Chatbot, n8n oder eigener KI-Agent: was brauchen Sie wirklich?
Ein KI-Chatbot passt, wenn Menschen Fragen zu einer definierten Wissensbasis stellen. n8n passt, wenn ein Prozess deterministisch über mehrere Systeme läuft und niemand dafür ein Chatfenster braucht. Ein eigener KI-Agent passt, wenn das Modell selbst entscheiden muss, welches Werkzeug es in welcher Reihenfolge aufruft. Die drei konkurrieren nicht, sie sitzen auf verschiedenen Ebenen.
Die Frage lautet also selten, welches Werkzeug besser ist. Sie lautet, auf welche Ebene die konkrete Arbeit fällt. Im deutschen Mittelstand ist diese Einordnung der eigentliche Engpass: Nach dem KI-Index Mittelstand 2026 des Deutschen Mittelstands-Bunds setzen 16,6 Prozent der mittelständischen Unternehmen autonome KI-Systeme ein, 2024 waren es 8,7 Prozent. Gleichzeitig entwickeln laut ifo Institut nur 18,7 Prozent der Unternehmen in Deutschland eigene KI-Systeme, etwa drei Viertel kaufen fertige Lösungen zu. Viele zahlen damit für eine Agentenschicht, die sie an dieser Stelle nicht bräuchten.
Was ist der Unterschied zwischen Chatbot, n8n-Workflow und KI-Agent?
Der Unterschied liegt darin, wer den Ablauf bestimmt. Beim Chatbot bestimmt ihn der Nutzer mit seiner Frage. Beim Workflow hat ihn ein Entwickler vorab gezeichnet. Beim Agenten entscheidet das Modell zur Laufzeit. Aus dieser einen Unterscheidung folgen Kosten, Nachvollziehbarkeit und Betriebsaufwand.
KI-Chatbot
Eine Gesprächsoberfläche über einem Sprachmodell, geerdet auf Ihren eigenen Dokumenten über RAG (Retrieval Augmented Generation). Die Qualität steht und fällt mit dem Retrieval, nicht mit dem Modell. Anthropic hat das nachgemessen: Kontextualisierte Embeddings senken die Fehlerrate beim Abruf der richtigen Textstellen von 5,7 auf 3,7 Prozent, zusammen mit BM25 auf 2,9 Prozent, und mit zusätzlichem Reranking auf 1,9 Prozent. Das sind 67 Prozent weniger Abruffehler ohne Modellwechsel. Ein Chatbot antwortet. Er handelt nicht.
n8n, Make, Zapier oder Power Automate
Ein visuelles Werkzeug für Abläufe: Auslöser, Schritt eins, Schritt zwei, Schritt n. Jeder Knoten ist deterministisch, also HTTP-Aufruf, Datenbankabfrage, Mailversand. Ein Sprachmodell darf darin vorkommen, aber als einzelner Hilfsschritt, der klassifiziert oder extrahiert. Der Vorteil ist unspektakulär und deshalb leicht zu unterschätzen: Jeder Lauf sieht gleich aus, und wenn etwas kaputt geht, sehen Sie im Protokoll genau, an welchem Knoten.
Eigener KI-Agent
Hier ist das Sprachmodell der Orchestrator. Es entscheidet, welches Werkzeug es aufruft, in welcher Reihenfolge und wann es aufhört. Üblich sind LangGraph, CrewAI oder direkt geschriebener Code mit Tool Use. Das Verfahren löst Aufgaben, die sich nicht vorab verzweigen lassen. Es kostet dafür deutlich mehr im Betrieb und braucht Leitplanken, sonst ruft der Agent in einer Schleife dieselbe API zwanzigmal auf. Wir bauen diese Schicht in der KI-Agenten-Entwicklung bewusst als letzte, nicht als erste.
Was kostet welcher Ansatz im ersten Jahr?
Der Aufbau liegt je nach Ebene zwischen 260 EUR für einen dreistufigen Workflow und 39.000 EUR für eine eigene KI-Lösung mit Agenten. Dazu kommen die laufenden Modellkosten, die im nächsten Abschnitt stehen. Die folgenden Spannen stammen aus unserer eigenen Preisliste, nicht aus einem Online-Rechner.
| Leistung | Aufbau einmalig | Zeitrahmen |
|---|---|---|
| Workflow mit ein bis drei Schritten (Formular, CRM, Mail) | 260 – 1.300 EUR | 1 bis 2 Wochen Pilot |
| Mehrsystemige Automatisierung mit Fehlerbehandlung | 1.300 – 6.500 EUR | Pilot, dann iterativer Ausbau |
| Chatbot auf einer Wissensbasis inklusive n8n-Anbindung | 2.600 – 7.800 EUR | 4 bis 6 Wochen |
| RAG-Wissenssystem mit Zugriffsrechten und Auswertung | 7.800 – 20.800 EUR | 2 bis 4 Monate |
| Eigene KI-Lösung mit Agenten, lokales Modell möglich | 13.000 – 39.000 EUR | 3 bis 9 Monate |
Die Wartung automatisierter Workflows liegt bei 78 bis 390 EUR im Monat, je nach Anzahl und Komplexität. Bei den Automatisierungen sehen wir den Rückfluss typischerweise nach drei bis neun Monaten. Zum Vergleich: Der Medianstundensatz eines IT-Freelancers im DACH-Raum liegt laut Freelancer-Kompass 2026 bei 95 EUR, in der Softwareentwicklung bei 90 EUR. Ein Workflow für 1.300 EUR entspricht damit rund zwei Personentagen zu deutschen Sätzen. Eine detailliertere Aufschlüsselung steht in unserem Beitrag zu den Kosten von KI-Projekten 2026.
Wie hoch sind die laufenden Betriebskosten pro Monat?
Für 5.000 Vorgänge im Monat liegen die reinen Modellkosten eines RAG-Chatbots zwischen rund 160 und 320 USD, abhängig vom Modell. Ein sechsstufiger n8n-Workflow kostet bei gleichem Volumen etwa 25 EUR. Ein Agent, der dieselbe Menge in mehreren Schritten bearbeitet, kann das Zwanzigfache kosten. Die Zahlen darunter sind offizielle Listenpreise.
| Kostenposition | Listenpreis | 5.000 Vorgänge im Monat |
|---|---|---|
| Claude Sonnet 5 | 2 USD je Mio. Input-Token, 10 USD je Mio. Output-Token | rund 320 USD |
| Claude Haiku 4.5 | 1 USD und 5 USD je Mio. Token | rund 160 USD |
| Prompt-Caching | Cache-Treffer kostet 10 Prozent des Input-Preises | senkt beide Zeilen darüber deutlich |
| n8n Cloud Pro | rund 0,005 EUR je Lauf eines sechsstufigen Workflows | rund 25 EUR |
| Zapier Pro, Jahreszahlung | rund 0,029 USD je Lauf desselben Workflows | rund 145 USD |
| Langfuse | selbst gehostet ohne Lizenzkosten (MIT), Cloud ab 29 USD im Monat | 29 USD oder nur Serverkosten |
| LangSmith Plus | 39 USD je Platz und Monat, 14 Tage Trace-Aufbewahrung im Basispaket | 39 USD je Platz |
Der Unterschied zwischen n8n und Zapier fällt bei kleinen Volumen kaum auf und bei mittleren sehr. Das Pro-Paket von Zapier für 19,99 USD enthält 750 Tasks. Bei einem sechsstufigen Zap sind das genau 150 Läufe im Monat, also etwa 0,13 USD pro Lauf. Wer das übersieht, plant mit dem Abopreis und zahlt am Ende das Zehnfache. Bei n8n zahlen Sie pro Ausführung, nicht pro Schritt, und selbst gehostet fallen nur Serverkosten an. Preisdetails prüfen Sie am besten direkt bei n8n und Zapier, beide ändern ihre Modelle regelmäßig.
Es gibt auch die Gegenrichtung. Lässt man den Agenten Werkzeuge über ausgeführten Code statt über einzelne Tool-Calls ansprechen, sank in einem gemessenen Beispiel von Anthropic der Tokenverbrauch für eine Kopieraufgabe zwischen zwei SaaS-Systemen von 150.000 auf 2.000 Token. Agenten sind also nicht per se teuer. Schlecht geschnittene Agenten sind teuer.
Wann reicht ein Chatbot, wann brauchen Sie n8n, wann einen Agenten?
Gehen Sie die Aufgabe Zeile für Zeile durch. Die Spalte, in der die meisten Beschreibungen zutreffen, ist Ihr Ausgangspunkt. Wenn zwei Spalten gleich oft zutreffen, nehmen Sie die linkere: die billigere Ebene zuerst, hochstufen können Sie später immer noch.
| Merkmal der Aufgabe | Chatbot | n8n-Workflow | Eigener Agent |
|---|---|---|---|
| Auslöser | Ein Mensch stellt eine Frage | Ein Systemereignis: Mail, Webhook, Zeitplan | Ein Ziel, dessen Weg offen ist |
| Ablauf | Ein Zug, Frage und Antwort | Vorab gezeichnet, feste Verzweigungen | Zur Laufzeit vom Modell bestimmt |
| Rolle des Sprachmodells | Antwortet auf Basis abgerufener Dokumente | Einzelner Hilfsschritt zum Klassifizieren oder Extrahieren | Orchestriert den gesamten Ablauf |
| Nachvollziehbarkeit | Antwort plus Quellenangabe | Jeder Lauf sieht gleich aus | Jeder Lauf sieht anders aus, Tracing ist Pflicht |
| Sinnvolle Fehlerkosten | Niedrig, der Mensch liest mit | Niedrig bis mittel, Validierung steckt im Ablauf | Mittel, mit Freigabe vor schreibenden Aktionen |
| Typische Einsätze | Support, internes Helpdesk, Produktdokumentation | Lead-Routing, Rechnungseingang, geplante Reports | Recherche, Ticket-Triage, Wettbewerbsbeobachtung |
Wie sehen diese drei Schichten in einem echten Stack aus?
In den meisten produktiven Systemen laufen alle drei parallel, nur an verschiedenen Stellen. Ein Chatbot vorne, ein Workflow in der Mitte, ein Agent für den harten Rest. Drei Muster, die wir wiederholt gebaut haben.
Muster eins: Support-Stack in drei Stufen
Vorne beantwortet ein RAG-Chatbot die wiederkehrenden Fragen aus der Dokumentation. Was er nicht lösen kann, klassifiziert ein n8n-Workflow und leitet es weiter: Abrechnungsfragen in die Zahlungsplattform, Feature-Wünsche ins Ticketsystem. Nur der harte Rest geht an einen Agenten, der Nutzungsdaten und Ticket-Historie zusammensucht, bevor ein Mensch übernimmt. Die Deflection-Rate liegt in unseren Projekten zwischen 60 und 75 Prozent. Das ist unsere eigene Messung aus wenigen Installationen, keine Branchenstatistik, und sie hängt stark davon ab, wie gut die Dokumentation vorher war.
Muster zwei: reiner Workflow ohne Chat
Eingehende Bestellmails werden von n8n gelesen, ein Modellschritt extrahiert die strukturierten Felder, ein Abgleich gegen das ERP-System validiert sie. Gültige Bestellungen werden angelegt und bestätigt, ungültige landen im Slack-Kanal der Disposition. Kein Chatfenster, keine Autonomie, wenige Cent pro Lauf. Für die Wirtschaftlichkeit lohnt der Blick auf die Vergleichszahlen zur Rechnungsverarbeitung: Nach den Benchmarks von Ardent Partners kostet eine Rechnung im Durchschnitt 9,40 USD, bei den besten Teams 2,78 USD, bei 9,2 gegenüber 3,1 Tagen Durchlaufzeit. Solche Deltas holen Sie mit einem Workflow, nicht mit einem Agenten. Mehr dazu auf unserer Seite zur Prozessautomatisierung.
Muster drei: reiner Agent für offene Recherche
Ein täglicher Auftrag lautet sinngemäß: prüfe, ob die Wettbewerber X, Y und Z neue Produkte angekündigt haben. Der Agent sucht, ruft Seiten ab, extrahiert, vergleicht mit dem Vortag und legt eine Zusammenfassung ab. Diesen Ablauf können Sie nicht vorab zeichnen, weil weder die Quellen noch die Anzahl der Schritte feststehen. Hier ist der Agent die richtige Wahl, und die Kosten pro Lauf bleiben im niedrigen einstelligen Dollarbereich, solange die Schrittzahl begrenzt ist.
Was verlangt der deutsche Markt zusätzlich: DSGVO, EU-Hosting, AI Act?
Drei Dinge kommen in DACH-Projekten regelmäßig oben drauf und entscheiden häufiger über den Zuschlag als die Modellwahl: die Datenhaltung in der EU samt Auftragsverarbeitungsvertrag, die Kennzeichnungspflicht für Chatbots aus dem EU AI Act, und die Frage, wem der Quellcode am Ende gehört.
Der Datenschutz ist dabei kein Nebenthema. Nach der Bitkom-Erhebung zur Digitalisierung der Wirtschaft, einer repräsentativen Telefonbefragung unter 604 Unternehmen ab 20 Beschäftigten, setzen 41 Prozent der deutschen Unternehmen KI ein (Vorjahr 17 Prozent), weitere 48 Prozent planen oder diskutieren den Einsatz. Das größte externe Hemmnis nennen 77 Prozent: die Anforderungen des Datenschutzes. Der Bitkom Cloud Report 2026 (603 Unternehmen ab 20 Beschäftigten) ergänzt das Bild: 98 Prozent halten die Herkunft des Cloud-Anbieters für relevant, 91 Prozent würden einen deutschen bevorzugen, 68 Prozent einen aus der EU. In der Praxis nutzen 71 Prozent heute einen US-Anbieter. Und 37 Prozent würden für eine ausschließlich deutsche Datenverarbeitung sogar funktionale Abstriche hinnehmen, im Vorjahr waren es 27 Prozent.
Für die Architektur heißt das: EU-Region und Zero Retention beim Modellanbieter, Auftragsverarbeitungsvertrag, und für die wirklich heiklen Daten ein offenes Modell auf eigener Hardware. Letzteres kostet mehr Betrieb und liefert bei schwierigen Aufgaben schwächere Ergebnisse. Wir sagen das offen, weil die gegenteilige Behauptung im Projekt auffliegt. Details zur Umsetzung stehen auf unserer Seite zum DSGVO-konformen KI-Chatbot mit EU-Hosting.
Rechtlich dazu kommt Artikel 50 des EU AI Act. Die Transparenzpflichten gelten seit dem 2. August 2026 unverändert weiter, auch nach der Verschiebung anderer Fristen durch den Digital Omnibus. Ein Chatbot muss sich als Maschine zu erkennen geben, synthetische Inhalte müssen maschinenlesbar markiert sein. Für Systeme, die vor diesem Stichtag schon im Markt waren, endet die Übergangsfrist zur Kennzeichnung am 2. Dezember 2026. Der Bußgeldrahmen für Verstöße gegen Artikel 50 liegt laut Artikel 99 bei bis zu 15 Mio. EUR oder 3 Prozent des weltweiten Jahresumsatzes, wobei für KMU und Start-ups der jeweils niedrigere Wert gilt.
Welche Fehler kosten in solchen Projekten am meisten?
Die teuersten Fehler sind Architekturfehler, keine Modellfehler. Sie fallen erst nach dem Livegang auf, wenn die Rechnung kommt oder die erste falsche Aktion in einem Produktivsystem landet.
- Einen Agenten bauen, wo ein Chatbot gereicht hätte. Agenten sind in Aufbau und Betrieb um ein Vielfaches teurer. Gartner erwartet, dass bis Ende 2027 über 40 Prozent der agentischen KI-Projekte eingestellt werden, wegen Kosten, unklarem Nutzen und unzureichendem Risikomanagement.
- Ohne Observability starten. Ohne Halluzinationsrate, Deflection-Rate und Zufriedenheitswert wissen Sie nach sechs Monaten nicht, ob das System etwas taugt. Langfuse selbst gehostet kostet keine Lizenz, das ist keine Budgetfrage.
- Den Agenten ohne Freigabe in Produktivsysteme schreiben lassen. Bis Sie mindestens tausend Läufe ausgewertet haben, gehört vor jede zustandsverändernde Aktion eine menschliche Freigabe.
- Alles intern bauen wollen. Die MIT-NANDA-Studie zum Stand der KI in Unternehmen (Juli 2025, über 300 dokumentierte Einführungen, 52 Interviews) fand, dass 95 Prozent der Pilotprojekte keinen messbaren Ergebniseffekt hatten. Interessanter ist die Aufteilung: interne Fachkraft plus externer Partner kam auf 67 Prozent Erfolgsquote, rein intern gebaute Projekte auf 22 Prozent.
- n8n wählen und drei Monate später feststellen, dass eine Chatoberfläche gebraucht wird. Planen Sie die Interaktion, bevor Sie das Werkzeug wählen.
Wie starten Sie in vier Wochen?
Mit einer Version 0.1, die live geht, nicht mit einem Konzept. Vier Wochen reichen, um an einem echten Prozess zu messen, ob die gewählte Ebene stimmt. Diese Struktur nutzen wir in jedem Projekt der KI-Entwicklung.
Häufige Fragen
Lässt sich ein fertiger Chatbot wie Intercom Fin oder Zendesk AI später durch eine eigene Lösung ersetzen?
Ja. In der Regel sind das zwei bis vier Wochen: Wissensbasis übernehmen, Gesprächslogik neu bauen, Verlauf migrieren. Der Wechsel rechnet sich vor allem dann, wenn die Abrechnung des Anbieters pro Konversation oder pro gelöstem Fall läuft und Ihr Volumen steigt. Bei stabil niedrigem Volumen bleibt das Abo billiger.
Ist n8n für ein Unternehmen mit 50 Mitarbeitern produktionsreif?
Ja, auch selbst gehostet auf einem kleinen Server. Die Grenze ist selten die Technik, sondern die Frage, wer die Workflows pflegt, wenn der Kollege geht, der sie gebaut hat. Ab etwa 500 Mitarbeitern und mit strengen Revisionsanforderungen sollten Sie Microsoft Power Automate oder eine eigene Orchestrierung in Code prüfen.
Was kostet der günstigste sinnvolle Einstieg?
Ein RAG-Chatbot auf einer Wissensbasis inklusive n8n-Anbindung liegt bei 2.600 bis 7.800 EUR Aufbau (AppForge-Preisliste, Stand 14.08.2026, umgerechnet mit 385 HUF je Euro, netto). Die Modellkosten für 5.000 Gespräche im Monat liegen nach unserer Rechnung mit Claude Haiku 4.5 bei rund 160 USD, mit Claude Sonnet 5 bei rund 320 USD.
Läuft so ein System DSGVO-konform mit Datenhaltung in der EU?
Bei Anthropic und OpenAI können Sie EU-Regionen und Zero-Retention-Vereinbarungen nutzen, dazu kommt der Auftragsverarbeitungsvertrag. Wenn die Daten das Haus gar nicht verlassen dürfen, bleibt ein offenes Modell auf eigener Hardware. Das kostet mehr Betrieb und liefert bei komplexen Aufgaben schwächere Ergebnisse, ist aber die einzige Variante ohne Drittlandtransfer.
Müssen wir Nutzer darüber informieren, dass sie mit einer KI sprechen?
Ja. Die Transparenzpflichten aus Artikel 50 des EU AI Act gelten seit dem 2. August 2026 unverändert: Chatbots müssen sich als solche zu erkennen geben, synthetische Inhalte maschinenlesbar markiert sein. Für Systeme, die vor diesem Datum schon im Markt waren, endet die Übergangsfrist zur Kennzeichnung am 2. Dezember 2026.
Wann rechtfertigt eine Aufgabe wirklich einen eigenen Agenten?
Wenn der Weg zum Ziel nicht vorab zeichenbar ist, das Modell abhängig vom Zwischenergebnis entscheiden muss, welches Werkzeug als nächstes dran ist, und ein Mensch die schreibenden Aktionen freigibt. Trifft eines dieser drei Kriterien nicht zu, bekommen Sie mit einem Workflow dasselbe Ergebnis zu einem Bruchteil der Kosten.
Wie migrieren wir von n8n auf einen eigenen Agenten, wenn wir herauswachsen?
Meist vier bis acht Wochen. Zuerst dokumentieren wir jeden Workflow mit Eingabe, Ausgabe, Schritten und Entscheidungspunkten. Die deterministischen Teile wandern in einen Backend-Service in Python oder TypeScript, nur die offenen Entscheidungspunkte bekommen einen Agenten. n8n bleibt danach oft als Integrationsschicht stehen, das muss niemand neu schreiben.
Womit würden wir an Ihrer Stelle anfangen?
Mit der billigsten Ebene, die die Aufgabe abdeckt. Beantworten Ihre Leute täglich dieselben Fragen, bauen Sie einen Chatbot auf der vorhandenen Dokumentation. Sitzt der Schmerz in einem internen Ablauf über mehrere Systeme, nehmen Sie n8n. Einen Agenten bauen Sie erst, wenn Sie belegen können, dass sich der Weg zum Ergebnis nicht vorab zeichnen lässt. Nach unserer Erfahrung trifft das auf einen kleineren Teil der Anfragen zu, als die Diskussion vermuten lässt.
Wenn Sie wissen wollen, auf welche Ebene Ihr konkreter Fall gehört: Wir gehen ihn in 30 Minuten mit Ihnen durch und sagen auch, wenn keine der drei Ebenen sich rechnet. Angebot anfordern oder direkt einen Termin vorschlagen.
Quellen
- Anthropic, Modellpreise (abgerufen 14.08.2026)
- n8n Preise und Zapier Preise (abgerufen 14.08.2026)
- Langfuse Preise und LangSmith Preise (abgerufen 14.08.2026)
- Anthropic, Contextual Retrieval (19.09.2024) und Code Execution with MCP (04.11.2025)
- Gartner, Pressemitteilung zu agentischer KI (25.06.2025, Umfrage N = 3.412)
- MIT Project NANDA, The GenAI Divide (Juli 2025)
- Bitkom, Digitalisierung der Wirtschaft (11.03.2026) und Bitkom Cloud Report 2026 (17.06.2026)
- ifo Institut zur KI-Nutzung in Deutschland (05.06.2026) und DMB KI-Index Mittelstand 2026 (09.03.2026)
- EU AI Act, Artikel 99 und Bird & Bird zum finalen Transparency Code of Practice (10.06.2026)
- Freelancer-Kompass 2026, Stundensätze (02.07.2026) und Ardent-Partners-Benchmarks zur Rechnungsverarbeitung (20.07.2026)