claude, GPT-4o, Gemini und lokalen Modellen zum Kinderspiel machen.
In diesem Kurs lernst du, wie du mit diesen Werkzeugen intelligente Automatisierungen baust, die nicht nur Zeit sparen, sondern echte Wertschöpfung in deinem Unternehmen erzeugen. Dabei gehen wir weit über die üblichen Einsteiger-Tutorials hinaus und zeigen fortgeschrittene Muster wie mehrstufige KI-Agenten-Workflows, Fehlerbehandlung mit Fallback-Logik und die Kombination mehrerer Modelle in einer einzigen Automatisierung.
Die Wahl der richtigen Automatisierungsplattform ist eine strategische Entscheidung, die sich auf Jahre auswirkt. Jede der drei grossen Plattformen hat klare Stärken, und die richtige Wahl hängt von deinen spezifischen Anforderungen ab. Bevor wir in die Praxis einsteigen, lohnt sich ein ehrlicher Vergleich.
n8n hat sich als die Entwickler-freundlichste Plattform etabliert. Der grösste Vorteil ist die vollständige Transparenz: Als Open-Source-Projekt kannst du den gesamten Code einsehen, anpassen und auf deinem eigenen Server betreiben. Für Unternehmen, die mit sensiblen Daten arbeiten oder strenge Compliance-Anforderungen erfüllen müssen, ist das ein entscheidender Faktor. n8n bietet über 400 Integrationen und lässt sich durch Custom Nodes praktisch unbegrenzt erweitern. Die KI-Integration ist besonders tief: Der AI Agent Node erlaubt es, vollständige Agenten-Workflows zu bauen, bei denen ein Sprachmodell eigenständig Tools aufruft, Ergebnisse interpretiert und nächste Schritte plant. Die Community Edition ist kostenlos, die Cloud-Version startet bei 24 Euro pro Monat.
Make positioniert sich als die visüll eleganteste Lösung. Die Drag-and-Drop-Oberfläche mit ihrem charakteristischen Kreisdesign macht selbst komplexe Workflows auf einen Blick verständlich. Mit über 1.500 Integrationen bietet Make das breiteste Ökosystem und deckt praktisch jede gängige Business-App ab. Die KI-Features umfassen einen dedizierten AI-Assistenten, der beim Bauen von Workflows hilft, sowie native Integrationen für OpenAI, Anthropic und Google AI. Make ist ideal für Marketing-Teams und Business-Nutzer, die ohne technischen Hintergrund automatisieren wollen. Die Preise starten bei 10 Euro pro Monat für 10.000 Operations.
Zapier bleibt der Platzhirsch mit über 7.000 Integrationen und der grössten Nutzerbasis. Die Plattform hat 2025 mit "Canvas" ein visülles Interface eingeführt und bietet mit "AI Actions" eine einfache Möglichkeit, KI in bestehende Workflows einzubinden. Zapier eignet sich besonders für Teams, die schnelle Punkt-zu-Punkt-Integrationen brauchen, ohne komplexe Workflow-Logik. Allerdings stossen fortgeschrittene Nutzer schnell an Grenzen bei verschachtelten Logiken und Fehlerbehandlung. Die Preise beginnen bei 29 US-Dollar pro Monat.
Für diesen Kurs konzentrieren wir uns auf n8n und Make, weil beide die tiefste KI-Integration bieten und die grösste Flexibilität für die Art von intelligenten Automatisierungen, die wir bauen wollen.
Theorie ist wichtig, aber Automatisierung lernt man am besten durch Praxis. In dieser Lektion bauen wir gemeinsam einen Workflow, der eingehende E-Mails intelligent verarbeitet. Dieses Szenario ist deshalb so wirkungsvoll, weil praktisch jedes Unternehmen täglich mit E-Mail-Flut kämpft und die manülle Sortierung, Weiterleitung und Beantwortung enorm viel Zeit kostet.
Der Workflow funktioniert in fünf Schritten. Zürst überwacht ein Trigger-Node das Postfach und reagiert auf jede neue eingehende E-Mail. Im zweiten Schritt sendet ein KI-Node den E-Mail-Inhalt an Claude oder GPT-4o mit einem sorgfältig formulierten Prompt: Das Modell soll die E-Mail klassifizieren (Anfrage, Beschwerde, Bewerbung, Spam, interne Nachricht), die Dringlichkeit einschätzen (hoch, mittel, niedrig), die Kernaussage in einem Satz zusammenfassen und einen Antwortvorschlag generieren. Im dritten Schritt verzweigt ein Switch-Node den Workflow basierend auf der Klassifikation. Beschwerden gehen sofort an den Teamleiter mit einer Slack-Benachrichtigung. Bewerbungen werden automatisch in ein HR-Board verschoben. Anfragen erhalten den generierten Antwortvorschlag als Draft. Spam wird markiert und archiviert. Im vierten Schritt werden alle verarbeiteten E-Mails in einer Google-Sheets-Tabelle protokolliert, was später eine Analyse der E-Mail-Muster ermöglicht. Im fünften Schritt sendet der Workflow eine tägliche Zusammenfassung per Slack oder Teams mit den wichtigsten Metriken: Wie viele E-Mails wurden verarbeitet, welche Kategorien dominierten, welche Themen häufen sich.
Der entscheidende Punkt bei diesem Workflow ist das Prompt Engineering im KI-Node. Ein schlechter Prompt führt zu unzuverlässiger Klassifikation und unbrauchbaren Antwortvorschlägen. Bewahrt hat sich ein strukturierter Ansatz, bei dem das Modell seine Antwort als JSON zurückgibt mit klar definierten Feldern. So kann der nachfolgende Switch-Node die Ergebnisse zuverlässig parsen. Ausserdem sollte der Prompt explizite Anweisungen für Grenzfälle enthalten: Was passiert, wenn eine E-Mail sowohl eine Beschwerde als auch eine Anfrage enthält? Welche Sprache soll der Antwortvorschlag verwenden?
Dieses Grundmuster -- Eingang erfassen, KI analysieren lassen, basierend auf der Analyse routen, protokollieren und berichten -- bildet das Fundament für praktisch alle intelligenten Automatisierungen, die wir in den folgenden Lektionen vertiefen.
Die Verbindung von KI-Automatisierung und Vertrieb gehört zu den wirkungsvollsten Anwendungsfällen überhaupt. Stell dir vor, ein potenzieller Kunde füllt ein Kontaktformular auf deiner Website aus. Innerhalb von Sekunden analysiert ein KI-Workflow die Anfrage, reichert sie mit öffentlich verfügbaren Unternehmensdaten an, bewertet das Lead-Potenzial und erstellt einen personalisierten Follow-up-Entwurf -- alles vollautomatisch.
In n8n lässt sich dieser Workflow elegant umsetzen. Der Webhook-Node empfängt die Formulardaten und übergibt sie an einen HTTP-Request-Node, der über LinkedIn oder Unternehmenswebsites zusätzliche Informationen zum Lead sammelt: Unternehmensgrösse, Branche, aktülle Stellenanzeigen, News-Meldungen. Diese angereicherten Daten fliessen dann in einen KI-Node, der auf Basis eines detaillierten Scoring-Prompts eine Lead-Bewertung von 1 bis 100 berechnet. Der Prompt berücksichtigt dabei Faktoren wie Unternehmensgrösse (grössere Unternehmen haben typischerweise höhere Budgets), Branche (passt sie zu deinem Angebot?), Formulierungen in der Anfrage (zeigt der Lead konkreten Bedarf oder ist es nur allgemeines Interesse?) und Timing-Signale (hat das Unternehmen kürzlich eine relevante Stelle ausgeschrieben?).
Basierend auf dem Score verzweigt der Workflow: Leads mit einem Score über 70 werden als "Hot Lead" in dein CRM eingetragen, der zuständige Vertriebler erhält sofort eine Benachrichtigung mit einem vorgenerierten, personalisierten Anschreiben. Leads zwischen 40 und 70 kommen in eine Nurturing-Sequenz, die automatisch über die nächsten Wochen relevante Inhalte versendet. Leads unter 40 werden im CRM erfasst, erhalten aber keine aktive Bearbeitung.
Der Produktivitätsgewinn ist erheblich. Ein mittelständisches Unternehmen mit 50 Leads pro Woche spart durch diese Automatisierung typischerweise 8 bis 12 Stunden Vertriebsarbeit. Noch wertvoller ist die Konsistenz: Während menschliche Bewertung stark von Tagesform, Vorurteilen und Zeitdruck abhängt, liefert der KI-Workflow jedes Mal eine nachvollziehbare, reproduzierbare Einschätzung. Natürlich ersetzt er nicht das menschliche Urteil im Verkaufsgespräch selbst, aber er stellt sicher, dass kein vielversprechender Lead übersehen wird und dass die Vertriebszeit dort investiert wird, wo die höchste Abschlusswahrscheinlichkeit besteht.
Content-Marketing lebt von Regelmässigkeit, doch genau daran scheitern viele Unternehmen. Die Ideen sind da, aber der Weg vom ersten Gedanken zum veröffentlichten Beitrag ist lang und mühsam: Recherche, Schreiben, Lektorat, Bildauswahl, Formatierung, Veröffentlichung auf verschiedenen Kanälen. Eine intelligente Content-Pipeline automatisiert die repetitiven Teile dieses Prozesses, ohne die kreative Kontrolle aus der Hand zu geben.
Der Workflow beginnt mit einem Trigger, der neue Einträge in deinem Content-Kalender erkennt, etwa eine Notion-Datenbank oder ein Google Sheet mit geplanten Themen. Für jedes neue Thema startet eine mehrstufige KI-Verarbeitung. Im ersten Schritt recherchiert ein KI-Agent automatisch aktülle Quellen zum Thema: Er durchsucht Nachrichtenseiten, Fachblogs und Studien und fasst die relevantesten Erkenntnisse zusammen. Im zweiten Schritt generiert ein weiterer KI-Node auf Basis der Rechercheergebnisse und eines markenspezifischen Style-Guides einen Entwurf. Wichtig ist hier, dass der Prompt nicht einfach "Schreibe einen Blogpost" lautet, sondern detaillierte Vorgaben zu Tonalität, Zielgruppe, Länge, Struktur und SEO-Keywords enthält.
Im dritten Schritt durchläuft der Entwurf einen automatisierten Review-Prozess. Ein separater KI-Call prüft den Text auf Rechtschreibung, Konsistenz mit dem Style-Guide und SEO-Optimierung. Die Korrekturen werden automatisch eingearbeitet. Im vierten Schritt generiert ein Bild-KI-Node ein passendes Header-Bild basierend auf dem Inhalt des Artikels. Im fünften und letzten Schritt wird der fertige Beitrag als Draft in WordPress, Ghost oder einem anderen CMS hinterlegt und der verantwortliche Redakteur per Slack benachrichtigt, dass ein neuer Entwurf zur finalen Freigabe bereitsteht.
Der entscheidende Designentscheid bei dieser Pipeline ist die bewusste Platzierung eines menschlichen Checkpoints vor der Veröffentlichung. Vollautomatische Veröffentlichung ist technisch möglich, aber in der Praxis riskant: KI-generierter Content kann faktische Fehler enthalten, den Markenton verfehlen oder unbeabsichtigt kontroverse Aussagen treffen. Die Pipeline spart trotzdem enorm viel Zeit, denn statt einen Artikel von Grund auf zu schreiben, muss der Redakteur nur noch einen gut vorbereiteten Entwurf prüfen und freigeben. In Make lässt sich dieses Muster mit der "Make a Decision"-Funktion besonders elegant umsetzen, da der Workflow an definierten Stellen pausiert und auf eine manülle Freigabe wartet.
Die bisherigen Workflows folgten einem linearen Muster: Eingang, Verarbeitung, Ausgang. In der Realität sind Geschäftsprozesse jedoch selten linear. Kunden antworten nicht, APIs liefern unerwartete Ergebnisse, KI-Modelle halluzinieren. Fortgeschrittene Automatisierung erfordert robuste Muster für Fehlerbehandlung, Schleifen und agentenbasierte Workflows.
Das Agenten-Muster in n8n verdient besondere Aufmerksamkeit. Der AI Agent Node erlaubt es, einem Sprachmodell Werkzeuge zur Verfügung zu stellen, die es eigenständig aufrufen kann. Statt einen festen Workflow-Pfad vorzugeben, beschreibst du dem Agenten ein Ziel, und er entscheidet selbst, welche Tools er in welcher Reihenfolge einsetzt. Ein konkretes Beispiel: Du gibst dem Agenten Zugriff auf eine Datenbank, einen E-Mail-Versand und eine Web-Suche. Dann sagst du ihm: "Finde alle Kunden, die seit 30 Tagen nichts bestellt haben, prüfe ob es aktülle Angebote gibt die zu ihrem Kaufverhalten passen, und sende ihnen eine personalisierte E-Mail." Der Agent zerlegt diese Aufgabe selbstständig in Einzelschritte: Erst die Datenbankabfrage, dann die Analyse des Kaufverhaltens, dann die Angebotssuche, schliesslich die E-Mail-Generierung.
Fehlerbehandlung ist bei KI-Workflows besonders kritisch, weil KI-Antworten grundsätzlich nichtdeterministisch sind. Ein Modell, das gestern zuverlässig JSON zurückgab, kann heute plötzlich Freitext liefern. Bewährte Muster sind die Retry-Logik mit exponentieller Wartezeit bei API-Timeouts, die Validierung jeder KI-Antwort durch einen JSON-Schema-Check vor der Weiterverarbeitung, und ein Fallback-Pfad, der bei wiederholtem Scheitern einen menschlichen Bearbeiter benachrichtigt statt den gesamten Workflow zum Absturz zu bringen.
Schleifen und Iterationen sind ein weiteres fortgeschrittenes Muster. In Make gibt es dafür den Repeater und den Iterator, in n8n den Loop-Node. Ein typischer Anwendungsfall ist die Batch-Verarbeitung: Du hast eine Liste von 500 Kundenbewertungen und möchtest jede einzeln durch eine KI-Analyse schicken. Ohne Schleife müsste jede Bewertung einen eigenen Workflow-Durchlauf auslösen. Mit einer Schleife verarbeitest du alle in einem einzigen Lauf, wobei du die Rate-Limits der KI-APIs beachtest. Hier empfiehlt sich ein Delay-Node, der zwischen den einzelnen API-Aufrufen eine kurze Pause einlegt, um nicht gedrosselt zu werden.
Intelligente Automatisierung kann schnell teuer werden, wenn man nicht aufpasst. Jeder KI-Aufruf kostet Geld, und bei Workflows, die hundertfach am Tag laufen, summieren sich die Token-Kosten rasch. Gleichzeitig stellen sich beim Umgang mit Kundendaten und KI-Modellen ernsthafte Datenschutzfragen, besonders im europäischen Kontext mit DSGVO und EU AI Act.
Bei den Kosten lohnt sich eine differenzierte Betrachtung. Nicht jeder Workflow-Schritt braucht das teuerste Modell. Die Klassifikation einer E-Mail als "Anfrage" oder "Beschwerde" schafft Claude Haiku oder GPT-4o-mini genauso gut wie die grossen Modelle, zu einem Bruchteil der Kosten. Eine bewährte Strategie ist die Modell-Kaskade: Einfache Aufgaben wie Kategorisierung, Zusammenfassung oder Extraktion laufen über ein günstiges Modell. Nur wenn das günstige Modell unsicher ist oder die Aufgabe komplex, wird auf ein leistungsfähigeres Modell eskaliert. In n8n lässt sich das elegant mit einem IF-Node umsetzen, der den Confidence-Score des ersten Modells prüft.
Beim Datenschutz ist die entscheidende Frage, welche Daten an welche KI-API gesendet werden. Kundennamen, E-Mail-Adressen und Vertragsdaten an OpenAI oder Anthropic zu senden, ist datenschutzrechtlich problematisch, wenn keine Auftragsverarbeitungsvereinbarung besteht. n8n bietet hier einen klaren Vorteil durch Self-Hosting: Du kannst die gesamte Plattform auf deinem eigenen Server oder in einer europäischen Cloud betreiben. Noch besser: Du kannst lokale Modelle wie Llama 3 oder Mistral über Ollama einbinden, sodass keine Daten dein Netzwerk verlassen. Für viele Standard-Automatisierungen reichen diese lokalen Modelle völlig aus.
Skalierung betrifft sowohl die Infrastruktur als auch die Organisation. Technisch solltest du Workflows in Module aufteilen: Ein Haupt-Workflow, der Sub-Workflows aufruft, statt eines monolithischen Monsters mit 50 Nodes. Das erleichtert Wartung, Debugging und Wiederverwendung. Organisatorisch empfiehlt sich ein Automatisierungs-Register, in dem alle aktiven Workflows dokumentiert sind: Was tut er, wer ist verantwortlich, wie hoch sind die monatlichen Kosten, wann wurde er zuletzt geprüft? Ohne ein solches Register entsteht schnell "Workflow-Wildwuchs", bei dem niemand mehr weiss, welche Automatisierungen laufen und ob sie noch korrekt funktionieren.
Nach sieben Lektionen voller Konzepte und Praxisbeispiele ist es Zeit, einen konkreten Plan für dein Unternehmen zu entwickeln. Die grösste Gefahr bei Automatisierungsprojekten ist nicht mangelndes Wissen, sondern fehlende Priorisierung. Wer versucht, alles auf einmal zu automatisieren, automatisiert am Ende nichts.
In der ersten Woche geht es um das Fundament. Wähle deine Plattform (n8n für technische Teams mit Datenschutzanforderungen, Make für Marketing- und Business-Teams) und richte sie ein. Erstelle einen Account, verbinde die drei wichtigsten Tools deines Unternehmens (typischerweise E-Mail, CRM und Kommunikation wie Slack oder Teams) und baue deinen ersten einfachen Workflow ohne KI: etwa eine Benachrichtigung in Slack, wenn ein neuer Lead im CRM erscheint. Dieser erste Workflow dient dazu, die Plattform kennenzulernen und Vertrauen aufzubauen.
In der zweiten Woche fügst du KI hinzu. Nimm deinen ersten Workflow und erweitere ihn um einen KI-Node. Der Lead aus Woche 1 wird jetzt nicht nur gemeldet, sondern auch analysiert und bewertet. Experimentiere mit verschiedenen Prompts und vergleiche die Ergebnisse. Baue eine einfache Fehlerbehandlung ein. Am Ende der Woche solltest du einen robusten KI-Workflow haben, der zuverlässig läuft.
In der dritten Woche skalierst du. Identifiziere die drei zeitaufwändigsten repetitiven Prozesse in deinem Unternehmen und entscheide, welcher sich am besten für eine KI-Automatisierung eignet. Gute Kandidaten sind Prozesse mit hohem Volumen (mehr als 10 Mal pro Tag), klaren Regeln (auch wenn Ausnahmen existieren) und einem messbaren Ergebnis (eingesparte Zeit, weniger Fehler). Baue für den vielversprechendsten Kandidaten einen Prototyp-Workflow.
In der vierten Woche professionalisierst du. Dokumentiere alle Workflows, richte Monitoring und Alerting ein, erstelle einen Kostenüberblick und präsentiere die Ergebnisse deinem Team. Berechne den ROI deiner Automatisierungen: Wie viele Stunden sparst du pro Woche? Wie hoch sind die Plattform- und KI-Kosten? Die meisten Teams erreichen bereits im ersten Monat einen positiven ROI, wenn sie sich auf die richtigen Use Cases konzentrieren.
Am Ende dieses Kurses hast du nicht nur theoretisches Wissen über KI-Automatisierung, sondern einen funktionierenden Workflow in Produktion und einen klaren Plan für die nächsten Schritte. Die Technologie ist reif, die Tools sind zugänglich, und die Wertschöpfung ist real. Jetzt liegt es an dir, den ersten Schritt zu machen.