Bedrijfsprocessen automatiseren met n8n (en waar AI in beeld komt)
n8n automatiseert processen self-hosted in de EU. Waar AI helpt, waar het fragiel wordt, en wanneer eigen engineering nodig is.
Vertaling automatisch gegenereerd met AI. De Duitse versie is het redactioneel gecontroleerde origineel.
n8n is voor het mkb vooral om één reden interessant: u kunt het op uw eigen server in de EU draaien en zo processen automatiseren zonder dat data het pand verlaten. Dat is de AVG-hefboom die de meeste Amerikaanse SaaS-tools niet bieden.
Het eerlijke deel komt daarna. n8n neemt u de bekabeling van bedrijfsprocessen uit handen, en met de AI-nodes komt er echte taalverwerking bij. Zodra er echter een taalmodel in het spel is, wordt het proces niet meer deterministisch, en precies daar wordt bepaald of een automatisering in de praktijk standhoudt. Dit artikel laat beide zien: wat n8n goed kan, en waar de grens naar echte engineering ligt.
01. Wat n8n eigenlijk is
n8n is een op nodes gebaseerd platform voor workflow-automatisering. U bouwt een proces visueel op uit nodes en kunt op elk punt eigen code in JavaScript of Python toevoegen.
🔸 Self-hosted of cloud. Het doorslaggevende punt voor het mkb: n8n draait als Docker-container op uw eigen infrastructuur. Verwerking en data blijven in uw eigen netwerk, het bedrijf blijft alleen verantwoordelijke.
🔸 Meer dan 400 integraties plus een HTTP-node voor elke gewenste REST-interface. Wat er niet als kant-en-klare node is, koppelt u zelf aan.
🔸 Fair-code, niet klassiek open source. De Sustainable Use License staat intern zakelijk gebruik gratis toe. Verboden is n8n als gehost product aan derden door te verkopen. Voor klassiek eigen gebruik is dat niet kritiek, maar voor een technisch publiek is het belangrijk dit correct te benoemen.
Wie nog moet beslissen of AI überhaupt lokaal moet draaien, vindt de afweging in On-premise versus cloud-LLM.
02. Hoe n8n bedrijfsprocessen automatiseert
Het opzet is altijd hetzelfde: een trigger start het proces, daarna lopen de nodes stap voor stap.
🔸 Trigger: webhook, tijdschema, een app-gebeurtenis zoals een nieuwe e-mail of een nieuwe CRM-invoer, een verzonden formulier.
🔸 Nodes: app-integraties, HTTP-aanroepen, database-query's, logica zoals IF en Switch, datatransformatie.
In de praktijk zien we in het mkb steeds weer dezelfde patronen:
| Toepassing | n8n-mechaniek | Waar AI helpt |
|---|---|---|
| Lead-routing | Formulier-trigger naar CRM naar Teams-melding | Agent kwalificeert en vat de lead samen |
| Factuurontvangst | E-mailtrigger naar extractie naar ERP | LLM leest velden uit de PDF, herkent het documenttype |
| CRM-afstemming | Tijdschema naar wederzijdse API-nodes | LLM normaliseert en dedupliceert vrije tekst |
| Rapportage | Tijdschema naar database naar e-mail | LLM schrijft de managementsamenvatting |
Dat is dezelfde logica waarmee wij onze eigen Event Scout-microapp hebben gebouwd, voordat we besloten wat echte engineering verdiende.
03. Waar AI in beeld komt
n8n heeft AI niet aangeplakt, maar geïntegreerd als een eigen node-familie op basis van LangChain.
🔸 AI Agent Node. Een volwaardige agent met tool-aanroepen, geheugen en een iteratieve reasoning-lus, niet alleen een promptveld. De agent krijgt andere nodes of workflows als tools.
🔸 RAG over eigen documenten. Sinds versie 1.74.0 in januari 2025 kunt u vectorstores zoals Qdrant, Weaviate of pgvector rechtstreeks als tool voor de agent koppelen. Zo antwoordt het systeem op basis van uw eigen documenten, niet vanuit de algemene modelkennis. Wat RAG precies is, hebben we uitgelegd in Wat is RAG.
🔸 Lokale modellen. Via de Ollama-koppeling draait de inferentie op uw eigen hardware. Self-hosted n8n plus een lokaal model levert een volledig private AI-stack op zonder doorgifte naar een derde land. Welke hardware dat realistisch kost, staat in Lokaal LLM in het bedrijf.
Wat goed werkt: classificatie, extractie, routing, RAG, eenvoudige agenten. Fragiel wordt het bij lange, meerstaps agentenketens en bij de reproduceerbaarheid van modeluitvoer.
04. Grenzen, en wanneer het richting engineering kantelt
Een paar punten die wij klanten vooraf meegeven:
🔸 Determinisme en foutopsporing. Een AI-stap levert bij dezelfde invoer niet per se dezelfde uitvoer. Het debuggen van lange agent-workflows is bewerkelijk.
🔸 Versiebeheer. Workflows leven in de database. Nette, Git-gebaseerde review is niet de native standaard, maar eerder iets voor de enterprise-functies.
🔸 Schaling. De single-server-modus loopt bij veel parallelle webhooks tegen zijn grenzen aan. Voor productie is de queue-modus met aparte workers nodig.
🔸 Onderhoud. Self-hosted betekent: updates, beveiligingspatches, back-ups en monitoring liggen bij u.
Richting echte engineering kantelt het zodra bedrijfskritische, deterministische logica, hoge transactievolumes, strikte service levels of multi-agent-gebruik in continu bedrijf nodig zijn. Dan zijn tests, CI/CD en observability nodig, niet alleen kliks in de editor. De hardening-release n8n 2.0 van januari 2026 heeft hierop ingespeeld, met geïsoleerde code-uitvoering en stabieler gedrag onder belasting.
05. Hoe wij n8n bij iiterate inschatten
Wij zetten n8n graag in voor precies waar het sterk in is: interne processen snel automatiseren, AI daar aankoppelen waar het een stap echt beter maakt, en dat geheel AVG-conform in eigen huis draaien.
De fout die we het vaakst zien, is een werkend proces verwarren met een productierijp systeem. Voor interne, goed te tolereren processen is n8n vaak het volledige antwoord. Zodra het proces bedrijfskritisch wordt, is n8n de snelste manier om het juiste proces te vinden, en het punt waarop wij het beproefde pad omzetten naar eigen engineering. Waar AI in het mkb over de hele linie zinvol is, hebben we samengevat in AI-oplossingen voor het mkb.
