n8n verdrahten kann jeder. Kaum jemand kann dir sagen, wo n8n aufhört. Genau diese Lücke ist die eigentliche Arbeit. Echte Automatisierung sind drei Schichten, nicht ein Tool, und die Schicht die die meisten bauen ist das einfache Drittel. Wir betreiben alle drei in Produktion, in unseren eigenen Systemen und für Kunden, und der Wert lag nie in dem Teil den jeder ohnehin schon hat.
n8n hatte ein seltsames Jahr. Im Oktober 2025 sammelte die Firma 180 Millionen Dollar ein und überschritt eine Bewertung von 2,5 Milliarden Dollar, von 300 Millionen vier Monate vorher. Rund 230.000 Leute betreiben es inzwischen, drei Viertel davon mit den AI Nodes. Jeder zweite Automatisierungs-Post auf LinkedIn ist ein n8n Canvas mit ein paar Kästchen und einem Pfeil. Das Tool hat den Hype verdient. Es ist wirklich gut, selbst hostbar, und es verbindet sich mit fast allem.
Und genau dort hören die meisten Automatisierungsprojekte still auf. Jemand setzt n8n auf, verdrahtet einen Webhook mit einer Slack-Nachricht, nennt das eine Automatisierungsstrategie und macht weiter. Es funktioniert, bis der Workflow eine Einschätzung treffen muss, oder bis er vier Tage und einen Server-Neustart überstehen muss, ohne den Faden zu verlieren. Dann ist das visuelle Canvas am Ende der Straße, und die Leute die nur das Canvas kennen, sind es mit ihm.
Was Automatisierung wirklich braucht#
Nimm die Tools weg und es bleiben drei Aufgaben unter jeder ernsthaften Automatisierung. Es sind unterschiedliche Probleme, und ein Tool das eines gut löst, löst die anderen beiden meist schlecht.
Die erste Aufgabe ist Dinge verbinden. Ein Signup kommt rein, ein Datensatz landet im CRM, eine Willkommensmail geht raus, eine Benachrichtigung erscheint auf jemandes Handy. Kein Denken nötig, nur zuverlässige Verkabelung zwischen Systemen die nie dafür gebaut wurden, miteinander zu reden. Das ist der Großteil der Automatisierung nach Volumen, und es ist die Aufgabe für die n8n gebaut wurde.
Die zweite Aufgabe ist eine Einschätzung treffen. Der Workflow muss etwas Mehrdeutiges lesen, entscheiden was es bedeutet, und den nächsten Schritt anhand dieser Entscheidung wählen. Eine E-Mail kommt rein und das System muss beurteilen, ob es ein echter Lead ist oder Rauschen, und dann entsprechend routen. Ein Entwurf wird geprüft und das System muss entscheiden, ob er gut genug zum Ausspielen ist oder noch eine Runde braucht. Das ist keine Verkabelung. Das ist Reasoning, und es braucht eine andere Art von Tool.
Die dritte Aufgabe ist über Zeit überleben. Manche Workflows laufen Stunden oder Tage. Sie warten darauf, dass ein Mensch etwas freigibt. Sie rufen sechs externe Dienste auf, von denen jeder ausfallen kann, und ein Ausfall auf halbem Weg darf die anderen fünf nicht beschädigen. Wenn die Maschine bei Schritt vier von sieben neu startet, muss die Arbeit bei Schritt vier weitergehen, nicht von vorne beginnen. Das ist durable Execution, und sie ist von den dreien am schwersten vorzutäuschen.
Diese drei Aufgaben sind orthogonal. Ein Tool das versucht, alle drei gleichzeitig zu sein, wird in jedem mittelmäßig. Ein Stack der für jede Schicht den richtigen Spezialisten wählt, schlägt die Eier-legende Wollmilchsau jedes Mal. Unsere drei Spezialisten sind n8n, LangGraph und Temporal.
n8n: Die Schicht die jeder schon hat#
n8n ist die verbindende Schicht, und für diese Aufgabe ist es ausgezeichnet. Über 400 vorgebaute Integrationen, ein visuelles Canvas das auch ein Nicht-Entwickler tatsächlich lesen kann, Self-Hosting in unter einer halben Stunde. Wir betreiben es als Automatisierungs-Hub für die unglamouröse Arbeit, die ein Geschäft am Laufen hält. Ein Signup-Webhook der einen CRM-Lead anlegt und eine Willkommensmail abfeuert. Ein neuer Blog-Post der sich in Social-Post-Entwürfe auffächert. Ein geplanter Health Check der eine Reihe von Diensten anpingt und einen Kanal alarmiert, wenn einer verstummt. Eine eingehende E-Mail die auf Absicht geparst wird, bevor sie einen Menschen erreicht.
Das ist echter Wert und das will ich klar sagen. n8n ist kein Spielzeug und kein Zapier für Power-User. Es ist eine richtige, fair lizenzierte, selbst hostbare Orchestrierungsplattform, und für das Verbinden von Systemen ist es oft die schnellste richtige Antwort. Wenn ein Kunde will, dass sein Ops-Team einen Workflow ohne Deployment-Zyklus bearbeiten kann, gewinnt das visuelle Canvas aus eigener Kraft.
Die Grenzen zeigen sich bei Zustand, Nebenläufigkeit und Wiederaufnahme. Für zusammengeführte Zweige musst du prüfen, welche Daten wann vorliegen und wie Fehler behandelt werden; dafür gibt es keine hier belegte allgemeine Merge-Fehlerquote. n8n ist keine Durable-Execution-Engine mit deterministischem Replay wie Temporal. Ob ein unterbrochener Ablauf fortgesetzt werden kann, hängt aber von Workflow und gespeicherten Ausführungsdaten ab, nicht von einer pauschalen Aussage über jeden Crash. n8n bietet auch tarifabhängige Evaluationen für KI-Workflows. Individuelle Code Nodes brauchen trotzdem passende Tests und Pflege. Das Canvas ist ein hilfreicher Teil der Architektur; es ersetzt die Prüfung dieser Eigenschaften nicht.
LangGraph: Wenn der Workflow denken muss#
LangGraph modelliert Abläufe als Graph mit Zustand und Übergängen. Es unterstützt feste Workflows ebenso wie agentische Abläufe, in denen ein Modell den nächsten Schritt auswählt. Wir nutzen es, wenn diese Steuerung und überprüfbare Zustandsübergänge zur Aufgabe passen.
Die zwei Features, die ihm seinen Platz verdienen, sind State und Pausing. Mit einem konfigurierten Checkpointer speichert LangGraph den Zustand an Schrittgrenzen. Für eine Wiederaufnahme nach Prozessausfällen braucht es einen persistenten Speicher; ein In-Memory-Checkpointer reicht dafür nicht. Pausing heißt, der Workflow kann mittendrin anhalten, auf eine menschliche Freigabe oder Korrektur warten und mit dieser Antwort weiterlaufen. Die Voraussetzungen beschreibt die Persistence-Dokumentation.
Eine konkrete Form die wir darauf betreiben: eine Pipeline aus mehreren Agents, in der ein Schritt einen Plan entwirft, der nächste dagegen baut, ein dritter das Ergebnis prüft und ein vierter es testet, mit einem Approval Gate das die ganze Sache für einen Menschen pausiert, sobald die Prüfung unsicher zurückkommt. Das ist Reasoning plus Checkpoints plus Human in the Loop, eine Kombination, die wir lieber in LangGraph ausdrücken. n8n kann mit seinem Wait Node ebenfalls pausieren, den Ausführungszustand in der Datenbank ablegen und etwa per Webhook oder Formular fortsetzen. Für eine Freigabe braucht es dort keinen Polling-Trick.
Der Trade-off ist real und gehört laut ausgesprochen. LangGraph ist Overkill für einen Workflow der nur ein Modell aufruft und das Ergebnis irgendwo postet. Greif zu früh dazu und du hast zweihundert Zeilen Framework-Code geschrieben, wo fünfzig Zeilen schlichte Logik klarer gelesen hätten. Das Open-Source-Framework steht unter der MIT-Lizenz. Bei zusätzlich genutzten Hosting-Diensten prüfen wir deren Bedingungen getrennt. Die Disziplin ist, es nur dort einzusetzen, wo Reasoning und Resume das zusätzliche Gewicht wirklich rechtfertigen.
Temporal: Wenn der Workflow nicht sterben darf#
Die dritte Schicht ist die, von der in der n8n-Szene fast niemand je gehört hat, und sie ist die, die ein Hobby-Setup von Infrastruktur trennt. Temporal ist eine Durable Execution Engine. Sie zeichnet jeden Schritt eines Workflows als Event History auf. Nach einem Worker-Ausfall kann ein verfügbarer Worker die Aufgaben übernehmen, den Workflow-Zustand durch Replay der Event History rekonstruieren und die Ausführung fortsetzen. Temporal startet dafür nicht selbst einen neuen Workerprozess; Deployment und verfügbare Worker müssen eingerichtet sein. Workflows können Tage oder Jahre laufen. Es ist Open Source unter der MIT-Lizenz und hat sich still zum Standard für durable Agent-Ausführung entwickelt. OpenAI betreibt Codex damit in Produktion, für Agents die tagelang auf menschliche Freigabe warten und Neustarts überstehen, ohne den Faden zu verlieren.
Was das freischaltet, ist die Klasse von Workflows die die echte Welt berühren und es sich nicht leisten können, halb fertig zu sein. Ein Billing-Lebenszyklus, in dem ein Abo erneuert wird, eine Zahlung eingezogen wird und ein Refund eine Kette von Seiteneffekten sauber zurückrollen muss, wenn ein Schritt scheitert. Ein Customer Onboarding das über mehrere Tage läuft, mit eingebauten Timern und Wartezeiten. Ein wiederkehrender Job der Arbeit über viele Quellen aggregiert und jedes einzelne Mal zuverlässig durchlaufen muss. Das sind Sagas, langlaufende Transaktionen mit Kompensation wenn etwas bricht, und genau das war ein visuelles Canvas nie dafür gedacht zu halten.
Ob du durable Execution brauchst, richtet sich nach Wiederanlauf, Nebenwirkungen, Wartezeiten und den Kosten eines Fehlers. Eine kurze lesende Aufgabe kann ohne eigene Durable-Execution-Engine auskommen. Mehrere externe Aufrufe, lange Wartezeiten und Zahlungen oder Löschungen verdienen eine bewusste Prüfung; eine allgemeine Pflichtschwelle von 30 Sekunden oder drei Aufrufen ist hier nicht belegt. Unsere Templates stehen unter github.com/studiomeyer-io/temporal-memory-workflows. Temporal bringt operativen Aufwand und Regeln für deterministischen Workflow-Code mit.
Wie die drei Schichten zusammenpassen#
Die Aufgaben unterscheiden sich: n8n verbindet Systeme, LangGraph steuert Modellentscheidungen und menschliche Freigaben, Temporal unterstützt langlebige Ausführung und Wiederaufnahme. Zusammen können sie einen passenden Stack bilden. Temporal garantiert keinen erfolgreichen Abschluss: Activities und Workflows können endgültig fehlschlagen. Retry-Regeln, Timeouts, Fehlerbehandlung sowie idempotente externe Aktionen oder Kompensation müssen zur Aufgabe passen. Ein Crash wird damit beherrschbarer; die Wiederherstellung muss geprüft werden. Observability zeigt, was jede Schicht tatsächlich getan hat.
Business-Logik vom Framework zu trennen erleichtert einen Wechsel. Domänenregeln können in schlichtem, getestetem Code liegen, den unterschiedliche Werkzeuge aufrufen. Aufwand bleibt für Zustand, Ereignisse, Berechtigungen und Ausführungssemantik; eine Migration in einem Tag ist keine allgemeine Zusage.
Das Setup ist Massenware. Die Architektur nicht.#
Hier ist der Teil den der Markt verkehrt herum sieht. n8n aufzusetzen ist inzwischen Massenware. Es gibt tausende Leute die dir ein Canvas zeichnen, und der Preis dieser Arbeit fällt, weil das Tool es einfach gemacht hat, was der ganze Sinn war. Wenn alles was du kaufst das n8n-Setup ist, hast du die Schicht gekauft die ohnehin am billigsten zu bauen war.
Der Wert liegt in den zwei Entscheidungen die dir niemand verkauft. Erstens zu wissen, welche der drei Schichten ein gegebenes Problem wirklich braucht, und das Urteilsvermögen zu haben, beiden Fehlmodi zu widerstehen: ein Reasoning-Problem in eine n8n Code Node zu zwängen, bis es verrottet, und einen Fünfzig-Zeilen-Job zu einem durablen Workflow zu überkonstruieren den er nie brauchte. Zweitens die Grenze so sauber zu bauen, dass die Wahl billig zu revidieren bleibt. Das ist Architektur, und sie taucht auf einem Canvas-Screenshot nicht auf.
Es gibt noch eine Sache bei der Ehrlichkeit angebracht ist. Was unsere eigenen internen Systeme betreibt, ist bewusst pragmatisch, abgestimmt auf einen Betrieb, der seine eigenen Kanten kennt. Ein Kundenauftrag bekommt einen völlig anderen Gang, dieselben drei Schichten, aber mit der Härtung, den Governance-Gates vor riskanten Aktionen, der Observability und dem Testing das ein System auf das sich jemand anderes verlässt tatsächlich braucht. Den Unterschied zwischen gut-genug-für-uns und richtig-für-einen-Kunden zu kennen, ist selbst Teil davon, den Stack zu beherrschen. Die Tools betreiben kann jeder. Zu wissen wie weit man sie treibt, ist die Arbeit.
Wenn du also das nächste Mal ein Automatisierungs-Pitch siehst, das mit n8n anfängt und mit n8n aufhört, ist die Frage nicht, ob das Canvas hübsch ist. Sie ist, was an den zwei Rändern passiert die das Canvas nicht zeigt, wenn der Workflow denken muss und wenn er überleben muss. Wenn du den ganzen Stack ordentlich entworfen haben willst statt nur das einfache Drittel, genau dieses Gespräch führen wir.
