Wie baut man AI Lead Scoring in n8n auf?

Kurzantwort: Sie können in n8n einen Workflow für KI-Lead-Scoring aufbauen, indem Sie einen Trigger (Formular, Webhook oder CRM-Ereignis) mit einem KI-Node verbinden, der jeden Lead anhand Ihrer Kriterien bewertet. Anschließend werden Score und Begründung automatisch ins CRM zurückgeschrieben. Der gesamte Workflow läuft ohne menschliches Zutun, und die Einrichtung dauert weniger als eine Stunde.

Die meisten Lead-Scoring-Systeme sind entweder zu starr (feste Punktwerte, die den Kontext ignorieren) oder zu teuer (Enterprise-KI-Tools, die pro Nutzerlizenz abrechnen). n8n liegt dazwischen: eine selbst hostbare Automatisierungsplattform, in der Sie Trigger, KI-Modell und CRM-Rückschreibung in einem einzigen Workflow verbinden.

Dieser Leitfaden zeigt Schritt für Schritt, wie Sie diesen Workflow aufbauen: von der Wahl des Triggers über das Prompting der KI bis zum Zurückschreiben der Scores in HubSpot, Salesforce oder das CRM Ihrer Wahl.

Was ist KI-Lead-Scoring in n8n?

KI-Lead-Scoring in n8n bedeutet, dass ein Node mit einem Large Language Model (LLM) innerhalb eines n8n-Workflows eingehende Lead-Daten auswertet und anhand von Ihnen definierter Kriterien einen Score vergibt. Anders als beim regelbasierten Scoring ("Unternehmensgröße > 100 = 10 Punkte") liest die KI den gesamten Kontext eines Leads und beurteilt die Passung so, wie es ein guter SDR tun würde.

Der Workflow besteht aus drei Kernteilen:

Auslöser: Etwas, das ausgelöst wird, sobald ein neuer Lead eintrifft
KI-Scoring-Node: Ein LLM, das Lead-Daten liest und einen Score samt Begründung zurückgibt
Rückschreibung: Ein CRM-Node, der den Lead-Datensatz mit dem Score aktualisiert

Was Sie vor dem Start brauchen

Stellen Sie vor dem Aufbau sicher, dass Sie Folgendes haben:

Eine n8n-Instanz (Cloud oder selbst gehostet, Version 1.0 oder höher)
Einen API-Schlüssel für ein LLM (OpenAI, Google Gemini oder Anthropic Claude funktionieren alle)
Ein CRM mit API-Zugang (HubSpot, Salesforce, Pipedrive oder ähnlich)
Eine definierte Lead-Quelle (Typeform, JotForm, Webhook oder CRM-Trigger)
Ein schriftliches Scoring-Raster (Ihre ICP-Kriterien in einfachen Worten)

Das Scoring-Raster überspringen die meisten. Schreiben Sie es, bevor Sie n8n öffnen. Es sollte die Signale abdecken, die für Ihr Geschäft wichtig sind: Branche, Unternehmensgröße, Jobtitel, Budgetindikatoren, Passung zum Anwendungsfall und alle Ausschlusskriterien.

Schritt 1: Trigger-Node einrichten

Der Trigger startet den Workflow. Wählen Sie den, der dazu passt, wo Ihre Leads zuerst auftauchen.

Option A: Webhook-Trigger

Nutzen Sie diese Variante, wenn Ihre Lead-Quelle eine POST-Anfrage senden kann (das können die meisten Formular-Tools). In n8n gehen Sie so vor:

Fügen Sie als ersten Node einen Webhook-Node hinzu
Stellen Sie die Methode auf POST
Kopieren Sie die Webhook-URL und fügen Sie sie in den Endpunkt für Formularübermittlungen Ihres Formular-Tools ein
Testen Sie den Trigger, indem Sie einen Dummy-Lead absenden und prüfen, ob die Daten in n8n ankommen

Option B: Formular-Tool-Trigger (Typeform oder JotForm)

Fügen Sie einen Typeform- oder JotForm-Node hinzu
Authentifizieren Sie sich mit Ihrem Konto
Wählen Sie das Formular aus, das Sie überwachen möchten
Setzen Sie den Trigger auf "On Form Submission"

Option C: CRM-Trigger (neuer Lead in HubSpot)

Fügen Sie einen HubSpot-Trigger-Node hinzu
Stellen Sie ihn so ein, dass er bei "Contact Created" oder "Deal Created" auslöst
Authentifizieren Sie sich und testen Sie

Welchen Trigger Sie auch nutzen: Stellen Sie sicher, dass die Ausgabe die Felder enthält, die Ihr KI-Node braucht: Firmenname, Jobtitel, Unternehmensgröße, Branche und alle Freitextfelder wie "Was ist Ihre größte Herausforderung?"

Schritt 2: Lead-Daten anreichern (optional, aber empfohlen)

Rohdaten aus Formularen sind oft dünn. Erfasst Ihr Formular nur Name, E-Mail und Unternehmen, hat die KI nur wenige Signale, mit denen sie arbeiten kann.

Fügen Sie zwischen Trigger und KI-Node einen Anreicherungsschritt ein:

Clearbit- oder Apollo.io-Node: liefert anhand der E-Mail-Domain Unternehmensgröße, Branche, Tech-Stack und Finanzierungsdaten
LinkedIn-Abfrage über ein Tool wie Phantombuster oder Clay (angebunden über einen HTTP-Request-Node)
HTTP-Request-Node zu Ihrer eigenen Datenquelle, falls Sie eine haben

Führen Sie die angereicherten Felder in einem einzigen Objekt zusammen, damit der KI-Node alles in einer sauberen Eingabe erhält.

Schritt 3: KI-Scoring-Node aufbauen

Hier findet das Scoring statt. n8n unterstützt OpenAI, Anthropic, Google Gemini und weitere LLMs nativ über seine KI-Nodes.

Den Node einrichten

Fügen Sie einen AI Agent-Node oder einen einfachen OpenAI- bzw. Anthropic-Message-Node hinzu
Verbinden Sie Ihre API-Zugangsdaten
Wählen Sie Ihr Modell (GPT-4o, Claude 3.5 Sonnet und Gemini 1.5 Pro liefern alle gut strukturierte Ausgaben)

Den System-Prompt schreiben

Der System-Prompt legt die Rolle der KI und die Scoring-Logik fest. Hier ist eine funktionierende Vorlage, die Sie anpassen können:

You are a lead qualification expert for [Company Name].

Your job is to score inbound leads on a scale of 1 to 10 based on how well they match our ideal customer profile (ICP).

ICP criteria:
- Ideal industry: [e.g. B2B SaaS, professional services]
- Ideal company size: [e.g. 50-500 employees]
- Ideal job title: [e.g. Head of Sales, VP Revenue, Founder]
- Budget signal: [e.g. mentions budget, has funding, revenue above $1M]
- Use case fit: [e.g. looking to automate outbound, replace manual processes]

Disqualifiers (score 1-2 regardless of other signals):
- [e.g. student, freelancer with no team, competitor]

Scoring guide:
- 9-10: Strong ICP match, clear budget signal, decision-maker
- 7-8: Good ICP match, some gaps, worth a follow-up
- 5-6: Partial fit, nurture rather than immediate outreach
- 3-4: Weak fit, low priority
- 1-2: Disqualified

Return your response as valid JSON only, in this format:
{
  "score": [number 1-10],
  "tier": "[Hot / Warm / Cold / Disqualified]",
  "reasoning": "[2-3 sentence explanation of the score]",
  "recommended_action": "[e.g. Assign to AE immediately / Add to nurture sequence / Disqualify]"
}

Die Nutzernachricht schreiben

Verweisen Sie im Feld für die Nutzernachricht mit n8n-Ausdrücken auf die Lead-Daten:

Score this lead:

Name: {{ $json.name }}
Email: {{ $json.email }}
Company: {{ $json.company }}
Job Title: {{ $json.job_title }}
Company Size: {{ $json.company_size }}
Industry: {{ $json.industry }}
Message / Use Case: {{ $json.message }}

Die JSON-Antwort parsen

Fügen Sie nach dem KI-Node einen Code-Node hinzu, der den JSON-String in nutzbare Felder umwandelt:

const aiResponse = $input.first().json.message.content;
const parsed = JSON.parse(aiResponse);

return [{
  json: {
    lead_score: parsed.score,
    lead_tier: parsed.tier,
    score_reasoning: parsed.reasoning,
    recommended_action: parsed.recommended_action
  }
}];

Gibt die KI gelegentlich fehlerhaftes JSON zurück, packen Sie das Parsen in ein try/catch und leiten Sie Fehlschläge an einen Slack-Alert oder eine Warteschlange zur manuellen Prüfung weiter.

Schritt 4: Leads nach Score weiterleiten

Fügen Sie vor dem Zurückschreiben ins CRM einen Routing-Schritt ein, damit unterschiedliche Stufen unterschiedliche Aktionen auslösen.

Fügen Sie nach dem Code-Node einen IF-Node oder Switch-Node hinzu
Legen Sie Bedingungen fest auf Basis von lead_tier:
- Hot (Score 8 bis 10): direkte CRM-Aktualisierung plus Slack-Benachrichtigung an den AE
- Warm (Score 5 bis 7): CRM-Aktualisierung plus Aufnahme in eine E-Mail-Sequenz
- Cold (Score 3 bis 4): CRM-Aktualisierung plus Nurture-Tag mit niedriger Priorität
- Disqualified (Score 1 bis 2): CRM-Aktualisierung plus Markierung als geschlossen/verloren

Durch dieses Routing sieht Ihr Vertriebsteam nur die Leads, die seine Zeit wert sind.

Schritt 5: Score ins CRM zurückschreiben

Dieser Schritt macht den Workflow erst wirklich nützlich. Ein Score, der in n8n liegt, ist wertlos. Er muss dort stehen, wo Ihr Team arbeitet: im CRM.

Rückschreibung in HubSpot

Fügen Sie einen HubSpot-Node hinzu
Stellen Sie die Operation auf Update Contact
Ordnen Sie den Kontakt anhand der E-Mail-Adresse aus Ihren Trigger-Daten zu
Fügen Sie Felder für benutzerdefinierte Eigenschaften hinzu:
- ai_lead_score → {{ $json.lead_score }}
- ai_lead_tier → {{ $json.lead_tier }}
- ai_score_reasoning → {{ $json.score_reasoning }}
- ai_recommended_action → {{ $json.recommended_action }}

Diese benutzerdefinierten Eigenschaften müssen Sie zuvor in HubSpot anlegen. Wenn Sie externe Unterstützung bei der sauberen Umsetzung von CRM-Updates und Lifecycle-Automatisierung brauchen, lohnt sich ein Blick auf spezialisierte B2B-SaaS-Marketing-Ops-Agenturen.

Rückschreibung in Salesforce

Fügen Sie einen Salesforce-Node hinzu
Stellen Sie die Operation auf Update Lead oder Update Contact
Ordnen Sie dieselben Felder benutzerdefinierten Feldern im Lead-Objekt zu
Verwenden Sie die E-Mail-Adresse oder die Salesforce-ID des Leads als Suchschlüssel

Rückschreibung in Pipedrive

Fügen Sie einen Pipedrive-Node hinzu
Stellen Sie die Operation auf Update Person oder Update Deal
Ordnen Sie die Score-Felder benutzerdefinierten Feldern zu, die Sie in Pipedrive angelegt haben

Schritt 6: Ihr Team benachrichtigen

Ein Score im CRM ist gut. Eine Slack-Nachricht an den richtigen AE ist bei heißen Leads besser.

Nach der HubSpot-Rückschreibung im Hot-Zweig:

Fügen Sie einen Slack-Node hinzu
Wählen Sie als Kanal Ihren Vertriebsteam-Kanal oder eine Direktnachricht an den zuständigen Vertriebsmitarbeiter
Verwenden Sie eine Nachrichtenvorlage wie:

🔥 New Hot Lead (Score: {{ $json.lead_score }}/10)

Name: {{ $('Trigger').item.json.name }}
Company: {{ $('Trigger').item.json.company }}
Title: {{ $('Trigger').item.json.job_title }}

AI Reasoning: {{ $json.score_reasoning }}
Recommended Action: {{ $json.recommended_action }}

View in HubSpot: [link]

So testen Sie Ihren Workflow vor dem Livegang

Aktivieren Sie den Workflow nicht, ohne ihn mit echten Lead-Beispielen getestet zu haben.

Nutzen Sie den Manual Trigger von n8n, um den Workflow mit statischen Testdaten auszuführen
Testen Sie mindestens fünf Lead-Profile: einen eindeutigen Hot Lead, einen eindeutig disqualifizierten Lead und drei Grenzfälle
Prüfen Sie, dass die KI-Ausgabe jedes Mal gültiges JSON ist (falls nicht, schärfen Sie den Prompt nach)
Bestätigen Sie, dass die CRM-Felder bei jedem Testkontakt korrekt aktualisiert werden
Prüfen Sie, dass die Slack-Benachrichtigung nur bei Hot Leads ausgelöst wird

Sobald alle fünf Tests bestanden sind, aktivieren Sie den Workflow und prüfen die ersten 20 Live-Leads manuell, um sicherzustellen, dass das Scoring mit der Einschätzung Ihres Teams übereinstimmt.

Häufige Probleme und ihre Lösungen

Die KI gibt Text statt JSON zurück: Ergänzen Sie am Ende Ihres System-Prompts: "Return valid JSON only, no markdown, no explanation outside the JSON object".

Die Scores wirken uneinheitlich: Wahrscheinlich ist Ihr Raster zu vage. Ergänzen Sie im System-Prompt explizite Beispiele: "Ein Score von 9 bedeutet: Head of Sales in einem SaaS-Unternehmen mit 200 Mitarbeitenden und angegebenem Budget."

Das CRM-Update schlägt fehl: Prüfen Sie, ob Ihre benutzerdefinierten Eigenschaften im CRM existieren, bevor der Workflow läuft. n8n meldet einen Fehler, wenn das Zielfeld nicht vorhanden ist.

Anreicherungsdaten fehlen: Bauen Sie mit einem IF-Node einen Fallback-Zweig, der prüft, ob die Anreicherung Daten geliefert hat. Falls nicht, übergeben Sie die rohen Formulardaten an die KI und vermerken im Prompt, dass keine Anreicherung verfügbar war.

FAQs

Was ist KI-Lead-Scoring in n8n?
KI-Lead-Scoring in n8n ist ein Workflow, in dem eingehende Lead-Daten an einen LLM-Node übergeben werden. Dieser bewertet den Lead anhand Ihrer ICP-Kriterien und gibt einen numerischen Score samt Begründung zurück. Der Score wird anschließend automatisch ins CRM zurückgeschrieben, ganz ohne manuellen Prüfschritt.

Welches AI-Modell eignet sich am besten für Lead Scoring in n8n?
GPT-4o, Claude 3.5 Sonnet und Gemini 1.5 Pro liefern alle zuverlässige, strukturierte JSON-Ausgaben für das Lead Scoring. GPT-4o hält sich am konsistentesten an strikte JSON-Formatvorgaben. Claude 3.5 Sonnet formuliert tendenziell differenziertere Begründungen. Für diesen Anwendungsfall funktionieren beide gut.

Kann ich das AI Lead Scoring in n8n ohne CRM nutzen?
Ja. Wenn Sie kein CRM haben, können Sie die Scores stattdessen in ein Google Sheet schreiben. Fügen Sie am Ende des Workflows einen Google Sheets-Node hinzu und hängen Sie eine neue Zeile mit den Lead-Daten und den Score-Feldern an. Das ist eine schlanke Alternative, bis Sie ein vollwertiges CRM einführen.

Wie verhindere ich, dass die AI denselben Lead zweimal bewertet?
Fügen Sie vor dem AI-Node eine Deduplizierungsprüfung ein. Nutzen Sie eine Abfrage in HubSpot oder Airtable, um zu prüfen, ob ein Kontakt mit dieser E-Mail-Adresse bereits einen Score hat. Falls ja, überspringen Sie den AI-Schritt mit einem IF-Node und beenden den Workflow.

Eignet sich dieser Workflow für ein hohes Lead-Volumen?
n8n verarbeitet parallele Ausführungen, sodass der Workflow mit Ihrem Lead-Volumen mitwächst. Der limitierende Faktor sind die Rate Limits Ihrer LLM-API. Bei mehr als 500 Leads pro Tag fügen Sie einen Wait-Node hinzu oder nutzen den Queue-Modus von n8n, um die Rate Limits nicht auszureizen. Wenn Sie außerdem vergleichen möchten, welche Tools sich für technische Audits oder die Unterstützung rund um diesen Workflow eignen, finden Sie hier eine Gegenüberstellung von SaaS-Marketingbudgets: So planen und verteilen Sie sie erfolgreich.

Wie erstellen Sie in n8n ein AI-Lead-Scoring?