Tools
·
4 MIN
Geschäftsprozesse mit n8n automatisieren (und wo KI ins Spiel kommt)
n8n automatisiert Prozesse self-hosted in der EU. Wo KI hilft, wo es fragil wird, und wann eigenes Engineering nötig ist.
LOCATION
Rheinland-Pfalz
SERIES
AI Tooling & Dev Harnesses
AUTHOR
Aashwin Shrivastava
PUBLISHED
n8n ist für den Mittelstand vor allem aus einem Grund interessant: Sie können es auf Ihrem eigenen Server in der EU betreiben und damit Prozesse automatisieren, ohne dass Daten das Haus verlassen. Das ist der DSGVO-Hebel, den die meisten US-SaaS-Werkzeuge nicht bieten.
Der ehrliche Teil kommt danach. n8n nimmt Ihnen die Verkabelung von Geschäftsprozessen ab, und mit den KI-Knoten kommt echte Sprachverarbeitung dazu. Sobald aber ein Sprachmodell im Spiel ist, wird der Ablauf nicht mehr deterministisch, und genau da entscheidet sich, ob eine Automatisierung im Alltag trägt. Dieser Beitrag zeigt beides: was n8n gut kann, und wo die Grenze zum echten Engineering verläuft.
01.
Was n8n eigentlich ist
n8n ist eine node-basierte Plattform für Workflow-Automatisierung. Sie bauen einen Ablauf visuell aus Knoten zusammen und können an jeder Stelle eigenen Code in JavaScript oder Python ergänzen.
🔸 Self-hosted oder Cloud. Der entscheidende Punkt für den Mittelstand: n8n läuft als Docker-Container auf Ihrer eigenen Infrastruktur. Verarbeitung und Daten bleiben im eigenen Netz, das Unternehmen bleibt alleiniger Verantwortlicher.
🔸 Über 400 Integrationen plus ein HTTP-Knoten für jede beliebige REST-Schnittstelle. Was es nicht als fertigen Knoten gibt, binden Sie selbst an.
🔸 Fair-Code, nicht klassisch Open Source. Die Sustainable Use License erlaubt den internen Geschäftseinsatz kostenlos. Untersagt ist, n8n als gehostetes Produkt an Dritte weiterzuverkaufen. Für den klassischen Eigenbedarf ist das unkritisch, für ein technisches Publikum aber wichtig, sauber zu benennen.
Wer noch entscheidet, ob KI überhaupt lokal laufen soll, findet die Abwägung in On-Premise gegen Cloud-LLM.
02.
Wie n8n Geschäftsprozesse automatisiert
Der Aufbau ist immer gleich: Ein Trigger startet den Ablauf, danach laufen Knoten Schritt für Schritt.
🔸 Trigger: Webhook, Zeitplan, ein App-Ereignis wie eine neue E-Mail oder ein neuer CRM-Eintrag, ein abgesendetes Formular.
🔸 Knoten: App-Integrationen, HTTP-Aufrufe, Datenbank-Abfragen, Logik wie IF und Switch, Datentransformation.
In der Praxis sehen wir im Mittelstand immer wieder dieselben Muster:
Anwendungsfall | n8n-Mechanik | Wo KI hilft |
|---|---|---|
Lead-Routing | Formular-Trigger zu CRM zu Teams-Hinweis | Agent qualifiziert und fasst den Lead zusammen |
Rechnungs-Eingang | E-Mail-Trigger zu Extraktion zu ERP | LLM liest Felder aus dem PDF, erkennt den Belegtyp |
CRM-Abgleich | Zeitplan zu beidseitigen API-Knoten | LLM normalisiert und dedupliziert Freitext |
Reporting | Zeitplan zu Datenbank zu E-Mail | LLM schreibt die Management-Zusammenfassung |
Das ist die gleiche Logik, mit der wir unsere eigene Event-Scout-Micro-App gebaut haben, bevor wir entschieden haben, was echtes Engineering verdient.
03.
Wo KI ins Spiel kommt
n8n hat KI nicht angeklebt, sondern als eigene Knoten-Familie auf Basis von LangChain integriert.
🔸 AI Agent Node. Ein vollwertiger Agent mit Werkzeugaufrufen, Gedächtnis und einer iterativen Reasoning-Schleife, nicht nur ein Prompt-Feld. Der Agent bekommt andere Knoten oder Workflows als Werkzeuge.
🔸 RAG über eigene Dokumente. Seit Version 1.74.0 im Januar 2025 lassen sich Vektorstores wie Qdrant, Weaviate oder pgvector direkt als Agenten-Werkzeug einbinden. Damit antwortet das System auf Basis Ihrer Unterlagen, nicht aus dem allgemeinen Modellwissen. Was RAG genau ist, haben wir in Was ist RAG erklärt.
🔸 Lokale Modelle. Über die Ollama-Anbindung läuft die Inferenz auf Ihrer eigenen Hardware. Self-hosted n8n plus ein lokales Modell ergibt einen vollständig privaten KI-Stack ohne Drittland-Transfer. Welche Hardware das realistisch kostet, steht in Lokales LLM im Unternehmen.
Was gut funktioniert: Klassifikation, Extraktion, Routing, RAG, einfache Agenten. Fragil wird es bei langen, mehrstufigen Agenten-Ketten und bei der Reproduzierbarkeit von Modell-Ausgaben.
04.
Grenzen, und wann es Richtung Engineering kippt
Ein paar Punkte, die wir Kunden vor dem Start nennen:
🔸 Determinismus und Fehlersuche. Ein KI-Schritt liefert bei gleicher Eingabe nicht zwingend dieselbe Ausgabe. Das Debuggen langer Agenten-Abläufe ist mühsam.
🔸 Versionierung. Workflows leben in der Datenbank. Sauberes, Git-basiertes Review ist nicht der native Standard, sondern eher Sache der Enterprise-Funktionen.
🔸 Skalierung. Der Single-Server-Modus gerät bei vielen parallelen Webhooks an seine Grenzen. Produktiv braucht es den Queue-Modus mit separaten Workern.
🔸 Wartung. Self-hosted heißt: Updates, Sicherheits-Patches, Backups und Monitoring liegen bei Ihnen.
Richtung echtes Engineering kippt es, sobald geschäftskritische, deterministische Logik, hohe Transaktionsmengen, strenge Service-Level oder Multi-Agenten-Betrieb im Dauerlauf gefragt sind. Dann braucht es Tests, CI/CD und Observability, nicht nur Klicks im Editor. Das Hardening-Release n8n 2.0 vom Januar 2026 hat hier nachgelegt, mit isolierter Code-Ausführung und stabilerem Verhalten unter Last.
05.
Wie wir n8n bei iiterate einordnen
Wir setzen n8n gern für genau das ein, wofür es stark ist: interne Abläufe schnell automatisieren, KI dort andocken, wo sie einen Schritt wirklich besser macht, und das Ganze DSGVO-konform im eigenen Haus betreiben.
Der Fehler, den wir am häufigsten sehen, ist, einen funktionierenden Ablauf mit einem produktionsreifen System zu verwechseln. Für interne, gut tolerierbare Prozesse ist n8n oft die ganze Antwort. Sobald der Prozess geschäftskritisch wird, ist n8n der schnellste Weg, den richtigen Ablauf zu finden, und der Punkt, an dem wir den bewährten Pfad in eigenes Engineering überführen. Wo KI im Mittelstand insgesamt sinnvoll ansetzt, haben wir in KI-Lösungen für den Mittelstand zusammengefasst.
