Claude mit n8n verbinden

Das Wichtigste in 60 Sekunden

• n8n + Claude verbindet Workflow-Steuerung mit der Claude-API; Datenschutz hängt vom konkreten Datenfluss und Vertrag ab.
• Self-hosted auf Hetzner Frankfurt, Azure DE oder STRATO — oder n8n.cloud.
• Anthropic-Node: verfügbare Modelle und IDs in n8n und der aktuellen Anthropic-Modellübersicht prüfen; Sonnet 5 und Opus 5.5 sind relevante Vergleichskandidaten.
• Use-Cases: Mail-Sortierung, Lead-Anreicherung, Content-Pipelines, Invoice-Extraction, Reporting.
• Kosten sparen mit Prompt Caching, Batch Processing und Modell-Mix (Haiku für Klassifikation, Sonnet für Analyse).
• Logging Pflicht — sonst bemerkt ihr nicht, dass Claude beim 1000. Lauf andere Antworten gibt.
• Typischer ROI für mittelständische Workflows: Investment 5.000–15.000 €, jährliche Zeit-Einsparung 50.000–200.000 €.

Warum n8n + Claude?

• n8n könnt ihr selbst hosten. Die Workflow-Infrastruktur bleibt dann unter eurer Kontrolle; an Claude gesendete Daten werden weiterhin von Anthropic verarbeitet.
• Plattformmodule und API-Aufrufe verbinden passende Zielsysteme. Der HTTP-Request-Knoten unterstützt individuelle API-Anfragen. Für DATEV müssen Datenservice, Rechte und eine freigegebene Integration gesondert geprüft werden.
• Der Anthropic-Knoten dokumentiert unter anderem Textantworten sowie Dokumenten- und Bildanalyse. Weitere Funktionen prüft ihr am verwendeten Knoten und Modell; nicht jede API-Funktion ist automatisch als Knotenoption verfügbar.
• Ideal für Agentic Workflows — Claude entscheidet auf Basis der Daten, welcher Node als Nächstes dran ist.
• Quelloffen und selbst hostbar: n8n verwendet die Sustainable Use License mit Nutzungsbeschränkungen; es ist keine uneingeschränkte Open-Source-Lizenz.
• Kosten planen: Die Community Edition ist im erlaubten Nutzungsrahmen kostenlos. Hosting, Wartung, Claude-Verbrauch und gegebenenfalls kostenpflichtige Funktionen kommen hinzu.

Voraussetzungen

• n8n-Installation — self-hosted (Docker/Kubernetes/Bare-Metal) oder n8n.cloud-Account.
• Anthropic-API-Key aus console.anthropic.com (Workspaces → API Keys → Create).
• Optional: Postgres-DB für n8n-Metadaten (statt SQLite, wenn ihr serös skaliert).
• Datenregeln für den gesamten Ablauf: freigegebene Eingaben, passende Verträge, Zugriffsrechte und Aufbewahrung für Hosting, Claude und weitere Dienste prüfen.
• Für Tool Use: gewünschte Ziel-Systeme bereits per Credentials in n8n eingerichtet.

Setup in fünf Schritten

1. n8n installieren — z. B. Docker Compose:

   services:
     n8n:
       image: n8nio/n8n:latest
       ports: ["5678:5678"]
       environment:
         - DB_TYPE=postgresdb
         - DB_POSTGRESDB_HOST=postgres
         - N8N_HOST=automation.deine-firma.de
         - WEBHOOK_URL=https://automation.deine-firma.de/
       volumes: ["~/.n8n:/home/node/.n8n"]

2. Anthropic-Credentials anlegen — Settings → Credentials → New → „Anthropic API“ → Key einfügen.
3. Workflow erstellen — Trigger wählen (Webhook, Schedule, Mail, …).
4. „Anthropic Chat Model“-Node einfügen — aktuelle Modell-ID nach Aufgabe und Kosten wählen, Prompt mit Expressions {{ $json.feld }} bauen.
5. Output verarbeiten — Structured Output mit JSON-Schema, dann weiter in nachgelagerte Nodes.

Prompt-Templates richtig bauen

Anti-Pattern: alles in einen einzelnen User-Prompt packen. Best Practice — drei klar getrennte Felder:

• System-Prompt: Rolle, Aufgabe, Verhaltensregeln. Statisch — perfekt für Prompt Caching.
• User-Prompt: die konkrete Aufgabe, mit dynamischen Daten aus n8n-Expressions.
• Output-Format: JSON-Schema oder Markdown-Anweisung.

Beispiel — Mail-Klassifikator:

System:
Du bist ein Mail-Klassifikator für ein Marketing-Agentur-Postfach.
Klassifiziere eingehende Mails in genau eine Kategorie:
- lead (Neu-Anfrage)
- bestand (bestehender Kunde)
- spam (Werbung, Phishing)
- intern (von Kollegen)
- sonstiges
Gib NUR die Kategorie als Wort zurück.

User:
Betreff: {{ $json.subject }}
Absender: {{ $json.from }}
Body: {{ $json.text }}

Ein Schema mit einer festgelegten Kategorienliste erleichtert die technische Validierung. Es garantiert keine inhaltlich richtige Klassifikation. Ungültige, unklare oder widersprüchliche Ergebnisse brauchen einen eigenen Prüfpfad.

Fünf Workflow-Muster aus der Praxis

1. Mail-Triage und Routing

Trigger: neue Gmail-Mail → Claude (Haiku) klassifiziert in lead / bestand / spam → IF-Node → Lead in HubSpot anlegen, Bestand in Helpdesk-Ticket, Spam ignorieren. Spart pro Mitarbeiter 15–30 Min Sortier-Zeit pro Tag.

2. Content-Aggregation

Trigger: 06:00 Uhr → 5 RSS-Feeds einlesen → Claude (Sonnet) fasst zusammen, kürzt auf 3 Sätze pro Artikel → Notion-Page anlegen → Slack-Digest in #content-team. Ersetzt einen wöchentlichen 2-Stunden-Manual-Review.

3. Lead-Anreicherung

Möglicher Ablauf: Ein HubSpot-Webhook meldet einen neuen Lead. Claude erstellt aus freigegebenen Quellen ein Briefing für eine CRM-Notiz und eine Vertriebsaufgabe. Zulässige Quellen, Datenarten und Rechtsgrundlage müssen vor dem Einsatz betrieblich geklärt werden; die KI-Antwort ersetzt diese Prüfung nicht.

4. Invoice-Extraction

Möglicher Pilot: Ein neuer Beleg wird ausgelesen; Claude bereitet die vorhandenen Angaben für eine Prüfung vor. Pflichtfelder, Lieferantenzuordnung, Summen und Dubletten werden kontrolliert. Nach fachlicher Freigabe folgt die Übergabe über eine unterstützte Schnittstelle der Buchhaltungssoftware. Eine DATEV-Übertragung benötigt den passenden eingerichteten Datenservice oder eine freigegebene Integration. Durchsatz und Prüfaufwand werden im Pilot gemessen. Der Leitfaden zu Claude und Handwerkersoftware erklärt die Wege für Lexware Office, sevDesk und DATEV.

5. Wöchentlicher Marketing-Report

Trigger: Freitag 15:00 Uhr → Daten aus Google Analytics, HubSpot, Stripe, LinkedIn ziehen → Claude (Opus) konsolidiert in Bericht mit Kommentaren und Empfehlungen → PDF erstellen → an Geschäftsführung mailen + Slack #leads. Ersetzt einen festen Mitarbeiter-Termin von 4 Stunden pro Woche.

Tool Use und Agentic Workflows

Der wahre Hebel kommt mit Tool Use: Claude bekommt Zugriff auf eure Tools (Gmail, Postgres, CRM) und entscheidet selbst, welche Aktion er macht. n8n bildet das ab über das „AI Agent“-Pattern:

1. AI-Agent-Node in n8n als Container.
2. Claude-Node als „Brain“.
3. Mehrere Tool-Nodes anhängen (Gmail Send, HubSpot Update, Postgres Query).
4. Claude bekommt eine Aufgabe („Beantworte diese Mail kompetent, lege ggfs. Lead an, antworte mit Booking-Link“). Claude entscheidet, welche Tools er braucht und in welcher Reihenfolge.

Solche Agent-Setups bauen wir auch für dich — realistisch 1–3 Tage Aufwand für den ersten produktiven Agenten. Mehr: Claude API-Integration.

Prompt Caching: wiederholte Kontextkosten senken

Bei häufig laufenden Workflows ist Prompt Caching einer der größten Hebel. Statische Teile (System-Prompt, Referenz-Material) werden einmal verarbeitet und anschließend günstiger erneut gelesen. Besonders bei langen System-Prompts, Styleguides oder Regelwerken zahlt sich das aus.

Die Dokumentation zum Anthropic Chat Model nennt eine eigene Prompt-Caching-Option:

1. Stabile Anweisungen und Referenzdaten von wechselnden Eingaben trennen.
2. Prüfen, ob die eingesetzte Version die dokumentierte Option mit fünf Minuten oder einer Stunde Cache-Dauer anbietet.
3. Cache-Nutzung und tatsächliche Kosten am eigenen Ablauf messen; zusätzliche Cache-Schreibvorgänge berücksichtigen.

Die Wirkung hängt von Modell, Mindestlänge, wiederverwendetem Inhalt und Abstand zwischen den Aufrufen ab. Aus einer aktivierten Option ergibt sich keine feste prozentuale Ersparnis für den gesamten Workflow.

Structured Output und Error Handling

Structured Output

Definiert für maschinell verarbeitete Antworten ein Schema. n8n dokumentiert dafür beispielsweise den Structured Output Parser. Welcher Aufbau zum Modell und dem verwendeten Hauptknoten passt, muss in der eingesetzten Version getestet werden. Beispiel-Schema für Lead-Klassifikation:

{
  "type": "object",
  "properties": {
    "kategorie": { "type": "string", "enum": ["lead","bestand","spam","intern"] },
    "prioritaet": { "type": "string", "enum": ["hoch","mittel","niedrig"] },
    "begruendung": { "type": "string" }
  },
  "required": ["kategorie", "prioritaet"]
}

Mit einem definierten Structured-Output-Schema und nachgelagerter Validierung lässt sich der Output zuverlässig als JSON in IF/Switch-Nodes weiterverarbeiten. Fehlerpfad und Schema-Validierung gehören trotzdem in den Workflow.

Error Handling

• Retry-Logik: n8n-Retry-Setting auf 3 Versuche mit Exponential Backoff (5s, 30s, 2 Min).
• Rate-Limit-Erkennung: Bei 429-Errors automatisch warten.
• Fallback-Modell: Bei Opus-Quota voll → automatisch auf Sonnet wechseln.
• Error-Workflow: Bei Critical-Failure Slack-Alert in #ops-Kanal.

Logging, Observability, Audit

Wer Workflows ohne Logging laufen lässt, fliegt blind. Drei sinnvolle Logging-Stufen:

• n8n-eigenes Execution-Log: standardmäßig in der DB. Reicht für Debugging einzelner Läufe.
• Langfuse oder Helicone: spezialisierte LLM-Observability — Prompts, Responses, Tokens, Kosten, Latenzen. Self-hosted möglich.
• BI-Datenbank: für Reporting (Wie viele Leads diese Woche? Wie viel API-Cost pro Workflow?).

Legt für Protokolle fest, welche Angaben zur Fehleranalyse tatsächlich benötigt werden, wer sie sehen darf und wann sie gelöscht werden. Ein Hash oder ein von der KI ausgegebener Confidence-Score erfüllt nicht automatisch Datenschutz- oder Nachweisanforderungen. Auch Logs verbundener Dienste gehören in die Prüfung.

DSGVO bei n8n + Claude

Prüft drei Ebenen des konkreten Ablaufs:

1. Datenweg: Welche Eingaben, Ausgaben und Protokolle erhalten n8n, Claude, das Zielsystem und weitere Dienste? EU-Hosting von n8n legt den Verarbeitungsort der anderen Dienste nicht fest.
2. Verträge und Einstellungen: Produkt, Vertragsrollen, erforderliche Vereinbarungen, Zugriffsrechte, Aufbewahrung und gegebenenfalls internationale Übermittlungen fallbezogen prüfen.
3. Betriebliche Regeln: Zweck, freigegebene Datenarten, menschliche Kontrolle, Dokumentation und den Umgang mit Fehlern festlegen.

Ein bestimmter Tarif oder eigener Server macht den Ablauf nicht automatisch datenschutzkonform. Nutzt den Claude-Datenschutz-Prüfleitfaden zur Vorbereitung. Bei der konkreten Einrichtung unterstützt unser Claude-DSGVO-Service.

Stolperfallen

• API-Key im Workflow hartkodiert. Niemals — immer über n8n-Credentials.
• Opus für jeden Workflow. Massenverarbeitung gehört auf Haiku, nur bei harten Aufgaben Opus.
• Keine Limits, keine Tests. Erster Lauf kostet ca. 4,40 €, bei einem Loop-Bug auf einmal ca. 440 €. Always set MAX_ITERATIONS.
• Workflows ohne Error-Handler. Bei einem Fehler stoppen 1000 Verarbeitungen. Error-Workflow ist Pflicht.
• Memory-Leak in self-hosted n8n. Bei großen Volumen: regelmäßige Restarts oder Kubernetes-Setup.
• Veraltete n8n-Version. Alle 4–6 Wochen Update, Sicherheits-Fixes nicht verschlafen.

Nächster Schritt

Wir prüfen mit euch einen konkreten Ablauf, die verfügbaren Schnittstellen, Datenregeln und notwendige Freigaben. Daraus entsteht ein abgegrenzter Pilot mit überprüfbarem Ergebnis. Claude-API-Integration anfragen oder die kostenlose Potenzial-Analyse anfordern.