n8n voor beginners: vijf praktijkgerichte automatiseringen voor het mkb

Wie in het mkb terugkerende handelingen kent – aanvragen uit het webformulier met de hand overtypen in een tabel, afspraakbevestigingen tikken, agenda-items bijhouden – weet hoeveel tijd daarbij verloren gaat. Het automatiseringsplatform n8n belooft precies zulke routinetaken over te nemen door verschillende toepassingen met elkaar te verbinden. Een uitvoerige instaptutorial van Jono Catliff bouwt vijf concrete workflows op. Ik vat de belangrijkste concepten nuchter samen – zonder de vaak meeklinkende hype, maar met oog voor wat daarvan in de dagelijkse praktijk van een mkb-bedrijf werkelijk nuttig is.

Wat n8n in de kern is

n8n is een automatiseringsplatform dat meerdere toepassingen met elkaar verknoopt. Het basisprincipe is eenvoudig: een gebeurtenis zet een reeks stappen in gang. Vult iemand een formulier in, dan kan n8n daarop een bericht in Slack sturen, een regel in Google Sheets aanmaken of een e-mail versturen. Duizenden toepassingen laten zich koppelen.

Twee begrippen zijn centraal:

• Trigger (aanleiding): de eerste stap, die een workflow start – bijvoorbeeld een formulierinzending, een binnenkomend chatbericht of een nieuwe regel in een tabel.
• Acties: alles wat na het starten gebeurt – e-mail versturen, agenda-item aanmaken, data doorgeven.

Ter oriëntatie over de prijs: n8n begint volgens de tutorial rond de 20 pond per maand. Het wezenlijke verschil met vergelijkbare instrumenten als Zapier of Make.com ligt in het afrekenmodel – er wordt betaald per workflow-uitvoering in plaats van per afzonderlijke module. Bij processen met veel stappen is dat vaak economischer. Wie het zelf draait (self-hosting), gebruikt het platform gratis.

De vijf scenario’s op een rij

De tutorial bouwt bewust workflows met reëel nut op, geen demospeeltjes:

1. Leadregistratie uit een webformulier inclusief automatische kwalificatie
2. Een eerste AI-agent als persoonlijke assistent voor agenda en taken
3. Een sub-workflow die een dagrapport over niet-benaderde leads opstelt
4. Webhooks en HTTP-requests als koppelvlakken naar buiten
5. Een RAG-systeem – een AI-agent met een eigen kennisdatabase

Scenario 1: leads automatisch registreren en kwalificeren

Voor dienstverlenende bedrijven is de leadverwerking vaak bedrijfskritisch. De eerste workflow start met een formuliertrigger: zodra iemand een formulier met voor- en achternaam, e-mail, budget (als keuzeveld) en bericht invult, komt de keten op gang.

De daaropvolgende acties:

• Google Sheets: De velden worden via drag-and-drop aan de tabelkolommen toegewezen. Via de functie „Append or Update” wordt een record aangemaakt of – wanneer het e-mailadres als unieke sleutel al bestaat – bijgewerkt.
• Datum en logica via expression: Velden kunnen een vaste tekst bevatten of een Expression, dus een veranderlijke variabele. Een kleine JavaScript-functie als {{ $now }} zet de tijdstempel. Een IF-functie markeert aanvragen onder een budgetdrempel automatisch als „afgewezen”.
• Filter en switch: Een filter zeeft aanvragen onder een minimumdrempel eruit. Een switch-functie leidt de overige afhankelijk van het budget naar verschillende paden – bijvoorbeeld voor verschillend geformuleerde antwoordmails.
• Merge en melding: De paden worden weer samengevoegd; het team krijgt een directe melding via Gmail (of anders Slack, sms of CRM).

In de tutorial wordt vermeld dat een snelle reactie binnen 60 seconden de conversieratio duidelijk verhoogt. Dat cijfer komt uit de video en zou vóór eigen gebruik kritisch getoetst moeten worden – het principe „snel reageren” blijft daardoor onaangetast zinvol.

Een praktische kunstgreep: met vastgepinde testdata laat de workflow zich willekeurig vaak testen zonder telkens het formulier opnieuw in te vullen.

Scenario 2: de eerste AI-agent als assistent

De tweede workflow begint met een chattrigger en een AI-Agent-bouwsteen. Een AI-agent bestaat uit drie delen:

• Chatmodel: het „brein” – in het voorbeeld OpenAI/ChatGPT via de API. Dit is de enige betaalde bouwsteen; er wordt een tegoed van minstens 5 Amerikaanse dollar verondersteld.
• Memory (window buffer): het kortetermijngeheugen, dat een vastgelegd aantal eerdere berichten bewaart zodat de agent de gesprekscontext kent.
• Tools: de instrumenten waarmee de agent daadwerkelijk handelt – bijvoorbeeld Google Calendar of Google Sheets.

In plaats van elk veld handmatig te vullen, neemt de functie $fromAI() het werk over: de agent haalt begin- en eindtijd of de titel van een afspraak zelf uit de vraag. Zo liet zich in het voorbeeld via chat een agenda-item aanmaken, bestaande afspraken ophalen en een takenlijst in Google Sheets bijhouden.

Twee lessen uit de tutorial zijn voor de praktijk relevant:

• Het model kent de actuele datum niet. Zonder aanwijzing zette het een afspraak in het verkeerde jaar. Oplossing: de datum van vandaag als expression meegeven in de systeemprompt.
• Heldere regels in de systeemprompt – bijvoorbeeld een eenduidige datumnotatie (MM/DD/JJJJ) of de instructie om vóór elke bijwerking eerst het passende record op te zoeken – voorkomen verkeerde interpretaties. AI neemt werk uit handen, maar vervangt geen doordacht datamodel.

Scenario 3: dagrapport over niet-benaderde leads

De derde workflow is een sub-workflow die door een andere workflow wordt aangeroepen (trigger: „Executed by another workflow”). Het doel ervan: wie een formulier heeft ingevuld maar niet is teruggebeld, mag niet uit beeld raken.

Het proces doorzoekt de leadtabel op de records van vandaag, gefilterd op „niet afgewezen” en „niet gebeld”. Belangrijk is hier een detail uit scenario 1: wie bij de tijdstempel $now gebruikt, slaat uren, minuten en milliseconden op – een filter op „vandaag” vindt dan niets. De oplossing is om bij het aanmaken alleen $today (de kale dagdatum) op te slaan. Zulke datatype- en formaatkwesties zijn bij de instap in n8n ervaringsgewijs de meest voorkomende foutbron.

Datatypes die u zou moeten kennen

De tutorial benadrukt de belangrijkste datatypes in n8n:

• Tekst (bijvoorbeeld een naam of een bericht) en getal (bijvoorbeeld een budget)
• Boolean – waar of onwaar, bijvoorbeeld „budget boven 1.000?”
• Datum – indienings- of vervolgdatum
• Binaire data – bestanden zoals een PDF of afbeelding
• Array en Collection – de samengestelde structuren die de ruggengraat van de gegevensoverdracht vormen

Data laten zich in n8n in drie weergaven bekijken: als tabel, als JSON en als schema. Het is steeds dezelfde informatie, alleen anders weergegeven – JSON is daarbij het formaat waarin data gewoonlijk tussen toepassingen reizen.

Scenario 4: webhooks en HTTP-requests

Deze twee bouwstenen noemt de tutorial de meest gebruikte functionaliteit. Vereenvoudigd:

• Webhook: de ingang. Via een beschikbaar gestelde URL ontvangt n8n data van buiten – bijvoorbeeld via de POST-methode uit een andere toepassing.
• HTTP-request: de uitgang. n8n stuurt data naar externe systemen. Strikt genomen zijn veel kant-en-klare bouwstenen als Google Sheets of Gmail in de kern eveneens HTTP-requests – alleen voorgeconfigureerd.

De praktische waarde: voor toepassingen zonder kant-en-klare integratie laat zich via een HTTP-request toch een verbinding tot stand brengen – bijvoorbeeld om een nieuw contact in het eigen CRM aan te maken. Dat is precies de hefboom die relevant is voor mkb-bedrijven met specialistische software buiten de gangbare standaardtools.

Scenario 5: een RAG-systeem met een eigen kennisdatabase

Het vijfde en meest gevorderde scenario bouwt een AI-agent met een eigen kennisbasis – een RAG-systeem (Retrieval-Augmented Generation). Het idee: de agent moet antwoorden op basis van de eigen bedrijfsdata, bijvoorbeeld over prijzen of de inhoud van diensten.

De bouwstenen:

• Bron: Een PDF-bestand wordt uit Google Drive geladen. Het koppelen van Google Drive was in de tutorial de omslachtigste stap.
• Vector store: De in n8n geïntegreerde variant is snel opgezet; voor betere resultaten worden alternatieven als Pinecone genoemd.
• Embeddingmodel: De tekst wordt in een numerieke weergave (vectoren) vertaald – in het voorbeeld met „text-embedding-3-small” van OpenAI. Belangrijk: aan beide kanten, bij het invoeren en bij het bevragen, moet hetzelfde embeddingmodel worden gebruikt.
• Chunking: Langere teksten worden in kleinere zinseenheden opgedeeld – per alinea, desnoods per zin – zodat de betekenis bij het ophalen behouden blijft.

Het resultaat is dat de agent een vraag als „Wat kost jullie dienst?” kan beantwoorden door de passende plek in de kennisdatabase te vinden in plaats van te gokken. Voor mkb-bedrijven is dat de aanpak om bijvoorbeeld productcatalogi of interne documentatie doorzoekbaar te maken.

Praktische aanwijzingen voor het werken met n8n

• Editor en executions: In de editor wordt gebouwd, onder „Executions” ligt de uitvoeringshistorie. Bij fouten loont een blik in de logs – daar blijkt welke waarden een stap daadwerkelijk heeft verwerkt.
• Workflow-historie: Wijzigingen laten zich versioneren en terugdraaien.
• Tags en projecten: Workflows laten zich ordenen naar verkoop, marketing of recruitment en opslaan in persoonlijke of bedrijfsprojecten.
• Vier basisoperaties: In vrijwel elke integratie gaat het om hetzelfde – zoeken/ophalen, aanmaken, bijwerken, verwijderen.

Conclusie

n8n biedt mkb-bedrijven een pragmatische weg om terugkerende taken over de grenzen van toepassingen heen te automatiseren – van leadregistratie tot een doorzoekbaar kennissysteem. Het gebruiksgebaseerde afrekenmodel en de self-hosting-optie maken het platform economisch interessant, juist tegenover alternatieven die per stap afrekenen.

Realistisch blijft: de instap vraagt zorgvuldigheid bij datatypes en formaten, en de AI-bouwstenen verlagen weliswaar het configuratiewerk, maar vervangen geen schoon datamodel en geen heldere regels in de systeemprompt. Wie een eerste, duidelijk afgebakend proces automatiseert – bijvoorbeeld de leadregistratie – en het grondig test, heeft de nuttigste instap gekozen. Genoemde kengetallen zoals het conversie-effect van een reactie binnen 60 seconden zouden vóór gebruik in de eigen argumentatie getoetst moeten worden.

Bron: Jono Catliff – „Master n8n in 2 Hours: Complete Beginner’s Guide for 2026″ (YouTube)