Zum Inhalt springen

Make und Zapier: Warum die meisten ersten Workflows scheitern, und wie du es richtig angehst

KI-Automatisierungen ohne Code klingen einfach. Der erste Workflow ist es meistens auch. Das Problem ist der zweite. Was Make und Zapier wirklich können, und wo du anfangen solltest.

Make und Zapier: Warum die meisten ersten Workflows scheitern, und wie du es richtig angehst

Jeden Montag trägt jemand in deinem Team neue Kontaktanfragen manuell ins CRM ein. Dann verschickt dieselbe Person die Standardmail und benachrichtigt den zuständigen Kollegen in Slack. Es dauert jedes Mal 20 Minuten, es ist fehleranfällig, und alle wissen, dass es sich automatisieren ließe. Aber niemand will dafür Programmierkenntnisse lernen.

Genau dafür gibt es Make und Zapier. Und seit beide Plattformen KI-Anbindungen gebaut haben, ist das Potenzial nochmal größer geworden.

Das Problem: Die meisten, die ihren ersten Workflow bauen, schalten ihn nach drei Wochen wieder ab. Nicht weil es zu kompliziert ist. Sondern weil sie mit dem falschen Use Case anfangen.


Was Make und Zapier eigentlich sind

Beide Tools sind sogenannte No-Code-KI-Automatisierungsplattformen. Das Prinzip ist immer dasselbe: Du verbindest verschiedene Apps und legst fest, was passieren soll, wenn ein bestimmtes Ereignis eintritt.

Technisch gesehen baust du Workflows aus Bausteinen: Trigger (etwas passiert), Actions (dann wird etwas ausgelöst), Filter (nur wenn bestimmte Bedingungen erfüllt sind). Du ziehst Felder per Drag-and-Drop, keine Programmiersprache nötig.

Der Unterschied zwischen Make und Zapier ist im Wesentlichen einer der Philosophie und Zielgruppe. Zapier ist einfacher, schneller eingerichtet, ideal für gradlinige Workflows. Wenn A passiert, mache B, dann C. Make (früher Integromat) ist visueller und mächtiger, du siehst den gesamten Workflow als Flussdiagramm und kannst komplexere Logik mit Schleifen, Filtern und parallelen Pfaden bauen. Dafür braucht es etwas mehr Einarbeitung.


Ein konkreter Workflow: Neue Kundenanfrage → Willkommensmail → CRM → Slack

Lass uns das durchdenken, was viele Unternehmen täglich tun. Oder tun sollten.

Ausgangssituation: Jemand füllt ein Kontaktformular auf deiner Website aus. Das Formular läuft über Typeform oder JotForm.

Was der Workflow tut:

Schritt 1: Make erkennt die neue Formularantwort als Trigger.

Schritt 2: Make schickt den Namen und die Anfrage (inkl. eventueller Angaben zur Unternehmensgröße) an die Claude-API (oder OpenAI). Der Prompt lautet etwa: “Schreib eine persönliche Willkommensmail für [Name] von [Unternehmen], der folgendes anfragte: [Anfrage]. Ton: freundlich, professionell, nicht generisch. Länge: 4-6 Sätze.”

Schritt 3: Make schickt die generierte Mail automatisch über Gmail oder Outlook raus, mit dem echten Namen des Absenders als Signatur.

Schritt 4: Make legt einen neuen Kontakt in deinem CRM an (HubSpot, Pipedrive oder Zoho sind alle integriert) und trägt die Anfrage als erste Notiz ein.

Schritt 5: Make schickt eine Slack-Nachricht an den zuständigen Vertriebskanal: “Neue Anfrage von [Name] ([Unternehmen]): [Kurzfassung der Anfrage]. CRM-Link: [Link].”

Das klingt komplex, ist es aber nicht. In Make sind das fünf Module. Wer zum ersten Mal damit arbeitet, baut das in etwa zwei Stunden zusammen. Beim zweiten Mal eine halbe Stunde.


Wie du das in Make konkret aufbaust

Make hat eine visuelle Oberfläche, auf der du Module als Kreise siehst, die mit Pfeilen verbunden sind. Du beginnst immer mit einem Trigger-Modul.

Schritt 1: Neues Szenario erstellen, Trigger-App wählen (z.B. Typeform, “Watch Responses”).

Schritt 2: Neues Modul hinzufügen: HTTP oder direkt das Claude-Modul (Make hat eine native Anthropic-Integration für Claude). Dort gibst du deinen API-Key ein und baust den Prompt mit Variablen aus dem Formular.

Schritt 3: E-Mail-Modul hinzufügen (Gmail, “Send an Email”). Im To-Feld die E-Mail-Adresse aus dem Formular, im Body-Feld die Ausgabe von Claude.

Schritt 4: CRM-Modul (z.B. HubSpot, “Create Contact”). Formularfelder auf CRM-Felder mappen.

Schritt 5: Slack-Modul (“Send a Message”). Kanal wählen, Nachrichtentext mit Variablen aufbauen.

Dann aktivieren, einmal mit einem Test-Eintrag durchlaufen lassen, schauen ob alles stimmt, und live schalten.


Was Make und Zapier kosten

Beide haben Gratis-Pläne, die für erste Experimente ausreichen.

Zapier: Kostenlos bis zu 100 Aufgaben pro Monat und 5 Zaps (Workflows). Bezahlpläne ab 19,99 Dollar monatlich für 750 Aufgaben. Mehrstufige Zaps erst ab dem Professional-Plan (49,99 Dollar).

Make: Kostenlos bis zu 1.000 Operationen pro Monat (eine Operation = ein ausgeführtes Modul). Core-Plan ab 10,59 Euro monatlich für 10.000 Operationen. Für kleine Unternehmen oft ausreichend.

Dazu kommen die API-Kosten der KI-Modelle. Claude und ChatGPT berechnen pro Token. Ein Workflow wie oben (Eingabe + generierte Mail) kostet pro Durchlauf je nach Modell zwischen 0,2 und 2 Cent. Bei 50 Anfragen im Monat ist das vernachlässigbar.


Was du realistisch automatisieren kannst

Gute Kandidaten für Make/Zapier-Workflows:

Aufgaben, die regelmäßig vorkommen und immer ähnlich aussehen. Zum Beispiel: Formulareinträge verarbeiten, Reports zusammenstellen, Benachrichtigungen weiterleiten, Kontakte anlegen.

Aufgaben, bei denen KI einen echten Mehrwert bringt: Texte personalisieren, Inhalte zusammenfassen, Kategorisierungen vornehmen, Entwürfe erstellen.

Aufgaben, bei denen ein Fehler nicht katastrophal wäre: Eine Slack-Benachrichtigung, die manchmal nicht kommt, ist ärgerlich. Ein halbautomatischer Kreditantrag, der falsch verarbeitet wird, nicht.


Wo du noch einen Entwickler brauchst

No-Code hat Grenzen. Diese Workflows sind einfach gebaut, aber wenig robust gegen Ausnahmen. Was passiert, wenn das Formular leer abgeschickt wird? Wenn die KI-API gerade nicht erreichbar ist? Wenn ein Kontakt im CRM schon existiert?

Make hat dafür grundlegende Fehlerbehandlungen. Komplexe, produktionskritische Workflows, die auf Ausnahmefälle korrekt reagieren müssen, brauchen Entwicklerarbeit.

Außerdem: Wenn du eigene Daten verarbeitest und DSGVO-konform bleiben willst, musst du verstehen, welche Daten du an welche Dienste übermittelst. KI-APIs mit US-Servern ohne EU-Datenschutzvereinbarung sind heikel für personenbezogene Daten.

Und schließlich: Wenn du einen Workflow hast, der täglich hunderte Mal läuft, lohnt sich irgendwann eine native Entwicklung. Sie ist dann günstiger, zuverlässiger und besser wartbar.


Wo du anfangen kannst (und womit nicht)

Der häufigste Fehler: Der erste Workflow ist zu ambitioniert. Jemand baut in Woche eins einen fünfstufigen Workflow: KI-Analyse, CRM-Eintrag, Slack-Benachrichtigung, alles auf einmal. Er läuft drei Tage. Dann ändert sich das Formular, ein Feld fehlt, der Workflow bricht ab. Keiner repariert ihn. Danach heißt es: “Make ist zu kompliziert.”

Der richtige erste Workflow hat genau zwei Schritte: einen Trigger und eine Action. Neues Formular rein, Zeile in Google Sheets raus. Fertig. Das läuft zuverlässig, man versteht was passiert, und man baut Vertrauen in das System auf.

Fang ohne KI an. Verbinde erst die Apps, dann füg die KI hinzu, wenn du den Grundablauf verstanden hast.

Wie ein vollständiger Workflow zur Lead-Qualifizierung mit KI in der Praxis aussieht, zeigt unser Use Case dazu. Wer tiefer in Automatisierung mit KI einsteigen will, findet im Artikel über KI-Agenten und die Zukunft der Automatisierung eine gute Einordnung dazu, wohin das langfristig führt. Und wer verstehen will, wie man KI schrittweise ins Unternehmen bringt ohne sich zu übernehmen, findet das in KI einführen ohne zu scheitern.

Wenn du konkrete Workflow-Ideen und Praxisbeispiele regelmäßig bekommen willst: Beim Newsletter bekommst du genau das, direkt ins Postfach, ohne Algorithmus dazwischen.

Mehr KI-Wissen

KI-Wochenbriefing: jeden Freitag KI-News, Praxistipps und Tools

Kostenlos abonnieren, jederzeit abmeldbar, kein Spam.

Diesen Artikel teilen:

Autor und Redaktion

Prof. Dr. Daniel Sonnet

Prof. Dr. Daniel Sonnet

Gründer von KI-Syndikat, Professor an der Hochschule Fresenius

Daniel ist Data- und KI-Experte, Hochschullehrer an der Hochschule Fresenius (Professur Quantitative Methoden und Data Science) und Mitgründer der Gerabo GmbH in Hamburg. Er verbindet über ein Jahrzehnt Hochschullehre mit unternehmerischer Praxis und bringt KI-Wissen direkt in die Community.

Zum Profil

Freddie Feder

KI-Assistent und Lektor

Hat diesen Artikel mit recherchiert und geschrieben und ihn danach Satz für Satz lektoriert: Fakten geprüft, Ton geglättet und alles rausgeworfen, was klingt, als hätte es eine Maschine gebaut. Die inhaltliche Verantwortung liegt bei den menschlichen Autoren.

Mehr über unser Team

Das könnte dich auch interessieren

KI für Videoerstellung: Skript, Schnitt und Untertitel automatisieren

Video ist mächtig, aber zeitfressend. KI hilft an vier konkreten Stellen im Workflow – von Skript bis Untertitel. Was schon läuft, was noch nicht.

5 Min.

Multi-Agenten-Systeme: Wenn KIs miteinander arbeiten

Was Multi-Agenten-Systeme sind, wie sie in der Praxis funktionieren und wann sie für Unternehmen wirklich Sinn ergeben.

6 Min.

KI-Coding-Tools machen Entwickler langsamer. Und die merken es nicht.

Eine unabhängige Studie aus 2025 zeigt: Erfahrene Entwickler sind mit Cursor & Co. 19% langsamer, glauben aber, 20% schneller zu sein. Was das bedeutet: für Entwickler und für alle, die jetzt anfangen zu coden.

4 Min.

Das KI-Gleichschaltungs-Experiment: Was Italiens ChatGPT-Sperre über deinen Redaktionsplan verrät

Forscher haben Italiens ChatGPT-Sperre als natürliches Experiment genutzt und bewiesen: KI-generierter Content konvergiert messbar. Was das für jeden bedeutet, der gerade einen Redaktionsplan mit KI baut.

6 Min.

Der vollautonome KI-Agent existiert nicht, weil ihn niemand versichert

Vollautonome Agenten-Pipelines scheitern nicht an der Technik. Sie scheitern daran, dass kein Anbieter die Haftung für ein System übernimmt, das er selbst nicht erklären kann. Der Human-in-the-Loop ist kein Sicherheitsfeature, sondern das Geschäftsmodell.

7 Min.

Reasoning Models sind kein Upgrade, sie sind ein anderes Werkzeug

o3, o4-mini, Claude Extended Thinking: Die meisten nutzen Reasoning Models falsch. Eine Evaluation zeigt, dass o3-pro 14x teurer ist als GPT-4o und trotzdem schlechter abschneidet.

5 Min.

Kommentare

Kommentare werden in Kürze freigeschaltet. Bis dahin freuen wir uns über dein Feedback per E-Mail an kontakt@ki-syndikat.de.

Kostenloser Newsletter

Bleib auf dem neuesten
Stand der KI

Wähle deine Themen und erhalte relevante KI-News, Praxistipps und exklusive Inhalte direkt in dein Postfach – kein Spam, jederzeit abmeldbar.

Was interessiert dich? Wähle 1–4 Themen, du bekommst nur Inhalte dazu.

Mit der Anmeldung stimmst du unserer Datenschutzerklärung zu. Jederzeit abmeldbar.

Kostenlos
Kein Spam
Jederzeit abmeldbar