Lead-Routing mit KI-Vorqualifizierung — n8n-Workflow Schritt für Schritt

Auf einen Blick

Dieser Artikel zeigt, wie Sie mit n8n und KI-Vorqualifizierung eingehende Leads automatisch klassifizieren (Hot/Warm/Cold), an die richtige Vertriebsperson routen und im CRM anlegen.

Workflow 1 von 5

Eingehende Webformular-Leads automatisch in Hot/Warm/Cold klassifizieren, in HubSpot/Pipedrive anlegen und der richtigen Vertriebsperson per Slack zuteilen — in unter 30 Sekunden, 24/7.

Was dieser Workflow macht

Eingehende Leads aus dem Webformular werden in unter 30 Sekunden vollautomatisch klassifiziert, im CRM angelegt und an die richtige Person geroutet. Konkret:

1. Webformular schickt POST-Request an n8n-Webhook
2. Claude (oder GPT-5) bewertet den Lead als HOT, WARM oder COLD mit Begründung
3. Bei HOT: Slack-Nachricht an Vertrieb + sofortiger CRM-Eintrag mit Priorität
4. Bei WARM: CRM-Eintrag, Auto-Nurture-Sequenz in der Marketing-Automation
5. Bei COLD: nur CRM-Eintrag, ohne Vertriebs-Alarm

Voraussetzungen

• n8n (Cloud oder Self-Hosted ab v1.50)
• Anthropic-API-Key oder OpenAI-Key — siehe Claude-Test
• CRM mit API (HubSpot, Pipedrive, Salesforce, Odoo — alle haben n8n-Nodes)
• Slack-Workspace (oder Microsoft Teams)

Der Prompt — das Herzstück

Die Qualität steht und fällt mit dem Klassifizierungs-Prompt. Hier unsere getestete Version:

Du bist Vertriebs-Vorqualifizierer für [Unternehmen].

Klassifiziere den folgenden Lead als HOT, WARM oder COLD.

HOT-Kriterien (mindestens 3 müssen erfüllt sein):
- Konkreter Use Case beschrieben
- Zeitrahmen genannt (<3 Monate)
- Budget-Indiz (Größenordnung, „Budget vorhanden")
- Entscheider-Funktion (GF, Bereichsleitung, IT-Leitung)
- Firmen-Größe passt zu Zielkunden-Profil

WARM-Kriterien:
- Interesse erkennbar, aber unklarer Zeitrahmen
- Recherche-Phase, kein konkreter Use Case
- Mittlere Position (Senior, Manager ohne Budget)

COLD-Kriterien:
- Generische Anfrage, „nur Info"
- Student:in, Wettbewerb, Job-Suchende
- Kein passendes Firmen-Profil

Antworte ausschließlich mit JSON:
{
  "score": "HOT|WARM|COLD",
  "reason": "1 Satz Begründung",
  "next_step": "konkrete nächste Aktion",
  "assigned_to": "Name des Vertriebs-Owners oder MARKETING"
}

Lead-Daten:
{{$json}}

Schritt-für-Schritt-Setup

1. Webhook anlegen

In n8n: neuer Workflow → Trigger „Webhook" → Methode POST → Pfad lead-eingang. Die Webhook-URL bekommt das Webformular als Submit-Endpunkt.

2. Anthropic-Node konfigurieren

Node „Anthropic" hinzufügen. Modell: claude-3-5-sonnet (Balance aus Qualität und Kosten). Prompt aus dem Block oben einfügen. Max-Tokens: 200 reicht für JSON-Antwort.

3. JSON-Parse + Switch

Node „Set" um das JSON-Ergebnis als strukturiertes Datum zu extrahieren. Danach „Switch"-Node mit drei Routes für HOT / WARM / COLD.

4. CRM-Anlage

Pro Route: passender CRM-Node (HubSpot „Create Contact" etc.). Felder: E-Mail, Vorname, Nachname, Firma, Lead-Score, Reason, Quelle, Datum.

5. Slack-Benachrichtigung (nur HOT)

Slack-Node „Post Message" mit formatiertem Block: Lead-Name, Firma, Score-Reason, CTA „In CRM ansehen" (deep-link).

Kosten + Performance

• API-Kosten: ca. 0,002 € pro Lead-Klassifizierung mit Claude 3.5 Sonnet
• Latenz: 2–5 Sekunden vom Form-Submit bis CRM-Eintrag
• Trefferquote: in unseren KMU-Projekten 87 % Übereinstimmung mit menschlicher Bewertung

Typische Fehlerquellen

• Halluzinierte Felder: Antwort enthält nicht-existente Felder. Fix: Schema im Prompt explizit erzwingen, „Antworte ausschließlich mit JSON".
• Zu viele HOT-Leads: Prompt zu lax. Fix: HOT-Kriterien strenger formulieren, Beispiele in den Prompt nehmen.
• Datenschutz: Lead-Daten gehen an Anthropic/OpenAI. Bei sensiblen Branchen lokales Modell verwenden (Llama 3.3 70B liefert vergleichbare Qualität für diese Aufgabe).

Erweiterungen

• Anreicherung via Clearbit/Apollo: Firmen-Daten vor Klassifizierung anreichern → bessere Treffer
• Dubletten-Prüfung: vor CRM-Anlage prüfen, ob Kontakt existiert
• Sentiment-Analyse: bei „Beschwerde-ähnlichen" Leads abweichendes Routing

Verwandte Ressourcen

• Automatisierung-Hub: alle 5 Workflows im Überblick
• Lokale KI-Modelle für sensible Daten
• KI-Richtlinie für KMU (kostenloses Muster)
• n8n — Glossar-Eintrag
• Workflow-Automatisierung — Grundlagen

Häufige Fragen

Welche KI-Modelle eignen sich für die Lead-Vorqualifizierung?

Für die Lead-Vorqualifizierung eignen sich insbesondere vortrainierte Sprachmodelle wie GPT-4 oder spezialisierte Klassifikationsmodelle. Diese können anhand von Lead-Daten (z.B. Unternehmensgröße, Branche, Interaktionen) trainiert werden, um die Wahrscheinlichkeit eines Abschlusses vorherzusagen.

Wie integriere ich n8n mit meinem CRM?

n8n bietet native Knoten für gängige CRMs wie Salesforce, HubSpot oder Pipedrive. Sie können Leads direkt über API-Aufrufe anlegen oder aktualisieren. Alternativ lassen sich Webhooks oder Datenbankverbindungen nutzen.

Kann ich den Workflow auch ohne Programmierkenntnisse erstellen?

Ja, n8n ist eine No-Code-Plattform. Die Schritte im Artikel sind so beschrieben, dass Sie sie per Drag-and-Drop umsetzen können. Grundlegende Kenntnisse über APIs und Datenstrukturen sind jedoch hilfreich.

Wie vermeide ich Fehlklassifikationen durch die KI?

Fehlklassifikationen lassen sich durch regelmäßiges Training mit aktuellen Daten und die Definition klarer Kriterien für Hot/Warm/Cold minimieren. Zudem sollte ein menschlicher Review für Grenzfälle eingerichtet werden.

Zuletzt aktualisiert: 2026-06-01 · Autor: Florian Neuhuber