Schritt 1: Webhook-Trigger

In n8n: New Workflow → Add first step → Webhook.

In den Webhook-Settings:

• HTTP Method: POST
• Path: kontakt-anfrage (eigener Pfad)
• Authentication: Header Auth – generier einen langen Random-String als Secret
• Response Mode: Last Node (n8n antwortet, wenn der Workflow durch ist)

n8n zeigt dir die Webhook-URL, etwa https://deine-n8n-instanz.de/webhook/kontakt-anfrage. Diese URL trägst du in deinem Kontaktformular als POST-Endpunkt ein.

Test: Im n8n-Editor "Test workflow" klicken, dann eine echte Anfrage über das Formular schicken. Wenn n8n den Webhook empfängt, siehst du die Daten als JSON. Wenn nicht, ist der Pfad falsch oder das Header-Auth-Secret stimmt nicht.

Schritt 2: Klassifizierung mit LLM

Nach dem Webhook-Node: + → AI → OpenAI → Message a Model. (Wenn du Azure nutzt, gibt's einen separaten Azure-OpenAI-Node mit denselben Settings.)

Konfiguration:

Du bist ein Klassifizierungs-Assistent für eingehende
Kundenanfragen einer Bauunternehmung.
Antworte ausschließlich mit einem JSON-Objekt der Form:
{"kategorie": "angebot" | "support" | "spam" | "sonstiges"}
Keine Erklärung, kein Fließtext.

Wichtig: Response Format auf JSON Object stellen. Sonst gibt das Modell manchmal Markdown-formatierte Antworten zurück und der Workflow bricht.

Test mit der Anfrage von eben. Du solltest ein { "kategorie": "angebot" } oder ähnlich zurückbekommen.

Schritt 3: Routing über IF-Node

Nach dem Klassifizierungs-Node: + → Flow → IF.

Bedingung: {{ $json.message.content.kategorie }} ist not in spam, sonstiges.

Der IF-Node teilt den Workflow in zwei Pfade. Auf dem "false"-Pfad (Spam/Sonstiges) endet der Workflow. Optional: Bei Spam ein Logging-Eintrag, bei Sonstiges eine Verschiebung in einen Fallback-Ordner.

Auf dem "true"-Pfad geht's weiter mit den nächsten Schritten.

Schritt 4: CRM-Lookup

Hier wird's CRM-spezifisch. Wir zeigen es für ein generisches REST-API-CRM (HubSpot, Pipedrive, Zoho funktionieren ähnlich).

Nach dem IF-Node (true-Pfad): + → HTTP Request.

Im nächsten Schritt nutzen wir die Existenz oder Abwesenheit dieses Kontakts.

Schritt 5: Extraktion strukturierter Felder

Zweiter LLM-Call. Diesmal extrahieren wir die wichtigen Informationen aus der Anfrage in ein strukturiertes Format.

+ → AI → OpenAI → Message a Model.

Extrahiere aus der Kundenanfrage folgende Felder als JSON:
{
  "leistungsart": "Welche Leistung wird angefragt?",
  "umfang": "Geschätzter Umfang in Worten oder offen",
  "dringlichkeit": "hoch" | "normal" | "niedrig",
  "rueckfragen": ["Welche Informationen fehlen für ein
                   verbindliches Angebot?"]
}
Wenn Information fehlt: null verwenden, nicht raten.

Schritt 6: Antwort-Entwurf schreiben

Dritter LLM-Call. Hier baut der Agent den eigentlichen Mehrwert: einen menschlich klingenden Antwort-Entwurf.

Zwei Varianten je nachdem, ob es ein Bestandskunde ist oder nicht. Bau das mit zwei separaten OpenAI-Nodes nach einem zweiten IF-Node, der prüft ob der CRM-Lookup einen Treffer hatte.

Beispiel-Prompt für Bestandskunden:

Du bist Sachbearbeiter bei [Firmenname]. Schreibe einen
Antwort-Entwurf an einen BESTANDSKUNDEN.
Tonalität: höflich-direkt, kein Marketing-Sprech.
Begrüßung mit Vorname (aus CRM-Daten).
Beziehe dich konkret auf seine Anfrage.
Stelle die Rückfragen, falls welche im JSON stehen.
Schließe mit Hinweis auf Antwortzeit (24 Stunden).
Unterschrift offen lassen ("Ihr Team von [Firmenname]").

Variante für Neukunden: leicht andere Begrüßung, Kurzvorstellung der Firma im ersten Satz, sonst gleich.

Schritt 7: Übergabe als E-Mail-Entwurf

Hier kommt der entscheidende Punkt: Der Agent versendet die Antwort nicht selbst. Er legt sie als Entwurf im Postfach des Sachbearbeiters ab.

Für Microsoft 365: + → Microsoft Outlook → Draft → Create. Du brauchst einmalig die OAuth-Authentifizierung gegen euer Microsoft-365-Konto.

Optional: Eine Slack/Teams-Benachrichtigung an den Sachbearbeiter, dass ein neuer Entwurf bereitliegt. + → Slack → Send Message.

Was am Anfang schiefgeht (und wie du es fixt)

Aus Erfahrung – die fünf häufigsten Probleme bei der ersten Inbetriebnahme:

JSON-Parse-Fehler. LLMs verpacken JSON gern in Markdown-Codeblöcke. Fix: Response Format → JSON Object in den OpenAI-Settings, plus im Prompt explizit "JSON only, keine Codeblöcke". Beides, einzeln reicht nicht.

Webhook-Daten-Struktur falsch. Je nach Formular-Anbieter (Typeform vs. eigenes HTML-Form vs. WordPress Contact Form 7) ist die JSON-Struktur unterschiedlich. Im n8n-Editor kannst du den letzten Webhook-Aufruf inspizieren und siehst genau, wo welche Felder liegen. Erst danach Verweise schreiben.

Halluzinierte CRM-Daten. Wenn der CRM-Lookup nichts findet (404), greift das LLM trotzdem manchmal auf "verfügbare Daten" zurück und erfindet einen Vornamen. Lösung: Im System-Prompt explizit "wenn kein CRM-Datensatz vorliegt, neutrale Anrede verwenden" – und im Code prüfen, ob das CRM-Resultat existiert.

Kosten-Eskalation. Wenn dein Webhook von einem Spam-Bot mit 10.000 Anfragen pro Stunde geflutet wird, wird teuer. Lösung: Vor dem ersten LLM-Call eine Rate-Limit-Logik (n8n hat keine native, aber du kannst mit Static Data arbeiten) und ein Hard Limit auf der OpenAI-Seite.

E-Mail-Entwurf landet im falschen Postfach. Standard ist das Postfach des n8n-Authentifizierten Users. Wenn du den Entwurf in einem Shared Mailbox haben willst, musst du den Outlook-Node entsprechend konfigurieren.

Wann der Agent reif für Live-Betrieb ist

Bevor du den Workflow scharfschaltest, drei Tests:

20 historische Anfragen durchspielen. Nimm die letzten 20 Anfragen aus eurem Postfach und lass sie durch den Workflow laufen. Vergleich die generierten Entwürfe mit dem, was die Sachbearbeiter damals tatsächlich geschrieben haben. Übereinstimmung bei mindestens 70 Prozent? Reif.

Spam-Anfragen testen. Generier ein paar offensichtliche Spam-Texte ("Buy cheap viagra", "Investment opportunity") und prüf, ob der Workflow korrekt klassifiziert. Wenn nicht: Klassifizierungs-Prompt schärfen.

Edge Cases. Eine sehr lange Anfrage (5.000 Wörter Code-Snippet drin), eine sehr kurze ("Brauch Hilfe"), eine in einer Fremdsprache. Was passiert? Brechen die Schritte sauber ab oder produziert das LLM Müll?

Wenn alle drei Tests sauber durchlaufen, kannst du scharf schalten. Aber selbst dann: Die ersten 100 Live-Anfragen werden manuell geprüft, bevor der Sachbearbeiter rausschickt. Das ist die Mensch-im-Loop-Phase.

Was du als nächstes erweitern kannst

Der Agent läuft. Was kommt danach? Drei sinnvolle Erweiterungen:

Anhänge analysieren. Wenn die Anfrage eine PDF (Lastenheft, Bauplan) anhängt, kann der Agent das Dokument einlesen, Kernpunkte extrahieren und in den Antwort-Entwurf einbauen. Mit GPT-4o oder Gemini 2.5 funktioniert das gut.

Konfidenz-Score. Erweitere den Klassifizierungs-Prompt um einen Konfidenz-Wert (0-100). Bei niedriger Konfidenz: Spezial-Routing zu einem Senior-Mitarbeiter statt automatischem Entwurf.

Lernende Tonalität. Sammle die manuellen Überarbeitungen der ersten 100 Anfragen. Pack sie als Few-Shot-Beispiele in den Prompt. Nach drei Monaten klingt der Agent wie eure echten Mitarbeiter.