n8n Workflow-Automatisierung: Was es ist und wie wir es einsetzen

n8n ist eine Open-Source-Plattform für Workflow-Automatisierung, die Apps, APIs und KI-Modelle über einen visuellen Node-Editor miteinander verbindet. Sie läuft auf einem selbst gehosteten Server oder in der n8n Cloud, unterstützt rund 1.000 native Integrationen plus unbegrenzte benutzerdefinierte HTTP-Verbindungen und führt Workflows auf Basis von Events, Zeitplänen oder Webhook-Triggern aus. Self-Hosting ist kostenlos; Cloud-Pläne starten bei 20 $/Monat.

Wenn Sie bereits Zapier oder Make verwendet haben, ist das Konzept vertraut. Was n8n unterscheidet -- und warum wir es für Kundenprojekte einsetzen -- ist das Preismodell, die native KI-Integration und die Self-Hosting-Option. Dieser Leitfaden erklärt, wie n8n funktioniert, warum wir uns dafür entschieden haben, wie Sie einen Workflow darin aufbauen und wo die eigentliche Komplexität liegt.

Was n8n wirklich ist#

Das Node-basierte Modell: Trigger, Aktionen und Datenfluss#

n8n modelliert Automatisierung als einen Graphen aus Nodes, die durch Kanten verbunden sind. Jeder Workflow beginnt mit einem Trigger-Node -- etwas, das den Workflow auslöst: ein Webhook-Aufruf, ein geplanter Zeitpunkt, ein Event in einer verbundenen App, eine eingehende Nachricht. Trigger-Nodes leiten Daten an Action-Nodes weiter, die Aufgaben ausführen: einen API-Aufruf tätigen, Daten transformieren, eine Nachricht senden, in eine Datenbank schreiben oder eine bedingte Verzweigung ausführen.

Daten bewegen sich zwischen Nodes als JSON-Objekte. Jeder Node empfängt die Ausgabe des vorherigen Nodes, verarbeitet sie und gibt das Ergebnis weiter. Wenn Sie einen Workflow verstehen wollen, erzählt der Node-Graph die vollständige Geschichte -- was ihn gestartet hat, was mit den Daten passiert ist, welche Bedingungen den Ablauf verzweigt haben. Diese Nachvollziehbarkeit ist wirklich nützlich, wenn um 2 Uhr nachts etwas schiefgeht.

Der visuelle Editor ist mehr als eine hübsche Oberfläche zum Schreiben von Konfigurationsdateien. Komplexe Workflows mit Verzweigungslogik, Fehlerbehandlungen und bedingten Pfaden lassen sich als Diagramme navigieren -- auf eine Weise, die YAML oder JSON nicht bieten. Ich habe Workflows an Kunden übergeben, die keine Ingenieure sind, und sie konnten sie lesen.

Wie Ausführungen gezählt werden -- und warum das die Kostenkalkulation verändert#

Das ist das Detail, das den wirtschaftlichen Vergleich mit Zapier und Make verändert.

n8n zählt eine Ausführung pro Workflow-Durchlauf, unabhängig davon, wie viele Nodes im Workflow enthalten sind. Ein 10-Node-Workflow, der 1.000-mal ausgelöst wird, verbraucht 1.000 Ausführungen.

Aufgabenbasierte Plattformen zählen pro Node pro Durchlauf. Derselbe 10-Node-Workflow, der 1.000-mal ausgelöst wird, erzeugt 10.000 Tasks (Digidop, 2025). Diese Lücke ist das gesamte Kostenargument für n8n.

Nehmen Sie einen Recruiting-Intake-Workflow: Lebenslauf eingegangen, von einem KI-Node geparst, ins ATS geschrieben, Benachrichtigung an den Hiring Manager gesendet, Kalendereinladung erstellt -- 5 Nodes pro Durchlauf. Bei 500 wöchentlichen Bewerbungen betragen die aufgabenbasierten Kosten 2.500 Tasks pro Woche. Bei n8n sind es 500 Ausführungen. Bei 2.000 Bewerbungen pro Woche ist die aufgabenbasierte Plattform 5x teurer. Die Rechnung wird mit steigendem Volumen schlechter, nicht besser.

Cloud vs. Self-Hosted: Was die Entscheidung in der Praxis bedeutet#

n8n Cloud übernimmt Hosting und Infrastruktur. Pläne starten bei 20 $/Monat mit 2.500 Ausführungen pro Abrechnungszeitraum. Sie erhalten eine verwaltete Umgebung, automatische Updates und keinen Server, den Sie pflegen müssen. n8n Cloud läuft aus Frankfurt, EU, was für DSGVO-sensible Workloads relevant ist.

Self-Hosted n8n läuft auf Ihrer eigenen Infrastruktur -- einem VPS, einer Cloud-VM, einem On-Premise-Server. Es gibt keine Ausführungslimits und keine Lizenzgebühren. Sie zahlen für die Infrastruktur: typischerweise 20-100 $/Monat je nach Workload und Servergröße. Sie verwalten Updates, Backups und das Deployment selbst.

Für Compliance-sensible Umgebungen -- Gesundheitswesen, Recht, Finanzdienstleistungen -- ist Self-Hosting in der Regel die richtige Wahl, und ich komme im gesamten Leitfaden immer wieder darauf zurück, weil hier für die meisten unserer Kunden die eigentliche Entscheidung liegt. Ihre Workflow-Daten, einschließlich aller Patienten-, Mandanten- oder Finanzdaten, die durch das Ausführungsprotokoll von n8n fließen, verbleiben auf Ihrer Infrastruktur. Das ist relevant.

Warum wir n8n gegenüber anderen Automatisierungstools gewählt haben#

Ausführungsbasierte vs. aufgabenbasierte Preisgestaltung im großen Maßstab#

Bei dem Volumen, das produktive Kunden-Workflows erzeugen, werden aufgabenbasierte Preise zu einem echten Kostenfaktor. Wir haben dies für mehrere Kundenszenarien modelliert: eine Versicherungs-Intake-Pipeline, die 300 Schadensfälle pro Tag verarbeitet, ein Recruiting-Unternehmen, das 1.000 Bewerbungen pro Woche bearbeitet, eine Anwaltskanzlei, die 200 neue Kontaktformular-Einsendungen pro Monat bearbeitet. In jedem Fall ist das ausführungsbasierte Modell deutlich günstiger -- oft 5- bis 10-mal günstiger als vergleichbare aufgabenbasierte Plattformen bei diesen Volumina.

Native KI-Nodes: LangChain direkt in der Workflow-Ebene#

n8n liefert rund 70 KI-dedizierte Nodes, die auf dem LangChain-Framework aufbauen (Contabo, 2025). Das ist kein Nebenfeature. Es bedeutet, dass Sie einen Reasoning-Schritt in einen Workflow einfügen können, ohne Code zu schreiben und ohne eine separate API-Integration:

• AI Agent Node: Nimmt eine Aufgabe entgegen, ruft ein verbundenes LLM auf, nutzt Tools, liefert ein Ergebnis -- ein vollständiger agentischer Schritt innerhalb eines Workflow-Nodes
• Summarize Chain Node: Nimmt ein langes Dokument entgegen und liefert eine Zusammenfassung
• Retrieval-Augmented Generation (RAG) Nodes: Verbindet sich mit einem Vector Store, ruft relevanten Kontext ab und übergibt ihn an das Modell
• Memory Nodes: Hält den Konversationsstatus über mehrere Aufrufe hinweg aufrecht

Workflows, die früher einen benutzerdefinierten Python-Service erforderten, nur um einen KI-Reasoning-Schritt hinzuzufügen, können jetzt vollständig im n8n-Editor erstellt werden. Für Nicht-KI-Workflows, die einen einzigen KI-gestützten Schritt benötigen -- Schlüsselfelder aus einem Dokument extrahieren, ein Support-Ticket klassifizieren, einen Lead bewerten -- erledigen die KI-Nodes das, ohne einen zweiten Service warten zu müssen.

Das Self-Hosting-Argument für Compliance-sensible Umgebungen#

Für Kunden aus dem Gesundheitswesen, dem Rechtsbereich und den Finanzdienstleistungen stellen die Daten, die durch Workflows fließen, häufig ePHI, vertrauliche Mandantenkommunikation oder finanziell sensible Unterlagen dar. Self-Hosted n8n belässt diese Daten auf der eigenen Infrastruktur des Kunden. Die Ausführungsprotokolle, die Workflow-Ein- und -Ausgaben, die in n8n gespeicherten Anmeldedaten -- nichts davon verlässt das Netzwerk des Kunden.

n8n unterstützt die technischen Anforderungen für HIPAA-, DSGVO- und SOC-2-Compliance, wenn es korrekt deployed wird. Das Tool steht der Compliance nicht im Weg. Implementierung und Konfiguration müssen dennoch korrekt durchgeführt werden.

Code-Nodes: Wenn visuell nicht ausreicht#

n8n enthält einen Code-Node, der JavaScript oder Python akzeptiert. Wenn das visuelle Toolset eine Transformation, eine komplexe Parsing-Aufgabe oder eine benutzerdefinierte Integration nicht abdeckt, schreiben Sie den Code im Node. Der Workflow bleibt in n8n; Sie benötigen keinen separaten Function-Service.

Die meisten Workflows brauchen das nie. Für die, bei denen es nötig ist, steht es zur Verfügung.

Wie Sie einen Workflow in n8n erstellen: Eine praktische Anleitung#

Schritt 1: Den Prozess dokumentieren, bevor Sie den Editor öffnen#

Bevor Sie n8n öffnen, schreiben Sie die genauen Schritte des Prozesses auf: Was löst ihn aus, welche Daten bewegen sich, welche Systeme sind beteiligt und was soll das Ergebnis sein. Das dauert 30 Minuten und verhindert stundenlanges Umbauen mittendrin. Diesen Schritt auszulassen ist der häufigste Grund, warum ein Build doppelt so lange dauert.

Für einen Recruiting-Intake-Flow könnte das so aussehen: Neue Bewerbung über Typeform eingereicht -> Lebenslauf parsen -> Name, E-Mail, Fähigkeiten, Erfahrung extrahieren -> mit bestehenden ATS-Datensätzen abgleichen -> ATS-Datensatz erstellen oder aktualisieren -> Bewerbung anhand der Stellenanforderungen bewerten -> Hiring Manager mit Zusammenfassung benachrichtigen -> zur Kalender-Review-Warteschlange hinzufügen.

Schritt 2: Deployment wählen -- Self-Hosted oder Cloud#

Self-Hosted: Deployment über Docker mit docker run -it --rm --name n8n -p 5678:5678 n8nio/n8n. Umgebungsvariablen für die Datenbank setzen (SQLite für kleine Workloads, Postgres für Produktion), die Webhook-Basis-URL festlegen und den Verschlüsselungsschlüssel für Anmeldedaten konfigurieren.

Cloud: Erstellen Sie ein Konto auf n8n.io. Wählen Sie Ihre Cloud-Region. Sie sind innerhalb von Minuten einsatzbereit.

Wenn Ihre Daten Compliance-Anforderungen unterliegen -- HIPAA, DSGVO, SOC 2 -- ist Self-Hosting die richtige Wahl. Die Cloud ist schneller einsatzbereit, aber sobald ePHI oder vertrauliche Unterlagen durch einen Workflow fließen, ist die Frage, wo diese Daten liegen, relevant und im Nachhinein schwerer zu ändern.

Schritt 3: n8n installieren und konfigurieren#

Self-Hosted-Setup:

1. Docker-Container mit einem persistenten Datenvolumen deployen
2. DB_TYPE=postgresdb setzen und die Postgres-Verbindung für Produktions-Workloads konfigurieren (SQLite funktioniert für kleine Deployments und lokale Tests)
3. Umgebungsvariablen N8N_HOST, WEBHOOK_URL und N8N_ENCRYPTION_KEY setzen
4. Reverse-Proxy (nginx oder Traefik) für HTTPS konfigurieren
5. Automatisierte Backups für die Datenbank einrichten

n8n verschlüsselt gespeicherte Anmeldedaten im Ruhezustand. Der Verschlüsselungsschlüssel, den Sie beim Deployment setzen, ist der Schlüssel -- bewahren Sie ihn sicher auf und ändern Sie ihn nicht, nachdem die ersten echten Workflows gelaufen sind. Eine Rotation erfordert die erneute Eingabe aller Anmeldedaten.

Schritt 4: Ihren ersten Workflow erstellen und testen#

Öffnen Sie den visuellen Editor. Fügen Sie einen Trigger-Node hinzu -- Webhook, Schedule Trigger oder einen app-spezifischen Event-Trigger. Fügen Sie Action-Nodes für jeden Schritt Ihres dokumentierten Prozesses hinzu. Verbinden Sie sie nacheinander; fügen Sie IF-Nodes für bedingte Verzweigungen und Set-Nodes für Datentransformationen hinzu.

Verwenden Sie die Schaltfläche "Execute Step", um jeden Node einzeln zu testen, bevor Sie den gesamten Flow ausführen. Das ist der schnellste Weg zum Debuggen: einen Node nach dem anderen ausführen, die Ausgabe-JSON prüfen, die Datenstruktur bestätigen, bevor der nächste Node sie liest. Warten Sie nicht, bis der gesamte Workflow verdrahtet ist -- zu dem Zeitpunkt hat eine fehlerhafte Datenstruktur in Node 2 bereits vier nachgelagerte Probleme verursacht.

Schritt 5: Fehler und Randfälle behandeln#

Produktions-Workflows fallen aus. Die Frage ist, ob sie still oder sichtbar ausfallen.

• Fügen Sie dem Workflow einen Error-Trigger-Node hinzu -- er wird ausgelöst, wenn eine Ausführung fehlschlägt, und leitet an Ihren Fehlerbehandlungspfad weiter
• Fügen Sie Slack- oder E-Mail-Benachrichtigungs-Nodes im Fehlerpfad hinzu, damit Fehler sofort sichtbar werden
• Legen Sie Retry-Verhalten für HTTP-Request-Nodes bei vorübergehenden API-Fehlern fest
• Verwenden Sie IF-Nodes, um unerwartete Datenformate an eine menschliche Review-Warteschlange weiterzuleiten, anstatt den Workflow abstürzen zu lassen

Die teuersten Fehler sind diejenigen, die wie ein Erfolg aussehen. Eine Buchung, die nie erstellt wurde, eine E-Mail, die nie gesendet wurde, ein Datensatz, der nie aktualisiert wurde -- stille Fehler sind schlimmer als laute. Jeder Produktions-Workflow, den wir bauen, hat einen Fehlerpfad. Das ist nicht optional.

Schritt 6: KI-Nodes für agentische Schritte hinzufügen#

Verbinden Sie einen AI Agent Node. Konfigurieren Sie ihn mit LLM-Anmeldedaten (OpenAI, Anthropic Claude, Google Gemini, Mistral oder Ollama für lokale/selbst gehostete Modelle). Fügen Sie einen Memory-Node hinzu, wenn der Schritt Kontext aus früheren Interaktionen benötigt. Fügen Sie Tool-Nodes für alle Aktionen hinzu, die der Agent ausführen können soll.

Eine Sache, die Sie vorher wissen sollten: Saubere strukturierte Ausgaben von einem AI Agent Node zu erhalten, erfordert in der Regel 3-4 Prompt-Iterationen, nicht eine. Die erste Version wird entweder zu ausführlich sein oder Randfälle in der Eingabe übersehen. Planen Sie dafür Zeit ein -- das ist kein Zeichen dafür, dass n8n etwas falsch macht, sondern so funktioniert Prompt-Engineering in der Praxis.

In einem Legal-Intake-Workflow beispielsweise empfängt der AI Agent Node den Text der Formulareinreichung, klassifiziert die Art der Rechtsangelegenheit, extrahiert die wesentlichen Fakten und erstellt eine strukturierte Intake-Zusammenfassung, die der nächste Node aufgreift. Die Klassifizierung so hinzubekommen, dass sie mehrdeutige Einreichungen verarbeitet -- "Ich glaube, ich brauche Hilfe bei einem Vertragsstreit, aber vielleicht ist es Arbeitsrecht?" -- ist der Teil, der einige Iterationen braucht.

Schritt 7: In Produktion überwachen und iterieren#

n8n protokolliert jede Ausführung mit vollständiger Ein-/Ausgabe-Sichtbarkeit. Prüfen Sie nach der ersten Woche in Produktion das Ausführungsprotokoll:

• Fallen Workflows konsistent aus? An welchem Node?
• Dauern Workflows ungewöhnlich lange?
• Gibt es Datenformat-Variationen, die der Workflow nicht abfängt?

Die meisten Workflows durchlaufen 2-3 Korrekturzyklen, bevor sie zuverlässig im Volumen laufen. Das ist normal. Die Lücke zwischen "funktioniert im Test" und "verarbeitet alles, was von echten Nutzern kommt" ist der Bereich, in dem der Großteil der eigentlichen Arbeit steckt.

Echte n8n-Workflow-Beispiele aus unseren Projekten#

Recruiting: Vom Lebenslauf-Eingang bis zum ATS-Update in einem Flow#

Für ein Recruiting-Unternehmen: Neue Bewerbung landet im E-Mail-Posteingang -> Webhook löst n8n aus -> ein HTTP-Request-Node ruft den Lebenslauf-Parsing-Service auf -> geparste strukturierte Daten (Name, E-Mail, Fähigkeiten, Erfahrung, Ausbildung) gelangen an einen IF-Node, der prüft, ob der Kandidat bereits im ATS existiert -> wenn neu, wird der ATS-Datensatz erstellt; wenn vorhanden, wird er aktualisiert -> der AI Agent Node bewertet die Bewerbung anhand der Kriterien der Stelle -> eine Slack-Benachrichtigung sendet dem Hiring Manager eine strukturierte Zusammenfassung mit der Bewertung -> ein Calendar-Node erstellt einen Review-Termin.

Gesamtzahl der Nodes: 8. Personalaufwand pro Bewerbung: nahezu null. Vorheriger Prozess: manuelle E-Mail-Sichtung, Copy-Paste ins ATS, Slack-Nachricht von Hand.

Der kniffligste Teil dieses Builds war nicht die KI-Bewertung -- sondern der Lebenslauf-Parser. Lebensläufe kommen als PDF, Word, HTML und Klartext, alle unterschiedlich formatiert. Wir haben letztendlich Parse-Fehler an eine menschliche Review-Warteschlange weitergeleitet, anstatt den Workflow abstürzen zu lassen. Etwa 3 % der Einreichungen landen dort.

Versicherung: Vom eingehenden Anruf zur Schadensfall-Erstellung#

Für ein Versicherungs-Operations-Team verbindet der Flow einen Voice-KI-Agenten mit einem Schadenmanagement-System: Anruf endet -> Voice-Agent postet das Transkript und die extrahierten Felder (Name des Anspruchstellers, Policennummer, Schadensbeschreibung, Datum) an einen Webhook -> n8n empfängt die Daten -> ein AI Agent Node validiert die extrahierten Felder und markiert Unklarheiten für menschliche Prüfung -> ein HTTP-Request-Node erstellt den Schadensfall-Datensatz -> ein HTTP-Request-Node sendet eine Bestätigungs-SMS an den Anspruchsteller -> ein Slack-Alert geht an den Kanal der Sachbearbeiter.

Der Schadensfall-Datensatz existiert innerhalb von 30 Sekunden nach Gesprächsende. Der Sachbearbeiter erhält eine strukturierte Zusammenfassung, kein rohes Transkript.

Ein ehrlicher Hinweis: Voice-KI-Transkripte sind unordentlicher, als sie in Demos wirken. Überlappende Sprache, Hintergrundgeräusche und nicht-standardmäßige Aussprachen bedeuten, dass der AI Agent Node viele partielle oder mehrdeutige Feldwerte verarbeiten muss. Wir haben einen Validierungsschritt eingebaut, der Felder mit geringer Konfidenz für menschliche Prüfung markiert, bevor der Datensatz erstellt wird. Ohne das bekam der Sachbearbeiter Datensätze mit falschen Policennummern.

Recht: Vom neuen Kontaktformular zur Fallverwaltung und Kalendereinladung#

Für eine Anwaltskanzlei: Kontaktformular-Einsendung -> Webhook an n8n -> ein AI Agent Node klassifiziert die Art der Rechtsangelegenheit (Personenschaden, Nachlassplanung, Familienrecht, Sonstiges) und extrahiert die wesentlichen Fakten -> IF-Nodes leiten basierend auf der Art der Angelegenheit an die Intake-Warteschlange des zuständigen Anwalts weiter -> das Fallverwaltungssystem der Kanzlei erhält per API einen neuen Vorgangsdatensatz -> der Kalender des Anwalts erhält einen 15-minütigen Intake-Review-Termin -> eine automatisierte E-Mail geht mit den nächsten Schritten an den potenziellen Mandanten.

Reaktionszeit von der Formular-Einsendung bis zur Folge-E-Mail: unter zwei Minuten.

n8n selbst hosten: Was es tatsächlich bedeutet#

Infrastrukturanforderungen und monatliche Kostenrealität#

Self-Hosted n8n läuft für leichte Workloads komfortabel auf einem kleinen VPS: 2 vCPU, 2 GB RAM, 20 GB SSD. Das kostet bei den meisten Cloud-Anbietern 6-12 $/Monat.

Für Produktions-Workloads mit gleichzeitigen Ausführungen, externem Webhook-Volumen und KI-Node-Aufrufen: 4 vCPU, 8 GB RAM, 50 GB SSD. Das kostet je nach Anbieter und Region 20-60 $/Monat.

Postgres als Datenbank kostet ein paar Dollar zusätzlich, wenn Sie es auf demselben Server betreiben, oder 10-30 $/Monat für eine verwaltete Datenbankinstanz. Die gesamten Infrastrukturkosten für ein produktives n8n-Deployment liegen irgendwo zwischen 20 und 100 $/Monat. Für die meisten Kunden amortisieren sich die Einsparungen gegenüber einer aufgabenbasierten SaaS bereits im ersten Monat.

Was Datensouveränität für HIPAA-, DSGVO- und SOC-2-Umgebungen bedeutet#

Wenn n8n auf Ihrer Infrastruktur läuft, verlassen die durchfließenden Daten -- Ausführungsprotokolle, Eingabe-Payloads, Ausgabeergebnisse, im Vault gespeicherte Anmeldedaten -- niemals Ihr Netzwerk.

Für Kunden im Gesundheitswesen werden Patientendaten, die durch Intake-Workflows fließen, innerhalb der Umgebung der verantwortlichen Stelle verarbeitet. Für Mandanten im Rechtsbereich bleiben Mandantenvorgangsdaten innerhalb der Kanzlei-Infrastruktur. Für Finanzdienstleister verbleiben Transaktionsdaten, die der SEC Regulation S-P unterliegen, in einer kontrollierten Umgebung.

Self-Hosted n8n unterstützt die technischen Voraussetzungen für HIPAA, DSGVO und SOC 2. Sie benötigen dennoch eine korrekte Konfiguration: Verschlüsselung, Zugriffskontrollen, Audit-Logging, Netzwerksegmentierung und einen BAA mit Ihrem Hosting-Anbieter für HIPAA. Self-Hosting ist notwendig, aber nicht hinreichend -- die Konfiguration muss dennoch korrekt erfolgen.

Was Silverthread Labs beim n8n-Deployment für Kunden übernimmt#

Wenn wir n8n für einen Kunden deployen, übernehmen wir Infrastruktur-Bereitstellung und -Härtung, Docker-Konfiguration mit Postgres und ordnungsgemäßem Backup-Setup, SSL/TLS, Webhook-URL-Konfiguration, Credential-Vault-Einrichtung, initiale Workflow-Erstellung, Fehlerbehandlung und Alerting sowie Dokumentation für das Operations-Team des Kunden.

Für Compliance-sensible Deployments ergänzen wir Netzwerksegmentierungs-Design, Verschlüsselungsprüfung, Zugriffskontroll-Konfiguration und Compliance-Dokumentation.

n8n und agentische KI: Mehr als Datenpipelines#

Der AI Agent Node: Reasoning innerhalb eines Workflow-Schritts#

Die meisten n8n-Tutorials behandeln das Tool als Datenpipeline: Events lösen Aktionen aus, Daten werden zwischen Schritten transformiert, Benachrichtigungen gehen raus. Das deckt die meisten Anwendungsfälle ab. Was weniger Beachtung findet, ist der AI Agent Node, der einen Reasoning-Schritt in den Workflow einfügt -- tatsächliche Entscheidungen, nicht nur Datenbewegung.

Ein AI Agent Node empfängt eine Aufgabe, eine Reihe verfügbarer Tools und optionalen Kontext. Er ruft das LLM auf, um zu entscheiden, was zu tun ist, nutzt die ihm bereitgestellten Tools (einen Datenbank-Datensatz lesen, eine API aufrufen, eine Datei schreiben), bewertet das Ergebnis und liefert eine strukturierte Ausgabe, die der nächste Workflow-Node aufgreift.

Eine Datenpipeline folgt fester Logik. Ein Agent-Node liest die Situation und entscheidet. Dieser Unterschied ist relevant, wenn die Eingabe unstrukturiert ist oder die richtige Aktion von Kontext abhängt, den ein einfacher IF-Node nicht erfassen kann.

LangChain-Nodes: Chains, Memory und Retrieval#

Die rund 70 KI-Nodes von n8n basieren auf dem LangChain-Framework. Sie können mehrstufige Reasoning-Chains erstellen, Vector Stores für Retrieval-Augmented Generation anbinden, Konversations-Memory über Sitzungen hinweg aufrechterhalten und Modelle komponieren -- alles innerhalb des Workflow-Editors, ohne LangChain-Code direkt zu schreiben.

Für Workflows, die über einen Dokumentenkorpus nachdenken müssen -- juristische Rechtsprechung, Versicherungspolicen-Datenbanken, medizinische Fachliteratur -- rufen RAG-Nodes relevanten Kontext ab, bevor der AI Agent Node seine Ausgabe produziert. Das Ergebnis ist in realen Daten verankert, nicht in Modell-Spekulationen. Das ist der Unterschied zwischen "Geben Sie mir eine Zusammenfassung dieses Schadenstyps" und "Finden Sie die drei relevantesten Präzedenzfälle und erklären Sie, wie sie zutreffen."

Wann ein KI-Schritt sinnvoll ist -- und wann es deterministisch bleiben sollte#

Nicht jeder Workflow braucht einen KI-Node. Wenn die Logik regelbasiert und die Eingaben strukturiert sind -- wenn der Status "ausstehend" ist, dann an Warteschlange A weiterleiten, ansonsten an Warteschlange B -- ist ein deterministischer IF-Node schneller, günstiger und vorhersagbarer.

Fügen Sie einen KI-Node hinzu, wenn die Eingabe unstrukturiert ist (Freitext, Dokumente, Sprachtranskripte), wenn die Klassifizierung Urteilsvermögen über viele mögliche Kategorien erfordert, wenn Sie Inhalte generieren müssen (Zusammenfassungen, Antworten, Entwürfe für Kommunikation) oder wenn die richtige Aktion von Kontext abhängt, den einfache bedingte Regeln nicht erfassen können.

Im Zweifel starten Sie deterministisch und fügen KI erst hinzu, wenn die regelbasierte Version an realen Eingaben scheitert.

Wann Sie selbst auf n8n bauen sollten -- und wann Sie Hilfe hinzuziehen#

Was eine fähige Operations-Person ohne Entwickler aufbauen kann#

Mit etwas Zeit und Experimentierfreude kann eine technisch versierte Operations-Person n8n-Workflows für folgende Szenarien selbst erstellen und pflegen:

• Einfache Datensynchronisierungs-Workflows (neues Formular eingereicht -> CRM-Datensatz erstellt)
• Benachrichtigungs-Workflows (Event in System A -> Slack-Nachricht mit Details)
• Geplante Report-Workflows (tägliche Abfrage -> formatierte E-Mail)
• Einfache Freigabe-Workflows (Formular eingereicht -> Prüf-E-Mail gesendet -> Freigabe aktualisiert Datensatz)

Der visuelle Editor ist wirklich zugänglich. Die Dokumentation von n8n ist gut. Das Community-Forum ist aktiv, und in der Regel hat bereits jemand genau das Problem gelöst, vor dem Sie stehen.

Wo Workflows technisch komplex werden#

Komplexität tritt tendenziell an denselben Stellen auf.

API-Authentifizierung ist die erste Hürde, an der die meisten scheitern: OAuth2-Flows, Token-Refresh, anbieterspezifische Authentifizierungsmuster, die in der Dokumentation nicht vollständig erklärt sind. Fehlerbehandlung im großen Maßstab ist die zweite: Retries, Dead-Letter-Queues, Randfälle an menschliche Prüfung weiterleiten, ohne den Datensatz zu verlieren. Datentransformation wird mühsam, wenn Sie unregelmäßige Formate parsen oder zwischen APIs mit unterschiedlichen Schemas mappen.

KI-Node-Design ist eine eigene Disziplin. Prompt-Engineering für agentische Nodes, Tool-Schema-Design, Memory-Verwaltung über Aufrufe hinweg -- das erfordert Iteration, die Zeit braucht. Compliance-Konfiguration -- Verschlüsselung, Audit-Logging, Zugriffskontrolle, BAA-Dokumentation -- ist Engineering-Arbeit, nicht Konfigurationsarbeit. Und Multi-Workflow-Orchestrierung, bei der Workflows Sub-Workflows aufrufen und Zustand zwischen parallelen Pfaden weitergeben, ist Architektur, nicht Setup.

Wenn Sie an diese Grenzen stoßen, dann ist der Zeitpunkt gekommen, jemanden hinzuzuziehen, der diese Herausforderungen bereits gemeistert hat.

Was ein Workflow-Audit beinhaltet, bevor wir mit einem Build beginnen#

Bevor wir mit dem Bauen beginnen, führen wir eine kurze Prozessanalyse durch: Was löst den Workflow aus, welche Daten fließen hindurch, welche Systeme müssen angebunden werden, welche Fehlermodi gibt es und welche Compliance-Anforderungen gelten. Das dauert 1-2 Stunden. Es verhindert den häufigsten Fehlermodus -- einen Workflow zu bauen, der den Standardfall abdeckt und an den Ausnahmen scheitert, die 20 % des tatsächlichen Volumens ausmachen.

Wenn Sie sich fragen, ob Ihr Automatisierungs-Anwendungsfall gut zu n8n passt, ist ein kostenloses Automatisierungs-Audit der richtige Ausgangspunkt.

FAQ#

Ist n8n wirklich kostenlos? Self-Hosted n8n ist kostenlos -- keine Ausführungslimits, keine Lizenzgebühren. Sie zahlen für die Infrastruktur, typischerweise 20-100 $/Monat je nach Workload und Servergröße. Die Cloud-Pläne von n8n starten bei 20 $/Monat mit 2.500 Ausführungen pro Abrechnungszeitraum. Ob "kostenlos" zutreffend ist, hängt davon ab, ob Sie Ihre eigene Engineering-Zeit für die Wartung des Deployments einrechnen.

Wie zählt n8n Ausführungen? n8n zählt eine Ausführung pro Workflow-Durchlauf, unabhängig davon, wie viele Nodes im Workflow enthalten sind. Ein 10-Node-Workflow, der 1.000-mal ausgelöst wird, verbraucht 1.000 Ausführungen. Aufgabenbasierte Plattformen zählen pro Node pro Durchlauf -- derselbe Workflow registriert 10.000 Tasks. Bei Volumen ist diese Differenz das gesamte Kostenargument für n8n (Digidop, 2025).

Kann n8n Systeme anbinden, die keine native Integration haben? Ja. Der HTTP-Request-Node von n8n verbindet sich mit jeder REST-API. Wenn ein System eine API hat -- selbst eine private interne -- kann n8n damit kommunizieren. Native Integrationen (~1.000) decken die gängigsten Apps ab; der HTTP-Node deckt alles andere ab.

Ist Self-Hosted n8n HIPAA-konform? Self-Hosting gibt Ihnen die Kontrolle darüber, wo Patientendaten gespeichert und verarbeitet werden -- sie verlassen niemals Ihre Infrastruktur. Das ist die Voraussetzung für HIPAA-Compliance. Sie müssen dennoch Verschlüsselung, Zugriffskontrollen und Audit-Logging korrekt konfigurieren, und Sie benötigen einen BAA mit Ihrem Hosting-Anbieter. Das Tool unterstützt die Anforderungen; die Konfiguration muss dennoch korrekt erfolgen.

Welche KI-Modelle kann n8n anbinden? Die KI-Nodes von n8n unterstützen OpenAI, Anthropic Claude, Google Gemini, Mistral, Ollama (für lokale/selbst gehostete Modelle) und weitere über die LangChain-Integrationsschicht. Sie können Modelle verketten, Retrieval-Augmented Generation hinzufügen und Konversations-Memory aufrechterhalten -- alles als Nodes innerhalb eines Standard-Workflows.

Wie unterscheidet sich n8n von Make oder Zapier? Der Hauptunterschied liegt in der Abrechnung. n8n rechnet pro Ausführung ab (eine pro Workflow-Durchlauf); Make und Zapier rechnen pro Operation oder Task ab (eine pro Node pro Durchlauf). Im großen Maßstab ist n8n deutlich günstiger. n8n bietet zudem Self-Hosting und eine tiefere native KI-/LangChain-Integration als beide Alternativen. Zapier hat den umfangreichsten App-Katalog (~8.000 Integrationen); Make ist für nicht-technische Nutzer ausgereifter. Für Engineering-Teams, die Automatisierung auf sensiblen Daten in großem Volumen aufbauen, ist n8n die stärkere technische Wahl.