AI Agents bauen 2026: Praxisleitfaden mit n8n und Make

AI Agents sind 2026 keine Spielerei mehr — sie sind das produktive Rückgrat moderner Sales-, Marketing- und Operations-Prozesse. Dieser Praxisleitfaden zeigt Dir, wie Du AI Agents mit n8n und Make baust, ohne eine einzige Zeile Code zu schreiben. Werk von Morgen GmbH ist eine Digital-Agentur, die KI als Produktionsschicht clever einsetzt — in über 100 Projekten haben wir Multi-Agent-Systeme für DACH-Mittelständler gebaut und kennen die Stellschrauben, die wirklich Hebel liefern.

Was sind AI Agents wirklich?

Ein AI Agent ist mehr als ein Chatbot. Ein Agent kombiniert ein Sprachmodell (wie Claude, GPT oder Gemini) mit Tool-Zugriff — er kann APIs aufrufen, Daten schreiben, andere Agenten triggern und in Schleifen arbeiten. Ein klassischer Chatbot antwortet. Ein Agent erledigt.

Technisch zerlegt sich ein Agent in drei Schichten: Reasoning (das LLM, das entscheidet), Tools (APIs und Funktionen, die der Agent aufrufen darf) und Memory (Kontext, der über den einzelnen Run hinaus reicht). n8n und Make liefern alle drei Schichten als visuelles Workflow — ohne dass Du selbst LangChain oder eine eigene Orchestrierung programmieren musst.

2026 erleben wir den Übergang von „KI als Assistent“ zu „KI als Mitarbeiter“. Der entscheidende Unterschied: ein Agent arbeitet autonom über mehrere Schritte hinweg, trifft Entscheidungen, ruft externe Systeme auf und liefert ein fertiges Ergebnis — nicht nur eine Antwort.

Single-Agent vs. Multi-Agent — was wann?

Ein Single-Agent erledigt eine klar abgrenzbare Aufgabe: Mail beantworten, Lead anreichern, CRM-Eintrag updaten. Vorteile: einfache Architektur, leicht zu debuggen, klar verantwortlich. Nachteile: bei komplexen Aufgaben schnell überfordert, Halluzinationen häufiger.

Ein Multi-Agent-System teilt komplexe Aufgaben auf mehrere spezialisierte Agenten auf. Beispiel aus unserer Praxis: Ein Recherche-Agent sammelt Lead-Daten, ein Bewertungs-Agent scort sie nach ICP-Kriterien, ein Outreach-Agent schreibt personalisierte Mails, ein Routing-Agent verteilt Hot-Leads ans Sales-Team. Jeder Agent hat eine Rolle, eigene Tools und einen klaren Verantwortungsbereich.

Faustregel: bis zu drei Schritten klassischer Single-Agent. Ab vier Schritten mit unterschiedlichen Skills lohnt sich ein Multi-Agent-System. Mehr Details zu Multi-Agent-Architekturen findest Du in der Anthropic Research-Sektion.

n8n vs. Make — der ehrliche Vergleich

Unsere Empfehlung für DACH-Mittelständler: n8n self-hosted bei sensiblen Daten oder Hochfrequenz-Workflows, Make bei schnellem Start, ausgelagertem Betrieb und einer Vielzahl Standard-Apps. Für viele Kunden bauen wir hybride Setups — Make für kundennahe Marketing-Workflows, n8n für interne Daten-Pipelines. Details auf n8n.io/docs und make.com/blog.

5 Use Cases mit konkretem ROI

1. Lead-Qualifizierung & ICP-Scoring

Eingehende Leads werden automatisch angereichert (Firmendaten, LinkedIn, Web-Footprint), gegen den ICP gescort und nur Hot-Leads ans Sales-Team weitergereicht. Werkzeuge: n8n + Apollo + Anthropic-Claude-Node + HubSpot. ROI typisch nach 12–18 Wochen erreicht.

2. Content-Curation & Newsletter-Automation

Ein Agent scannt RSS-Feeds, Substacks, Branchenmedien, wählt relevante Themen, schreibt Briefings und legt Newsletter-Drafts in HubSpot oder ConvertKit ab. Marketing prüft, freigegeben, raus.

3. Customer-Support-Triage

Eingehende Mails werden klassifiziert, einfache Anfragen autom. beantwortet (FAQ-RAG), komplexe Tickets an die richtige Person geroutet, mit Kontext-Briefing aus CRM und Knowledge-Base. Reduziert First-Response-Time deutlich.

4. Daten-Sync zwischen Systemen

Klassischer iPaaS-Use-Case, aber mit Agent-Layer für intelligente Konfliktlösung: HubSpot ↔ Monday ↔ Lex Office ↔ Google Drive. Ein Agent entscheidet bei Konflikten, welcher Datensatz gewinnt, statt blind zu überschreiben.

5. Reporting & Briefings

Jeden Morgen liefert ein Agent automatisch ein Briefing: Pipeline-Status aus HubSpot, Tickets aus Monday, Cash-Flow aus Lex, Top-Termine aus Calendar. Alles in einer Mail oder Slack-Nachricht. Spart spürbar Vorbereitungszeit für das Daily.

Step-by-Step: Dein erster AI Agent in n8n

1. n8n installieren: Docker auf einem deutschen Server (z.B. Hetzner) oder n8n Cloud-Account. Beim Self-Hosting: DSGVO-Hosting wählen, Backup einrichten.
2. Trigger wählen: Webhook, neue HubSpot-Form-Submission, eingehende Mail oder Cron-Job (z.B. jeden Morgen 7 Uhr).
3. Datenanreicherung: Apollo- oder Clay-Node ruft Firmendaten zum Lead ab. Optional Web-Scraper-Node für Website-Analyse.
4. LLM-Node konfigurieren: Anthropic-Claude- oder OpenAI-Node mit klarem System-Prompt. Der Prompt enthält Rolle, Aufgabe, Ausgabeformat (JSON empfohlen).
5. Output-Verarbeitung: JSON-Parse-Node, dann Branching: Score > 70 = HubSpot-Update + Slack-Notification, Score < 30 = Archivieren, Score 30–70 = Re-Score nach 7 Tagen.
6. Memory einbauen: Wenn der Agent über mehrere Runs hinweg Kontext braucht, Redis- oder Postgres-Node anbinden.
7. Monitoring: Sentry- oder eigenes Log-Webhook für Fehler. Slack-Alarm bei Halluzinationen oder API-Fehlern.

Die erste produktive Version eines einfachen Single-Agents lässt sich in einem Workshop-Tag aufsetzen. Der echte Aufwand liegt im Tuning: System-Prompts iterieren, Edge-Cases abfangen, Halluzinationen reduzieren. Hier zahlt sich Erfahrung aus — und genau dort begleiten wir.

Common Pitfalls — was schiefgeht

• Pitfall 1: Zu großer Scope. „Der Agent soll alles können“ endet in Halluzinationen. Starte klein, eine Aufgabe, eine Rolle.
• Pitfall 2: Kein Output-Format. Wenn der Agent freien Text liefert, ist die Weiterverarbeitung Glaubenssache. Immer JSON-Schema definieren.
• Pitfall 3: Kein Monitoring. Agenten laufen still — Fehler bleiben unentdeckt. Logging und Alerts sind Pflicht, nicht Kür.
• Pitfall 4: Sensible Daten in Konsumenten-Modellen. ChatGPT-Free oder Claude-Free haben keine AVV-tauglichen Daten-Bestimmungen. Immer API mit Business-Vertrag nutzen.
• Pitfall 5: Keine Human-in-the-Loop bei kritischen Entscheidungen. Wenn ein Agent Geld bewegt, Verträge schreibt oder Kunden anschreibt, gehört eine Freigabe rein.
• Pitfall 6: Vendor-Lock-In ignorieren. Wer komplett auf einen LLM-Anbieter setzt, hat ein Risiko. Make und n8n erlauben Multi-LLM-Setups — nutze das.

ROI-Beispielrechnung: Lead-Qualifizierungs-Agent

Ausgangslage: B2B-Mittelständler, 200 Leads/Monat aus Webseiten-Forms, Messen, Apollo-Push. Manuelle Qualifizierung dauert ~12 Minuten je Lead = 40 Stunden/Monat ein Sales-Mitarbeiter, ca. 2.000 EUR Personalkosten.

Agent-Setup: n8n self-hosted, Apollo-Anreicherung, Claude-Sonnet-LLM, HubSpot-Sync. Setup-Aufwand initial 1,5 Workshop-Tage. Laufende LLM-Kosten ~80 EUR/Monat bei 200 Leads. Ergebnis: Sales bekommt nur die Top 30% — und das mit Briefing.

Hebel: Sales-Zeit wird auf hochwertige Leads konzentriert, Conversion-Rate steigt typischerweise spürbar. ROI-Schwelle in unseren Projekten meist nach 12–18 Wochen erreicht.

Praxisbeispiel: Multi-Agent-System bei Werk von Morgen GmbH

Intern setzen wir ein eigenes Multi-Agent-System ein, das den Tagesablauf der Geschäftsführung und der Team-Leads strukturiert. Sechs Agenten teilen sich die Arbeit: ein Briefing-Agent baut jeden Morgen ein Tages-Briefing aus Kalender, HubSpot-Pipeline, Monday-Boards und Slack-Highlights. Ein Sales-Agent prüft eingehende Leads gegen den ICP, ein Finanz-Agent liest Lex-Office-Daten und meldet Cash-Flow-Anomalien, ein Content-Agent kuratiert Themen aus Fachmedien, ein Meeting-Agent verarbeitet Fireflies-Transkripte zu Action-Items in Monday, und ein Konsolidator-Agent bündelt Ergebnisse zu einem Wochen-Report.

Architektur: n8n self-hosted als Orchestrator, Claude Sonnet als primäres LLM mit Fall-Back zu GPT-4 bei API-Outages. Tool-Zugriff über HubSpot Private App, Monday GraphQL, Lex Office API, Fireflies API. Memory läuft in einer Postgres-Instanz. Jeder Agent hat einen klar definierten System-Prompt und ein striktes JSON-Output-Schema.

Lessons Learned aus diesem Setup: erstens, klare Aufgabentrennung verhindert Doppel-Halluzinationen; zweitens, JSON-Schemas reduzieren Parse-Fehler praktisch auf Null; drittens, ein Human-in-the-Loop-Step für Sales-Outreach ist unverzichtbar — auch wenn der Agent 95% der Fälle richtig macht, die 5% würden das Vertrauen kosten. Genau diese Erfahrung fließt in unsere Workshops für Kunden ein.

Workshop-Formate von Werk von Morgen GmbH

Wir bieten zwei Einstiegs-Formate an. Der Workshop „AI Agents bauen mit n8n und Make“ ist ein kompakter Bau-Tag, bei dem wir einen ersten produktiven Single-Agent zusammen mit Deinem Team aufsetzen. Das AI Agents Power-Bundle ist ein größeres Paket mit Quickscan, Multi-Agent-Architektur, Hands-on-Setup, Schulung und 30 Tagen begleitendem Support nach Go-Live.

Zukunfts-Trends: Was kommt nach Single-Agents?

2026 sehen wir vier Trends, die Multi-Agent-Setups für den Mittelstand reif machen. Erstens: Standardisierte Protokolle. MCP (Model Context Protocol) und A2A (Agent-to-Agent) etablieren sich als Lingua Franca zwischen Agenten verschiedener Anbieter. Zweitens: längere Kontextfenster. Modelle wie Claude und Gemini erreichen 1M-Token-Kontexte, was Agent-Memory deutlich vereinfacht. Drittens: günstigere Inferenz. Die LLM-Kosten pro Token sinken jedes Jahr um Faktoren, ROI-Rechnungen werden konservativer. Viertens: integrierte Observability. Tools wie Langfuse oder Helicone machen Agenten-Verhalten messbar.

Für Mittelständler bedeutet das: Wer 2026 in AI Agents investiert, baut auf einer Plattform, die in den nächsten zwei Jahren deutlich mächtiger und günstiger wird. Wichtig ist, dass die internen Workflows sauber dokumentiert und die Datenstrücken konsistent sind — dann ist der Sprung von Single- zu Multi-Agent-Setups vergleichsweise einfach. Wer dagegen Daten-Silos hat und Prozesse nur im Kopf, scheitert nicht an der KI, sondern am Fundament.

Ein praktischer Tipp: Beginne mit dem Use-Case mit dem klarsten Hebel für Dein Unternehmen. Bei den meisten Mittelständlern ist das Lead-Qualifizierung oder Reporting. Beides ist gut abgrenzbar, lässt sich messen und das Team versteht den Wert sofort. Wenn dieser erste Agent läuft, ist die Bereitschaft im Team für weitere Use-Cases praktisch immer da — und der Sprung zum Multi-Agent-System gelingt ohne politische Hürden.

FAQ — Häufige Fragen zu AI Agents

Weiterlesen auf werkvonmorgen.de:

• Alle Workshops im Überblick
• Automation und KI-Implementierung
• Mehr Insights im Blog
• Über Werk von Morgen GmbH