n8n Marketing-Automatisierung: Beispiele, Aufbau und Grenzen für KMU

• Datenschutz
• Beispiele
• Lokale Modelle
• Kosten

Abrechnungsmodell: Warum n8n bei komplexen Workflows günstiger ist

Zapier zählt jede erfolgreiche Aktion als „Task“. Auslöser, Filter und Formatierungen zählen nicht (Zapier Help Center, abgerufen 21.10.2026). Make rechnet seit dem 27. August 2025 in „Credits“, meist ein Credit pro Modul-Ausführung, bei KI-Modulen variabel (Make Help Center). n8n zählt eine „Execution“ pro komplettem Durchlauf, egal wie viele Schritte er hat.

Ein Workflow mit einem Auslöser und neun Aktionen läuft 1.000-mal im Monat. Zapier zählt 9.000 Tasks. Make zählt rund 10.000 Credits. n8n zählt 1.000 Executions. Die aktuellen Preise stehen bei den Anbietern; die Preise von n8n stehen weiter unten unter „Was n8n kostet“.

„n8n“ (is-pick, Tag „Empfohlen für den Einstieg“), „Zapier“, „Make“

Quellen: n8n.io/pricing; help.zapier.com „How is task usage measured“; help.make.com „Credits“; automationatlas.io (29.06.2026); theaiagentindex.com (23.09.2026); alle abgerufen 21.10.2026.

Für 1 bis 2 einfache Workflows bleibt Zapier eine gute Wahl. Ab mehreren Workflows mit vielen Schritten oder bei Daten, die das Haus nicht verlassen dürfen, passt n8n besser.

Aus Projekten von tiny web: Ein fundierter Content-Brief brauchte klassisch über 6 Stunden. Mit KI-Automatisierung entsteht er heute in wenigen Minuten. Bei einem Finanzunternehmen entstand ein Workflow in einer Abendsession. Ab dem nächsten Morgen sparte er täglich eine Stunde je Mitarbeitenden.

So automatisieren Sie LinkedIn-Posts mit n8n (Workflow 1: Social-Media-Distribution)

Sie pflegen Posts in einer Tabelle. Ein Zeitplan in n8n liest den nächsten Eintrag, veröffentlicht ihn über den LinkedIn-Knoten und markiert ihn als erledigt. Ihr Team pflegt nur noch die Liste.

Das Problem: Posts von Hand auf mehrere Kanäle zu bringen, kostet bei jedem Beitrag Zeit. Bei mehreren Posts pro Woche summiert sich das.

Schritt 1, mit Claude: Ihr Claude Project formuliert aus einem Thema Posts für LinkedIn und weitere Kanäle. Die Posts kommen in eine Tabelle, Ihre Content-Liste.

1. Ein Zeitplan-Auslöser startet werktags um 10:00 Uhr.
2. Ein Google-Sheets-Knoten liest den nächsten offenen Post.
3. Ein Switch-Knoten prüft, welche Kanäle markiert sind.
4. Der LinkedIn-Knoten veröffentlicht den Post als Person oder als Unternehmensseite.
5. Weitere Kanäle folgen über ihre Knoten oder über HTTP Request.
6. Ein Google-Sheets-Knoten markiert den Eintrag als „veröffentlicht“.
7. Ein Slack-Knoten informiert das Team.

Einrichtung: 2 bis 3 Stunden. Zeitaufwendig ist vor allem die Anmeldung bei den Plattformen (OAuth). Grenzen: Der LinkedIn-Knoten kann Beiträge erstellen, sonst nichts (n8n Docs, abgerufen 21.10.2026). Statistiken und andere Funktionen laufen über HTTP Request mit eigener Schnittstelle. Für TikTok und YouTube Shorts brauchen Sie ebenfalls HTTP Request. Planen Sie zwischen Aufrufen Pausen ein, damit Sie nicht an Limits der Plattformen stoßen.

Workflow 2: Lead-Enrichment und CRM-Update

Ein neuer Lead aus dem Formular startet den Workflow. n8n ergänzt Firmendaten, bewertet den Lead, schreibt ihn ins CRM und meldet gute Leads an den Vertrieb. Die Recherche von Hand entfällt.

Das Problem: Formulare liefern Name, E-Mail und vielleicht die Firma. Für den Vertrieb fehlen Größe, Branche und Rolle. Diese Recherche kostet bei jedem Lead Zeit.

1. Ein Webhook empfängt den Lead aus Ihrem Formular.
2. Ein Anreicherungsdienst ergänzt Firmengröße und Branche.
3. Ein KI-Knoten bewertet den Lead nach Ihrem Zielkundenprofil, zum Beispiel „B2B, 10 bis 250 Mitarbeitende“.
4. Ein IF-Knoten verteilt: hohe Bewertung an den Vertrieb, sonst in die Pflegeliste.
5. Ein CRM-Knoten legt den Kontakt an oder aktualisiert ihn, etwa in HubSpot oder Pipedrive.
6. Ein Slack-Knoten meldet gute Leads an die zuständige Person.
7. Ein E-Mail-Knoten fügt den Lead der passenden Sequenz hinzu.

Einrichtung: 3 bis 4 Stunden mit Anbindung von Anreicherung und CRM. Datenschutz: Der Lead enthält Personendaten. Senden Sie dem Cloud-Modell in Schritt 3 nur Firmendaten wie Branche und Größe. Soll das Modell auch die Person einordnen, nutzen Sie ein lokales Modell (Abschnitt „n8n mit lokalen Modellen“).

Workflow 3: Content-Distribution nach der Veröffentlichung

Ein veröffentlichter Artikel in WordPress startet die Kette. n8n erzeugt Social-Posts, einen Newsletter-Entwurf, einen Kalender-Eintrag und eine Team-Nachricht. Nach dem Veröffentlichen ist kein Handgriff mehr nötig.

Das Problem: Nach dem Veröffentlichen beginnt die Verteilung: Posts schreiben, posten, Newsletter vorbereiten, Kalender pflegen, Team informieren. Das wiederholt sich bei jedem Artikel.

1. Ein WordPress-Webhook meldet den neuen Artikel mit Titel, URL und Auszug.
2. Ein HTTP-Request-Knoten holt den vollständigen Text über die WordPress-Schnittstelle.
3. Ein Claude-Knoten formuliert Posts je Kanal aus dem Artikel.
4. Die Posts gehen sofort raus oder in die Content-Liste für feste Zeiten. Drei Erinnerungs-Posts für Tag 3, 7 und 14 folgen in die Liste.
5. Ein Newsletter-Knoten legt einen Entwurf mit Auszug und Link an.
6. Ein Notion-Knoten trägt den Artikel in den Content-Kalender ein.
7. Ein Slack-Knoten meldet den Artikel im Team-Kanal.

Einrichtung: 4 bis 6 Stunden. Beginnen Sie mit dem Social-Teil und ergänzen Sie Newsletter und Kalender danach. Kann n8n beim Schreiben helfen? Ja, über den KI-Knoten. Die Texte entstehen im Modell, n8n übergibt Artikel und Anweisung. Prüfen Sie die ersten Wochen jeden Post, bevor Sie auf sofortiges Veröffentlichen umstellen.

Workflow 4: Reporting-Dashboard aus Search Console, Analytics und Social

Ein Zeitplan holt die Zahlen regelmäßig aus Ihren Quellen und schreibt sie in die Datenbasis eines Dashboards. Ein Modell kommentiert auffällige Veränderungen. Statt eines Monatsberichts sieht Ihr Team jederzeit aktuelle Zahlen.

1. Ein Zeitplan-Auslöser startet regelmäßig, zum Beispiel jeden Morgen.
2. Knoten oder HTTP Requests holen Klicks, Impressionen, Sitzungen und Reichweite der Kanäle.
3. Ein Code- oder Set-Knoten berechnet die Veränderung zum Vorzeitraum.
4. Ein Google-Sheets- oder Datenbank-Knoten schreibt die Zahlen in die Tabelle, aus der das Dashboard liest.
5. Ein KI-Knoten fasst drei auffällige Veränderungen in Sätzen zusammen.
6. Eine E-Mail oder Slack-Nachricht meldet Auffälligkeiten mit Link zum Dashboard.

Aus Projekten: Statt Monatsberichten bauen wir bei tiny web interaktive Dashboards. Sie speisen sich laufend aus mehreren Datenquellen und zeigen ein vollständigeres Bild. Auf diesen Zahlen treffen Teams ihre Entscheidungen. Grenze: Das Modell kommentiert nur Zahlen, die es bekommt. Ursachen findet weiterhin ein Mensch.

Einrichtungszeiten sind Erfahrungswerte von tiny web für Einsteiger.

wann sich lokale KI-Modelle im Unternehmen lohnen · Claude, ChatGPT, Gemini und lokale Modelle vergleichen

Lokale Modelle in n8n anbinden: Ollama und vLLM

Ollama: n8n hat die Knoten „Ollama Chat Model“ und „Ollama Model“. Im Credential tragen Sie die Adresse ein. Standard ist http://localhost:11434. Einen API-Schlüssel brauchen Sie nur, wenn ein Proxy wie Open WebUI davor sitzt.

vLLM: vLLM bietet eine Schnittstelle im Format von OpenAI. In n8n nutzen Sie dafür den Knoten „OpenAI Chat Model“ und ersetzen die Standard-Adresse durch die Adresse Ihres vLLM-Servers.

1. Läuft n8n in Docker, meint localhost den Container selbst. Nutzen Sie dann http://host.docker.internal:11434. Auf Linux starten Sie n8n dafür mit --add-host host.docker.internal:host-gateway.
2. Laufen n8n und Ollama in getrennten Containern, nutzen Sie den Namen des Ollama-Containers als Adresse. Ollama muss dazu auf 0.0.0.0 lauschen.
3. Die Meldung ECONNREFUSED ::1:11434 heißt: localhost zeigt auf IPv6, Ollama lauscht auf IPv4. Tragen Sie http://127.0.0.1:11434 ein.

Quelle: n8n Docs, „Ollama credentials“ und „Ollama Chat Model: Common issues“; Runpod Docs, „n8n integration“; abgerufen 21.10.2026.

Kombination: lokal vorbereiten, in der Cloud formulieren

Viele Marketing-Workflows brauchen beides. Ein lokales Modell entfernt zuerst Namen und Kontaktdaten aus dem Text oder fasst ihn ohne Personenbezug zusammen. Erst dieser Auszug geht an ein Cloud-Modell, das daraus den Text formuliert. So bleibt die Qualität eines großen Modells, und die Personendaten bleiben im Haus.

Wir testen lokale Modelle auf einem eigenen KI-Server mit 96 GB Grafikspeicher. Satz endet hier, keine Modellnamen und Messwerte

Was Sie nicht brauchen: Programmierkenntnisse in JavaScript oder Python für Standard-Workflows. Server-Administration, solange Sie n8n Cloud nutzen. Eigene API-Entwicklung, weil n8n viele Schnittstellen in Knoten verpackt.

Was hilft: Logisches Denken in Bedingungen. Ein Grundverständnis von API-Schlüssel, JSON und HTTP-Statuscode. Die Fähigkeit, einen Ablauf in einzelne Schritte zu zerlegen.

Die Lernkurve: In den ersten zwei Wochen lernen Sie Knoten, Verbindungen und Auslöser. In Woche 3 und 4 bauen Sie erste einfache Workflows wie Tabelle zu Slack. In Woche 5 bis 8 folgen Workflows mit Bedingungen und Fehlerbehandlung. Ab Monat 3 binden Sie KI-Knoten ein und formen Daten um.

Typische Stolpersteine: die OAuth-Anmeldung bei Social-Plattformen, das Umformen von JSON-Daten und die Fehlerbehandlung. n8n hilft mit einem visuellen Editor für Ausdrücke und mit Fehler-Workflows.

Wie erstellt man mehrstufige Automatisierungen in n8n? Sie verbinden Knoten nacheinander und teilen mit IF- oder Switch-Knoten in Zweige. Wiederkehrende Teile lagern Sie als Sub-Workflow aus. Jeder Schritt sieht die Daten des vorherigen.

1. Zu komplex starten. Der erste Workflow hat 20 Knoten und fünf Tools. Die Fehlersuche wird mühsam. Regel: erster Workflow „Tabelle zu Slack“ mit zwei Knoten, dann erweitern.
2. Keine Fehlerbehandlung. Ein Workflow bricht nachts am Limit einer Plattform ab, niemand merkt es bis Montag. Regel: von Anfang an ein Fehler-Workflow mit Nachricht und „Retry on Fail“ mit Pause.
3. Zugangsdaten im Workflow. API-Schlüssel stehen direkt in Knoten und gehen beim Teilen mit. Regel: immer das Credential-System von n8n, das Zugangsdaten verschlüsselt und getrennt speichert.
4. Keine Dokumentation. Nach drei Monaten weiß niemand, warum Knoten 7 filtert. Regel: Notizen im Editor und eine Änderungsliste.
5. Personendaten im Cloud-Prompt. Der Lead-Workflow schickt Namen und E-Mails an ein Cloud-Modell. Regel: nur Firmendaten in die Cloud, Personendaten an ein lokales Modell.

Den Rahmen für Regel 5 erklärt welche Daten in welche KI-Plattform dürfen.

Selbst lernen in 4 bis 6 Wochen: Woche 1: Testkonto in n8n Cloud anlegen und die Einführungs-Workflows durcharbeiten. Woche 2 und 3: Google Sheets und Slack verbinden, die Bausteine fast jedes Marketing-Workflows. Woche 4 und 5: Social-Distribution aufsetzen. Ab Woche 6: KI-Knoten und Workflows über mehrere Tools.

Bauen lassen: Wir bauen Workflows für Content-Verteilung, Leads, CRM und Reports in Ihrem n8n-Konto. Fehlerbenachrichtigung und Übergabe sind enthalten: n8n-Workflows für Marketing bauen lassen.