Irgendwann habe ich aufgehört, meine Inbox manuell zu sortieren. Nicht weil ich es aufgegeben hatte, sondern weil ein Algorithmus es besser konnte als ich.
Das war vor etwa acht Monaten. Seitdem laufen fünf KI-Agenten auf meiner kleinen n8n-Instanz auf Hetzner - 24 Stunden am Tag, sieben Tage die Woche, für unter 4 Euro im Monat. Sie triagieren meine E-Mails, repurposen meine Blogartikel in fünf Formate, erstellen Kunden-Briefings aus einer URL, erinnern Kunden an offene Rechnungen und beobachten, was meine Mitbewerber gerade machen.
Dieser Artikel zeigt dir, wie das funktioniert. Nicht theoretisch, sondern mit den konkreten n8n-Nodes, die ich tatsächlich verwende.
Was n8n KI-Agenten können - und warum sie anders sind als normale Automatisierungen
Der Unterschied: Klassische Workflows folgen Regeln, KI-Agenten treffen Entscheidungen
Ein klassischer n8n-Workflow ist wie ein Schaltplan: Wenn A passiert, dann B. Wenn B wahr ist, dann C, sonst D. Das ist mächtig für vorhersehbare Prozesse, aber es scheitert sofort, wenn die Eingabe variiert.
Eine E-Mail von einem neuen Kunden sieht jedes Mal anders aus. Manchmal fragt jemand nach einem Angebot, manchmal nach meinem Stundensatz, manchmal meldet sich ein früherer Kunde mit einem neuen Projekt. Ein regelbasierter Workflow kann das nicht zuverlässig unterscheiden.
Ein KI-Agent kann das. Er liest die E-Mail, versteht den Kontext, entscheidet sich für eine Kategorie und wählt dann das passende Verhalten. Technisch gesehen nutzt n8n dafür den AI Agent Node, der im Hintergrund ein Sprachmodell (Claude oder GPT-4o) mit einer Reihe von "Werkzeugen" ausstattet: HTTP-Requests, Datenbankabfragen, Slack-Nachrichten, Kalendereinträge. Das Modell entscheidet selbst, welches Werkzeug es wann einsetzt.
Das ist der Unterschied zu Make.com oder Zapier: Nicht die Automatisierung trifft die Entscheidung, sondern das Modell. Für einen tieferen Einstieg in das Konzept empfehle ich meinen Artikel über KI-Agenten für Solopreneure - dort erkläre ich Tool-Calling und das Grundprinzip ausführlicher.
n8n vs. Zapier vs. Make: Warum DSGVO-bewusste Freelancer n8n wählen
Die kurze Antwort: Weil n8n in Berlin gegründet wurde, selbst gehostet werden kann und damit unter deine vollständige Kontrolle fällt.
Zapier verarbeitet deine Daten auf US-Servern. Make hat Server in der EU, aber du hast keinen physischen Zugriff auf die Daten. n8n selbst gehostet bedeutet: Deine Workflow-Logs, deine Kundendaten, deine E-Mail-Inhalte bleiben auf einem Server, den du allein kontrollierst - in diesem Fall auf Hetzner in Deutschland.
Den ausführlichen Vergleich aller drei Tools mit Preistabellen findest du in meinem n8n vs. Make Vergleich. Hier zur Übersicht:
| n8n Self-Hosted | n8n Cloud | Make Core | Zapier Professional | |
|---|---|---|---|---|
| Preis/Monat | ~4 EUR (Server) | 24 EUR | 10,59 EUR | 49 USD |
| Datenstandort | Deutschland (Hetzner) | Frankfurt (EU) | EU | USA |
| KI-Agent Node | ja | ja | begrenzt | begrenzt |
| Ausführungen | unbegrenzt | 2.500 | 10.000 | 2.000 |
| DSGVO-Kontrolle | vollständig | gut | gut | eingeschränkt |
n8n 2.0: Was sich seit Ende 2025 geändert hat
Im November 2025 hat n8n die Version 2.0 veröffentlicht. Das klingt dramatischer als es ist, aber ein paar Änderungen sind für den täglichen Betrieb relevant.
Draft- und Publish-System. Das nervigste Problem bei früheren Versionen: Wenn du einen laufenden Workflow bearbeitet hast, war er sofort aktiv. Ein Tippfehler im System-Prompt des Agenten und er schickt falsche Antworten an deine Kunden. Jetzt gibt es einen Draft- und einen Live-Zustand. Du arbeitest im Draft, testest, und veröffentlichst erst wenn alles stimmt.
Autosave. Klingt trivial, hat mir aber bereits zweimal mehrstündige Arbeit gespart. n8n speichert automatisch im Draft-Modus.
Task Runners. Alle Code-Nodes (JavaScript, Python) laufen jetzt in einer isolierten Sandbox. Das verbessert die Sicherheit erheblich - besonders wenn du Code-Nodes für Datenverarbeitung nutzt.
Verbesserte Human-in-the-Loop-Unterstützung. In der alten Version war es schwierig, einen Agenten zu pausieren und auf eine menschliche Entscheidung zu warten. Der Agent lief einfach weiter oder timed aus. Jetzt können Agenten warten - zum Beispiel auf eine Slack-Genehmigung - und setzen danach nahtlos fort.
So richtest du deinen ersten n8n KI-Agenten ein
Schritt 1: n8n auf Hetzner CX23 installieren
Hetzner ist die erste Wahl für n8n-Selbst-Hosting in Deutschland. Der CX22 wurde Anfang 2026 durch den CX23 ersetzt (2 vCPUs, 4 GB RAM, 40 GB SSD) zu 3,99 EUR/Monat.
Das reicht für 50.000+ Ausführungen pro Monat - weit mehr als du als Freelancer brauchst.
Die Schritte in Kurzform (detaillierte Anleitung gibt es in meinem n8n vs. Make Artikel):
- Neuen Server bei Hetzner Cloud erstellen - Ubuntu 24.04, CX23
- SSH-Verbindung herstellen, Docker und Docker Compose installieren
docker-compose.ymlfür n8n anlegen (offizielle Vorlage von docs.n8n.io/hosting/installation/server-setups/hetzner)- Domain auf die Hetzner-IP zeigen lassen, HTTPS über Caddy oder Traefik einrichten
- n8n unter deiner Domain erreichbar, Login-Daten setzen - fertig
Das dauert bei einem ruhigen Nachmittag etwa 30-45 Minuten. Kein tiefes Serverwissen nötig, aber etwas Terminal-Erfahrung hilft.
Schritt 2: OpenAI oder Claude als KI-Modell verbinden
Im n8n-Interface gehst du zu Credentials und legst entweder einen OpenAI-API-Key oder einen Anthropic-API-Key an. Beide funktionieren als Grundlage für den AI Agent Node.
Meine Empfehlung für Freelancer-Workflows:
- Claude Haiku 4.5 für einfache Klassifizierungen (E-Mail-Kategorisierung, kurze Zusammenfassungen): schnell, günstig, präzise
- Claude Sonnet 4.5 für komplexere Agents mit mehreren Tool-Calls: besser bei Entscheidungsketten
- GPT-4o Mini als Alternative, wenn du OpenAI bevorzugst
Die Kosten pro Workflow-Ausführung liegen bei Claude Haiku meist unter 0,01 EUR. Bei 200 täglichen E-Mails komme ich auf ca. 1-2 EUR pro Monat für API-Kosten.
Schritt 3: Dein erstes KI-Agenten-Workflow testen
Bevor du irgendeinen der folgenden Workflows produktiv schaltest: Nutze den n8n-eigenen Workflow Tester. Du kannst Beispieldaten einspeisen und siehst, was der Agent daraus macht - ohne echte E-Mails zu versenden oder echte Daten zu verarbeiten.
Das neue Draft-System in n8n 2.0 macht diesen Schritt noch einfacher. Du testest im Draft, schaust dir die Outputs an, korrigierst den System-Prompt des Agenten und veröffentlichst erst wenn das Ergebnis stimmt.
Workflow 1: E-Mail-Triage-Agent - der Assistent, der meine Inbox sortiert
Wie der Agent eingehende E-Mails bewertet und in Kategorien einordnet
Nodes: Gmail Trigger > AI Agent Node (Claude Haiku) > Switch Node > [Zielaktionen]
Der Agent bekommt jede eingehende E-Mail als Eingabe: Absender, Betreff, erster Satz des Textes. Das reicht in 90% der Fälle für eine zuverlässige Klassifizierung.
Meine vier Kategorien:
| Kategorie | Beschreibung | Beispiel |
|---|---|---|
neukunde | Erste Kontaktaufnahme, Anfrage | "Ich habe Ihre Website gesehen und suche..." |
bestandskunde | Bekannter Absender, Projektkontext | Projektfeedback, Rückfragen |
admin | Rechnungen, Verträge, Behörden | Finanzamt-Bescheid, DATEV-Export |
ignore | Newsletter, Automatisch-generiertes | Shopify-Benachrichtigungen |
Der System-Prompt ist absichtlich einfach gehalten: Ich gebe dem Agenten die vier Kategorien mit Beispielen und bitte ihn, eine strukturierte JSON-Antwort zurückzugeben: {"category": "neukunde", "priority": "high", "summary": "..."}
Was er automatisch beantwortet - und was er mir zur Entscheidung vorlegt
Bei admin- und ignore-Mails: Archivierung ohne Aktion.
Bei bestandskunde: Der Agent erstellt eine Zusammenfassung und sucht in Notion nach dem Kunden-Datensatz. Ich bekomme eine Slack-Nachricht mit Kontext und kann mit einem Button direkt antworten oder delegieren.
Bei neukunde: Das ist die interessanteste Kategorie. Der Agent sucht den Absender bei LinkedIn (via Apify-Integration), prüft ob die Domain zu einem Unternehmen gehört und erstellt einen Draft-Reply mit dem Standard-Qualifier-Satz: Welches Projekt, welches Budget, welcher Zeitraum. Ich bekomme diesen Entwurf zur Genehmigung in Slack. Erst wenn ich auf "Senden" klicke, geht die Antwort raus.
Zeit gespart: ca. 75 Minuten pro Tag. Das ist konservativ geschätzt.
Workflow 2: Content-Repurposing-Agent - aus einem Artikel werden fünf Formate
Wie ein einziger Blogartikel zu LinkedIn-Post, Newsletter, Thread und Short wird
Nodes: Webhook Trigger > HTTP Request (holt Artikeltext) > AI Agent Node > Split in Batches > [Format-spezifische Nodes]
Ich schreibe einen Artikel. Wenn er veröffentlicht ist, schicke ich die URL an einen Webhook. Der Agent holt den Volltext, liest ihn und erstellt fünf Formate:
- LinkedIn-Post (800-1.200 Zeichen, Erster Satz als Hook, persönliche Perspektive, kein Corporate-Speak)
- Newsletter-Intro (150-200 Wörter, conversational, Link zum Artikel)
- Twitter/X-Thread (5-7 Tweets, nummeriert, mit konkreten Takeaways)
- Short-Video-Script (60-Sekunden Sprechertext, 3 Punkte, Call-to-Action)
- Kurz-Zusammenfassung (3 Sätze für interne Dokumentation oder spätere Referenz)
Der entscheidende Punkt: Der System-Prompt enthält meine Schreibstimme. Ich habe dem Agenten 10 Beispiele meiner besten LinkedIn-Posts gegeben und ihn gebeten, diesen Stil zu spiegeln. Das Ergebnis ist deutlich besser als ein leerer "Schreibe einen LinkedIn-Post zu diesem Thema"-Prompt.
Was früher 3 Stunden kostete, passiert jetzt in 45 Sekunden
Früher: Artikel lesen, LinkedIn-Post verfassen, umformulieren, Newsletter schreiben, vergessen, dass ich noch einen Thread wollte, nächsten Tag den Thread halbherzig fertigstellen.
Jetzt: URL einspielen, 45 Sekunden warten, alle fünf Entwürfe in Notion gespeichert. Ich lese sie durch, passe die offensichtlichsten Stellen an und plane sie ein. Der Aufwand ist von 3 Stunden auf 20 Minuten gesunken.
Wichtig: Der Agent produziert Entwürfe, keine fertigen Posts. Ich veröffentliche nichts ohne Durchsicht. Der Agent ist der erste Redakteur, nicht der letzte.
Workflow 3: Kunden-Recherche-Agent - Briefings vor dem ersten Gespräch
Wie der Agent aus einer URL ein vollständiges Kunden-Briefing erstellt
Nodes: Webhook Trigger (aus E-Mail-Triage-Agent) > AI Agent Node mit Tools: HTTP Request, Apify, Perplexity API > Notion-Integration
Dieser Agent läuft immer dann, wenn der E-Mail-Triage-Agent eine neukunde-E-Mail erkannt hat. Er bekommt die Website-URL des Absenders und erstellt ein strukturiertes Briefing:
- Unternehmensübersicht (Was machen die, wie groß sind sie, seit wann am Markt)
- Technologie-Stack (BuiltWith-Daten: Welche Tools nutzen sie)
- Aktuelle News (Perplexity-Suche nach dem Unternehmensnamen, letzte 90 Tage)
- LinkedIn-Signale (Aktuelle Stellenausschreibungen = Budget-Signal, Führungswechsel = Veränderungsdruck)
- Wettbewerber (3-5 ähnliche Unternehmen aus derselben Kategorie)
Das Ergebnis landet in Notion unter einem neuen Kunden-Datensatz - verknüpft mit der ursprünglichen E-Mail.
Welche Quellen er durchsucht und wie ich das Ergebnis in meinem CRM speichere
Der Agent hat Zugriff auf vier "Werkzeuge": einen HTTP-Request für die Website, einen Apify-Actor für LinkedIn-Daten, die Perplexity-API für aktuelle Nachrichten und einen Notion-Write-Node für die Ausgabe.
Das klingt nach viel, ist aber in n8n schnell konfiguriert: Jedes Werkzeug ist ein Node im Workflow. Der AI Agent Node entscheidet selbst, welche er in welcher Reihenfolge aufruft.
Ein Kunden-Briefing, das früher 45 Minuten Recherche gekostet hat, ist jetzt in 90 Sekunden fertig. Ich gehe ins erste Gespräch mit echtem Kontext und stelle die richtigen Fragen sofort.
Workflow 4: Rechnungs-Follow-up-Agent - sanfte Erinnerungen ohne Stress
Wie der Agent überfällige Rechnungen erkennt und personalisierte Follow-ups schreibt
Nodes: Cron Trigger (täglich 8 Uhr) > HTTP Request an Lexoffice/sevDesk API > IF Node (Fälligkeit prüfen) > AI Agent Node > Gmail Send
Unbezahlte Rechnungen anzusprechen ist unangenehm. Ich habe früher Mahnungen immer hinausgezögert, weil ich die Konversation scheute.
Dieser Agent hat das Problem gelöst, indem er es depersonalisiert. Er prüft jeden Morgen meine offenen Rechnungen und folgt einem festen Eskalationsschema:
| Verzug | Aktion | Ton |
|---|---|---|
| +14 Tage | Erste freundliche Erinnerung | "Vielleicht übersehen..." |
| +30 Tage | Zweite Erinnerung mit Rechnungsdetails | Sachlich, konkret |
| +45 Tage | Letzte Erinnerung vor formeller Mahnung | Direkt, Frist genannt |
| +60 Tage | Slack-Benachrichtigung an mich | Manuelles Eingreifen nötig |
Die E-Mails schreibt der Agent, aber ich habe die Vorlagen und den Tonfall definiert. Er füllt die Variablen (Rechnungsnummer, Betrag, Fälligkeitsdatum, Kundename) und schickt sie. Jede Erinnerung klingt persönlich, weil sie persönlich formuliert ist - nur ohne dass ich selbst darüber nachdenken muss.
Lexoffice bietet eine Community Node für n8n (n8n-nodes-lexware-office auf npm), sevDesk hat ebenfalls eine Community-Integration. Wer direkt über die REST-API arbeiten will, findet bei beiden Buchhaltungs-Tools eine gut dokumentierte API.
Workflow 5: Social-Monitoring-Agent - was meine Konkurrenz und Kunden gerade tun
RSS-Feeds, Google Alerts und LinkedIn - alles läuft durch einen Agenten
Nodes: Cron Trigger (täglich 7 Uhr) > RSS-Feed-Node (mehrere Quellen) > AI Agent Node (Relevanz-Filter) > Slack Send
Dieser Agent ist der einfachste von allen - und vielleicht der wertvollste für die Akquise.
Er aggregiert täglich:
- Branchen-Blogs (10-15 RSS-Feeds aus meiner Nische: UX-Design, SaaS, Produktentwicklung)
- Wettbewerber-Blogs (5 Agenturen und Freelancer, deren Arbeit ich beobachte)
- Kunden-News (Google-Alert-RSS-Feeds für alle aktiven Kunden und Top-Prospects)
- LinkedIn-Aktivitäten (via Apify: neue Posts von Schlüsselpersonen in meinem Netzwerk)
Der AI Agent filtert nach Relevanz. Er bekommt pro Quelle 5-20 neue Beiträge und entscheidet, welche davon für mich relevant sind - auf Basis eines Relevanz-Profils, das ich ihm gegeben habe: Fokus auf KI, Automatisierung, UX-Trends, Produktentwicklung in der DACH-Region.
Das Ergebnis: Ein täglicher Slack-Digest mit 3-7 Einträgen. Nicht mehr. Jeder Eintrag enthält Titel, Quelle, Link und einen Einzeiler-Kommentar des Agenten: warum dieser Artikel relevant ist.
Früher habe ich Morgens 20-30 Minuten damit verbracht, manuell Twitter/X, LinkedIn und meine RSS-Feeds durchzuscrollen. Jetzt öffne ich einmal Slack und habe alles Relevante auf einem Blick.
Was n8n KI-Agenten nicht können (und womit ich sie nicht beauftrage)
Ehrlichkeit gehört dazu: Diese Agenten machen Fehler. Nicht oft, aber regelmäßig.
Der E-Mail-Triage-Agent kategorisiert manchmal eine Kunden-E-Mail als admin, wenn der Kontext mehrdeutig ist. Der Content-Repurposing-Agent produziert gelegentlich LinkedIn-Posts, die zu generisch klingen - dann bearbeite ich sie stärker.
Was ich den Agenten grundsätzlich nicht überlasse:
- Finale Kundenkommunikation ohne Kontrolle: Jede ausgehende E-Mail an Kunden läuft durch meine Genehmigung. Der Agent schreibt den Entwurf, ich entscheide.
- Angebote und Verhandlungen: Ein Agent kann Marktdaten recherchieren, aber den Preis setze ich selbst.
- Rechtlich relevante Dokumente: Verträge, Mahnungen ab der dritten Stufe, alles mit finanziellen Konsequenzen bleibt bei mir.
- Kreative Kernleistungen: Ich automatisiere die Verwaltung, nicht die eigentliche Arbeit.
Warum Kundendaten im lokalen n8n sicher sind - und was DSGVO-mäßig trotzdem zu beachten ist
Mit n8n selbst gehostet auf Hetzner liegen deine Workflow-Daten und Ausführungslogs auf deinem Server. Das ist der erste Schutzwall.
Der zweite Punkt ist komplizierter: Wenn du den AI Agent Node mit der Claude-API oder OpenAI-API verbindest, verlassen die Daten kurzzeitig deinen Server. Beide Anbieter haben Standardvertragsklauseln (SCCs) für DSGVO-Transfers. Aber du musst entscheiden, welche Daten du sendest.
Meine Faustregel: Keine vollständigen E-Mail-Texte mit Kundennamen und persönlichen Details an die API. Stattdessen schicke ich dem Agenten nur das Relevante: den anonymisierten Inhalt, nicht die Metadaten. Wer ganz auf Cloud-APIs verzichten will, kann n8n mit einer lokalen Ollama-Instanz kombinieren - für einfachere Klassifizierungen funktioniert das gut, wie ich in meinem Artikel über lokale KI mit Ollama beschreibe.
Für Freelancer mit sensiblen Kundendaten (Anwälte, Berater, Ärzte): Hol dir einen Datenschutzmitarbeiter oder zumindest eine Beratung bevor du Kundendaten durch externe APIs schickst. Die oben beschriebene Architektur passt für typische UX- und Tech-Freelancer, ist aber kein Freifahrtschein für jede Branche.
Wie das Ganze bei Network School entstanden ist
Das Prinzip "automatisiere alles, was sich wiederholt" habe ich nicht erfunden. Ich habe es an der Network School verinnerlicht.
Dort haben Builder in einem Hackathon innerhalb von zwei Tagen ganze Geschäftsprozesse in n8n umgebaut. Nicht als Spielerei, sondern weil Zeit die wertvollste Ressource ist und manuelle Prozesse sie auffressen. Das hat sich in meinen Freelancer-Alltag übertragen: Alles, was ich mehr als dreimal manuell mache, bekommt einen Agenten.
Die fünf Workflows hier sind mein aktueller Stand. Vermutlich werde ich in sechs Monaten zehn haben. Das ist kein Stress, sondern ein Prozess.
Wenn du das selbst erleben willst - wie man in einer Gruppe von Builders denkt und baut - dann schau dir NS an und spar mit meinem Link 25%.
Und wenn du gerade mit dem Thema KI-Automatisierung anfängst: Mein älterer Artikel zu KI-Automatisierungen für Freelancer ist ein guter Startpunkt für die ersten einfachen Workflows, bevor du zu vollwertigen Agenten wechselst.
Einige Links sind Affiliate-Links. Dir entstehen keine Mehrkosten.
Newsletter
Erhalte wöchentlich die besten Tipps für digitale Nomaden
Kein Spam, kein Bullshit. Nur das, was wirklich hilft, wenn du ortsunabhängig arbeiten willst.
Interesse?
Bewirb dich jetzt
Bewirb dich über diesen Link und spare 25% auf deinen ersten Monat.
Jetzt bewerben. 25% Rabatt sichern