Lösungen für
Bitte auswählen
Web-App testen
arbeiten-mit-ki

KI-Workflows automatisieren

Redaktion ·

Wenn dein Team Copy-Paste-Roboter spielt — warum dich das angeht

In den meisten Agenturen und KMU läuft ein Großteil der Arbeit nicht durch Software, sondern durch Menschen, die Daten von A nach B tragen. Eine Lead-Anfrage kommt im Formular rein, jemand liest sie, trägt sie ins CRM ein, schreibt eine Eingangsbestätigung, pingt den zuständigen Berater in Slack an. Ein Blogartikel ist fertig, jemand kopiert ihn ins CMS, baut Meta-Tags, erstellt drei LinkedIn-Posts, plant sie ein. Das sind keine schwierigen Aufgaben — es sind teure Aufgaben, weil sie qualifizierte Leute Zeit kosten und weil sie fehleranfällig sind, sobald es hektisch wird.

Workflow-Automation setzt genau hier an: wiederkehrende Abläufe, die einer klaren Wenn-dann-Logik folgen, werden an eine Plattform delegiert. Seit etwa 2024 ist dabei ein dritter Bausteintyp dazugekommen — der KI-Schritt. Statt nur Daten zu verschieben, kann ein Workflow jetzt auch verstehen, formulieren, klassifizieren und entscheiden. Eine eingehende Mail wird nicht nur weitergeleitet, sondern erst auf Tonalität und Dringlichkeit eingeschätzt und dann an die richtige Person geroutet.

Dieser Artikel erklärt die drei Bausteine jedes Workflows, die wichtigsten Plattformen (Make, Zapier, n8n) mit ihren sehr unterschiedlichen Abrechnungsmodellen, konkrete Use-Cases aus dem Agentur-Alltag und die Stolperfallen, die teuer werden, wenn man sie zu spät bemerkt. Ziel: Du sollst danach selbst einschätzen können, welcher Ablauf sich lohnt zu automatisieren — und mit welchem Werkzeug.

Die Grundmechanik: Trigger, Aktionen, KI-Schritte

Jeder Workflow — egal auf welcher Plattform — besteht aus denselben drei Bausteintypen. Wer die versteht, versteht alle Tools, weil sich nur die Oberfläche und das Pricing unterscheiden.

Der Trigger — was den Ablauf startet

Der Trigger ist das Ereignis, das einen Workflow auslöst. Es gibt grob zwei Sorten. Polling-Trigger fragen in einem Intervall nach: „Gibt es eine neue Zeile im Google Sheet? Eine neue Mail im Postfach?” — typischerweise alle 1 bis 15 Minuten, je nach Plan. Webhook-Trigger sind das Gegenteil: Ein externes System schickt aktiv eine Nachricht, sobald etwas passiert (Formular abgeschickt, Zahlung eingegangen). Webhooks sind sofort und sparsam, brauchen aber ein Quellsystem, das Webhooks senden kann.

Faustregel: Webhook nehmen, wenn möglich. Polling nur, wenn die Quelle keine Webhooks unterstützt — und dann mit Bewusstsein für das Intervall, denn häufiges Polling kostet auf manchen Plattformen Verrechnungseinheiten.

Aktionen — was der Workflow tut

Aktionen sind die einzelnen Schritte nach dem Trigger: einen Datensatz im CRM anlegen, eine Slack-Nachricht senden, eine Zeile in Airtable schreiben, eine HTTP-Anfrage an eine beliebige API stellen. Jede Plattform bringt vorgefertigte Aktionen für hunderte bis tausende Apps mit. Dazwischen sitzen oft Logik-Bausteine: Filter (nur weitermachen, wenn Bedingung erfüllt), Router/Verzweigungen (je nach Wert in unterschiedliche Pfade), Iteratoren (über eine Liste loopen) und Datentransformationen.

KI-Schritte — verstehen, formulieren, entscheiden

Der KI-Schritt ist ein Sonderfall der Aktion: Ein Sprachmodell bekommt einen Prompt plus Daten aus vorherigen Schritten und gibt Text oder strukturierte Daten zurück. Drei Muster dominieren in der Praxis:

  • Klassifikation/Routing: „Ist diese Anfrage Support, Vertrieb oder Spam?” Das Modell gibt ein Label zurück, ein nachgelagerter Router verzweigt.
  • Extraktion: Aus einer Freitext-Mail strukturierte Felder ziehen (Name, Firma, Budget, Wunschtermin) — als JSON, das die nächste Aktion direkt weiterverarbeitet.
  • Generierung: Aus einem Briefing einen Entwurf erzeugen (Antwortmail, Social-Post, Produkttext), der dann zur Freigabe vorgelegt wird.

Wichtig: Der KI-Schritt ist nur so gut wie der Prompt und so verlässlich wie das, was du erzwingst. Für Routing und Extraktion solltest du strukturierte Ausgabe (JSON-Schema) verlangen, sonst bricht der nächste Schritt an unsauberem Output.

Die drei Plattformen — und warum das Pricing alles entscheidet

Make, Zapier und n8n machen im Kern dasselbe, unterscheiden sich aber in Bedienung, KI-Tiefe und vor allem im Abrechnungsmodell. Das Pricing ist nicht nur eine Kostenfrage — es bestimmt, welche Workflows überhaupt wirtschaftlich sind.

Zapier — am einfachsten, am teuersten bei Volumen

Zapier ist die zugänglichste Plattform: lineare „Zap”-Logik, über 8.000 angebundene Apps, kaum Lernkurve. Der Haken steckt im Abrechnungsmodell. Zapier rechnet pro Task ab — jede einzelne Aktion zählt. Ein zehnschrittiger Zap, der 1.000-mal im Monat läuft, verbraucht 10.000 Tasks. Der Professional-Tarif startet laut Anbieter bei rund 20 US-Dollar pro Monat für 750 Tasks (Jahresabrechnung), der Team-Plan bei 69 US-Dollar für 2.000 Tasks. Wer KI-Schritte mit mehreren Aktionen pro Lauf baut, merkt schnell, wie das Task-Budget schmilzt.

Für KI gibt es das Produkt „Agents”. Stärke von Zapier: schnell zum ersten funktionierenden Automatismus. Schwäche: Bei hohem Volumen wächst die Rechnung linear mit jeder Aktion.

Make — visuell, granular, günstiger pro Operation

Make (früher Integromat) setzt auf einen visuellen Szenario-Builder mit Modulen, die man auf einer Leinwand verdrahtet. Make rechnet nach Operations ab (eine Operation grob pro Modul-Ausführung), was bei vielen kleinen Schritten oft günstiger ausfällt als Zapiers Task-Modell. Make hat rund 3.000 Apps, einen Konversations-Builder namens Maia und einen Agent-Builder, der Stand Mitte 2026 als Beta geführt wird. Geeignet, wenn du verzweigte Logik visuell bauen willst und mehr Kontrolle als bei Zapier brauchst, ohne gleich selbst zu hosten.

n8n — die tiefste KI-Integration, optional selbst gehostet

n8n ist die mächtigste und entwicklernächste Option. Die im Januar 2026 erschienene Version 2.0 bringt laut Hersteller native LangChain-Integration mit rund 70 KI-Nodes: Tool-Nodes, persistenter Speicher über Ausführungen hinweg, Vektordatenbank-Anbindung für RAG und Human-in-the-Loop-Muster. n8n rechnet pro Execution ab, nicht pro Aktion — derselbe zehnschrittige Workflow, der 1.000-mal läuft, zählt als 1.000 Executions statt 10.000 Tasks. n8n Cloud startet laut Anbieter bei rund 20 Euro pro Monat (Starter ca. 2.500 Executions).

Der eigentliche Unterschied entsteht beim Self-Hosting: n8n lässt sich auf einem eigenen Server (z. B. ein kleiner Cloud-Droplet für 10–20 US-Dollar pro Monat) ohne Execution-Limit betreiben. Zapier bietet keine Self-Hosting-Option. Für Datenresidenz, KI-Agenten-Tiefe und hohe Volumina ist n8n daher meist die wirtschaftlichste Wahl — zum Preis einer steileren Lernkurve.

Vergleich auf einen Blick

| Kriterium | Zapier | Make | n8n | |---|---|---|---| | Abrechnung | pro Task (Aktion) | pro Operation | pro Execution (ganzer Lauf) | | Apps (ca.) | 8.000+ | 3.000+ | je nach Setup, plus HTTP zu allem | | KI-Tiefe | Agents | Maia + Agent-Builder (Beta) | LangChain-nativ, ~70 KI-Nodes (v2.0, Jan 2026) | | Self-Hosting | nein | nein | ja (unlimited Executions) | | Lernkurve | niedrig | mittel | höher | | Sweet Spot | < 5.000 Tasks/Monat, schnell live | visuelle, verzweigte Logik | Volumen, KI-Agenten, Datenresidenz |

Use-Cases aus dem Agentur- und KMU-Alltag

Drei Felder lohnen sich fast immer zuerst, weil sie viel manuellen Aufwand bündeln und klaren Regeln folgen.

Content-Produktion und -Distribution

Ein fertiger Blogartikel löst eine Kaskade aus: KI-Schritt erzeugt Meta-Description und drei Social-Varianten (LinkedIn, X, Newsletter-Teaser), Aktionen legen die Posts als Entwürfe im Planungstool an, eine Slack-Nachricht bittet um Freigabe. Wichtig ist die Freigabe-Stufe — generierter Text geht nicht ungeprüft live. Ein typischer Fehler ist, den KI-Schritt direkt veröffentlichen zu lassen; ein Human-in-the-Loop-Schritt verhindert Marken- und Faktenpannen.

Lead-Routing und Eingangsbearbeitung

Webhook-Trigger vom Kontaktformular startet den Ablauf. Ein KI-Schritt klassifiziert (Branche, Dringlichkeit, Budget-Indiz) und extrahiert die Felder strukturiert. Ein Router schickt heiße Leads sofort per Slack/Telefon-Hinweis an den zuständigen Berater, kühle landen in einer Nurture-Sequenz. Parallel: Datensatz im CRM, automatische Eingangsbestätigung in passender Tonalität. Spart die typische „Wer kümmert sich?”-Verzögerung, die Leads kostet.

Datenpflege und Reporting

Wiederkehrende Datenarbeit ist der unspektakulärste, aber verlässlichste Gewinn: Daten aus mehreren Quellen (Ads-Konten, Analytics, CRM) einsammeln, normalisieren, in ein Sheet/Dashboard schreiben und wöchentlich eine KI-generierte Zusammenfassung mit Auffälligkeiten an die Inbox schicken. Hier sitzt der KI-Schritt am Ende: Er erklärt die Zahlen, statt sie nur zu liefern.

Stolperfallen — was teuer oder peinlich wird

Endlosschleifen und Trigger-Kaskaden

Der Klassiker: Workflow A schreibt in ein Sheet, dessen „neue Zeile” Workflow B triggert, der wiederum A auslöst. Bei Polling unbemerkt, bei Webhooks sofort eskalierend — und je nach Plattform jede Iteration kostenpflichtig. Schutz: Trigger und Aktionen nie auf dieselbe Quelle ohne Filter; Schleifenschutz und Marker-Felder einbauen.

KI-Output ohne Struktur und ohne Fallback

Wenn der KI-Schritt mal kein sauberes JSON liefert (anderes Format, Halluzination, leere Antwort), bricht der nächste Schritt — oder schlimmer, er läuft mit Müll weiter. Immer strukturierte Ausgabe erzwingen, einen Validierungs-/Filterschritt nachschalten und einen Fehlerpfad definieren (z. B. an Mensch eskalieren statt still scheitern).

Pricing-Überraschung bei Volumen

Ein Workflow, der im Test 50-mal läuft, kostet nichts Spürbares. Derselbe Workflow unter Last mit vielen Aktionen pro Lauf sprengt auf Task-Abrechnungsmodellen das Budget. Vor dem Skalieren durchrechnen: Aktionen pro Lauf × erwartete Läufe × Tarif. Bei hohem Volumen ist der Wechsel von Task- zu Execution-Abrechnung (oder Self-Hosting) oft der größte Hebel.

Secrets und Datenabfluss

Workflows hängen an API-Keys und ziehen oft Kundendaten durch Cloud-Plattformen. Wer personenbezogene Daten an Cloud-KI-Schritte schickt, hat ein Datenschutzthema. Für sensible Daten: Self-Hosting (n8n) oder Anbieter mit Auftragsverarbeitungsvertrag und EU-Hosting prüfen, und im Workflow nur die Felder durchreichen, die der Schritt wirklich braucht.

Wie du anfängst — ein pragmatischer Pfad

  1. Einen Ablauf auswählen, der oft passiert, klaren Regeln folgt und wenig Bauchgefühl braucht (Lead-Eingangsbestätigung ist ein guter erster Kandidat).
  2. Manuell dokumentieren, was heute passiert — jeder Schritt, jede Entscheidung. Das wird zur Blaupause.
  3. Klein bauen, ohne KI-Schritt, erst die reine Daten-Mechanik. Stabil bekommen.
  4. KI-Schritt ergänzen, mit strukturierter Ausgabe und Fehlerpfad.
  5. Freigabe-Stufe einbauen, bevor irgendetwas nach außen geht.
  6. Messen und ausrechnen, bevor du den Workflow auf hohes Volumen loslässt.

Wer das Werkzeug konkret kennenlernen will, findet Einstiege in den Glossar-Einträgen zu Make (Integromat) und Zapier AI.

FAQ

Brauche ich Programmierkenntnisse für Workflow-Automation?
Für Zapier und Make: nein, beide sind No-/Low-Code mit visuellen Buildern. Für komplexere Logik und vor allem für n8n im Self-Hosting hilft technisches Verständnis (APIs, JSON, ein Server) deutlich. Der Einstieg ist ohne Code möglich, die Tiefe nicht.
Was kostet ein KI-Schritt im Workflow?
Zweimal: einmal die Plattform (Task/Operation/Execution) und einmal das Sprachmodell selbst (Token-basiert beim KI-Anbieter, sofern du nicht ein eingebautes Modell des Tools nutzt). Bei vielen Läufen kann der Token-Anteil den größeren Posten ausmachen — kleines Modell für Routing/Extraktion reicht oft.
Make oder Zapier oder n8n — was nehme ich?
Schnell live ohne Dev: Zapier. Visuelle, verzweigte Logik mit mehr Kontrolle: Make. Hohe Volumina, tiefe KI-Agenten oder Datenresidenz: n8n, am besten selbst gehostet. Die Plattformwahl folgt dem Volumen und dem Datenschutzbedarf, nicht der Mode.
Sollte der KI-Schritt automatisch veröffentlichen?
Für nach außen gehende Inhalte (Mails, Posts, Kundenkommunikation): nein, baue eine Freigabe-Stufe ein. Für interne, reversible Schritte (Klassifikation, Datenanreicherung): meist ja, mit Validierung und Fehlerpfad.
Wie verhindere ich Endlosschleifen?
Trigger und Aktion nie ungefiltert auf dieselbe Datenquelle richten. Marker-Felder setzen („verarbeitet=true"), Filter vorschalten und die plattformeigenen Schleifenschutz-Limits aktivieren.

Fazit

Workflow-Automation lohnt sich überall dort, wo qualifizierte Leute heute Copy-Paste-Roboter spielen — und mit dem KI-Schritt deckt sie inzwischen auch Aufgaben ab, die früher Urteilsvermögen brauchten: klassifizieren, extrahieren, formulieren. Die Bausteine sind plattformübergreifend dieselben (Trigger, Aktionen, KI-Schritte); was sich unterscheidet, ist Bedienung und vor allem Abrechnung. Zapier ist der schnellste Einstieg, Make der visuelle Mittelweg, n8n die tiefste und bei Volumen wirtschaftlichste Lösung.

Der größte Fehler ist nicht die falsche Plattform, sondern der fehlende Freigabe- und Fehlerpfad. Fang mit einem klar geregelten Ablauf an, bau ihn erst ohne KI stabil, ergänze dann den KI-Schritt mit strukturierter Ausgabe — und rechne das Volumen durch, bevor du skalierst.

Themenuebersicht

Arbeiten mit KIWorkflows