Projekte
Lead Flow: Von der Anfrage zur geprüften Antwort.
Demo3. August 2026
- Bereich
- Dienstleistungen
- Umsetzung
- Demo-Aufbau
- Kompetenz
- Prozessautomatisierung
- Stack
- n8n · MCP · Gemini · Telegram · Git
Ergebnis
- Anfragen werden vorstrukturiert statt einzeln gelesen und sortiert
- Eine Person gibt jede kundennahe Antwort frei
- Der Ablauf bleibt als einzelne n8n-Knoten nachvollziehbar
Eine Anfrage kommt über ein Formular herein. Der Workflow prüft zuerst, ob ein Bot dahintersteckt, lässt den Inhalt danach von Gemini in ein festes Schema einordnen und legt den Lead mit seinem Status ab. Anschließend entsteht ein Antwortentwurf — aber noch keine Nachricht an den Kunden: Eine Person prüft ihn in Telegram und entscheidet, ob die Antwort freigegeben wird und danach per E-Mail gesendet werden kann.
Das ist ein Demo-Projekt für einen häufigen kleinen Prozess: Interessierte melden sich, die Informationen landen an mehreren Stellen, und die erste Antwort soll schnell genug kommen, ohne dass ein Sprachmodell selbstständig Kontakt aufnimmt.
Das Problem: schnell reagieren, ohne Verantwortung abzugeben
Ein Kontaktformular ist schnell gebaut. Schwieriger wird es danach: Ist die Nachricht eine echte Anfrage oder Werbung? Worum geht es fachlich? Wie dringend ist sie? In welcher Sprache soll man antworten? Und wo sieht man später, was aus dem Kontakt geworden ist?
Die Demo bündelt diese Schritte in einem klaren Ablauf. Das Modell strukturiert den Inhalt und bereitet Text vor. Die Entscheidung, ob dieser Text nach außen geht, bleibt bei einer verantwortlichen Person.
Der Ablauf in n8n
1. Eingang und Bot-Schutz
Das Formular läuft direkt in n8n. Ein zusätzliches Feld namens Website ist
für Menschen per CSS unsichtbar. Wird es ausgefüllt, führt der Workflow den
Datensatz in den Pfad „Spam verworfen“. Die Website selbst braucht dafür kein
separates Backend.
2. Klassifizieren statt frei antworten
Gemini bekommt die Anfrage als Text und liefert strikt strukturiertes JSON. Das Schema enthält die Kategorie (etwa Prozessautomatisierung oder Datenintegration), eine Dringlichkeit von 1 bis 5, die Sprache, ein Budget-Signal, ein Spam-Flag und eine kurze Zusammenfassung.
Die KI entscheidet hier nicht, ob ein Kontakt angenommen wird. Sie liefert eine einheitliche Beschreibung, mit der die folgenden Verzweigungen und die Benachrichtigung arbeiten können. Genau diese Trennung macht den Ablauf prüfbar: Klassifikation ist eine technische Hilfe, keine Freigabe.
3. Normalisieren und nachvollziehbar speichern
Ein Set-Knoten übernimmt die Formularwerte und das Klassifikationsergebnis in ein gemeinsames Format. Danach schreibt ein Upsert in die n8n Data Table „Lead Flow — Leads“. Die E-Mail dient als Schlüssel, damit derselbe Absender nicht bei jedem erneuten Absenden einen zweiten Datensatz erzeugt.
4. Antwort vorbereiten
Nur echte Anfragen gelangen in den nächsten Pfad. Ein zweiter LLM-Schritt schreibt eine kurze Antwort in der Sprache der Anfrage. Der Prompt setzt dabei enge Grenzen: Sie-Form auf Deutsch, maximal 120 Wörter, keine Preise und genau eine Rückfrage für den nächsten Schritt.
5. Menschliche Freigabe
Der Entwurf geht per Telegram an den Manager. Die Nachricht enthält die Klassifikation, eine kurze Zusammenfassung und den Entwurf. Zwei Buttons machen die Entscheidung explizit: „Senden“ oder „Nicht senden“.
Bei Freigabe wird der Status im Datensatz aktualisiert. Danach kann die freigegebene Antwort per E-Mail gesendet werden. Bei Ablehnung bleibt der Entwurf für eine spätere Bearbeitung erhalten. Damit ist der Status nicht nur „durchgelaufen“, sondern beschreibt, was tatsächlich entschieden wurde.
Schnell gebaut durch MCP, direkt prüfbar im Editor
Der Workflow wurde über MCP als n8n-Struktur angelegt. Das verkürzt den Weg von der Beschreibung zur ersten lauffähigen Version: Knoten, Verbindungen, Parameter und das JSON-Schema lassen sich gezielt erzeugen und validieren.
Der Vorteil liegt nicht darin, dass der Editor verschwindet. Im Gegenteil: Das Ergebnis bleibt ein normaler n8n-Workflow. Man kann den Canvas lesen, den Klassifikator öffnen, die Freigabeoptionen prüfen und die Datenablage sehen. MCP beschleunigt den Aufbau; die Automation bleibt für Menschen verständlich.
Was davon für kleine Betriebe bleibt
Das Muster ist auf viele Eingangskanäle übertragbar: Anfrage per Formular, E-Mail oder Notiz; danach ein gemeinsamer Datensatz, eine Priorisierung und eine Antwortvorlage. Die Maschine übernimmt die Fleißarbeit. Ein Mensch prüft den Inhalt und gibt den nächsten Schritt frei.
Die entscheidende Gestaltung ist deshalb nicht „KI antwortet automatisch“, sondern: KI bereitet vor, Mensch verantwortet. Dazu kommen ein klarer Status pro Lead und ein Workflow, dessen Entscheidungen im n8n-Editor sichtbar bleiben.