n8n mit OpenAI API verbinden: Nodes, Automatisierung und Kosten (2026)

Typische n8n-Workflows verketten Auslöser, Verarbeitung und Ausgabe: Eine neue E-Mail wird zusammengefasst, ein Formular klassifiziert Interessenten, eine neue Tabellenzeile erzeugt einen Textentwurf. Mit OpenAI kommt ein Schritt zur Sprachverarbeitung hinzu, aber auch neue Fragen: Wie verwaltet man den Key, welche Base URL trägt man ein, und warum steigen die Kosten bei Batch-Läufen plötzlich?

Dieser Artikel folgt der praktischen Reihenfolge: zuerst die Anbindungsart wählen, dann Zugangsdaten konfigurieren, den ersten Workflow zum Laufen bringen und schließlich Fehler und Kosten behandeln. Node-Namen und Felder richten sich nach der jeweils verwendeten n8n-Version.

Hinweis: n8n und OpenAI sind Marken ihrer jeweiligen Inhaber; dieser Artikel steht in keiner Verbindung zu den genannten Unternehmen. Modellnamen und Preise entnehmen Sie den Modellpreisen.

1. Zwei Anbindungswege und ihre Wahl

In n8n gibt es üblicherweise zwei Wege zu OpenAI:

Weg	Geeignet für	Vorteile	Grenzen
OpenAI-Node	Dialog, Zusammenfassung, Klassifizierung, Bilder, Transkription	Parameter visuell pflegbar, zentrale Zugangsdatenverwaltung	Nur die im Node implementierten Operationen
HTTP-Request-Node	Eigene Parameter, Batch-Anfragen, besondere Felder	Flexibel, direkter Aufruf von `/v1/chat/completions`	Request-Body, Authentifizierung und Fehlerbehandlung selbst schreiben

Bringen Sie zuerst den OpenAI-Node zum Laufen und wechseln Sie bei Bedarf zum HTTP-Request-Node. Schreiben Sie nicht sofort eigene Requests, solange Sie keine Parameter benötigen, die der Node nicht anbietet.

2. Zugangsdaten und Base URL konfigurieren

Legen Sie in der Zugangsdatenverwaltung von n8n neue Zugangsdaten vom Typ OpenAI an und tragen Sie den API Key ein. Wenn Sie ein eigenes Gateway nutzen, geben Sie in denselben Zugangsdaten die Base URL an, üblicherweise bis /v1. Feldnamen und die Verfügbarkeit eines Base-URL-Feldes richten sich nach der aktuellen Version.

Einige praktische Empfehlungen:

Der Key gehört ausschließlich in die Zugangsdaten, nicht in einen Code-Node oder das Workflow-JSON.
Verwenden Sie getrennte Keys für Produktion und Tests, damit Sie Limits und Sperren unabhängig steuern können.
Bewahren Sie bei Selbstbetrieb den N8N_ENCRYPTION_KEY sicher auf; nach einem Wechsel lassen sich bestehende Zugangsdaten nicht mehr entschlüsseln.
Die Base URL darf nicht /chat/completions enthalten, den Pfad hängt der Node selbst an.
Bei gemeinsam genutzten Instanzen trennen Sie Zugangsdaten nach Projekt oder verwenden virtuelle Keys des Gateways.

Prüfen Sie die Konfiguration anschließend mit einer minimalen Anfrage:

curl https://ihre-gateway-adresse/v1/chat/completions \
  -H "Authorization: Bearer $API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"ihr-modellname","messages":[{"role":"user","content":"Antworte nur mit OK"}]}'

3. Den ersten Workflow ausführen

Beispiel: Nach einer Formulareingabe einen Antwortentwurf erzeugen.

Fügen Sie einen Form Trigger oder Webhook-Node hinzu, der die Formulardaten annimmt.
Fügen Sie einen OpenAI-Node hinzu und wählen Sie die Operation zum Senden einer Nachricht (Message a Model).
Wählen Sie Zugangsdaten und Modell und übergeben Sie Formularfelder per Ausdruck an den Prompt, etwa {{ $json.message }}.
Fügen Sie einen Set-Node hinzu, der die Rückgabefelder auf die später benötigten Werte reduziert.
Fügen Sie einen Gmail-, Slack- oder Tabellen-Node hinzu und schreiben Sie das Ergebnis an das Ziel.
Führen Sie den Workflow einmal manuell aus, prüfen Sie Ein- und Ausgaben Node für Node und aktivieren Sie ihn danach.

Mit dem HTTP-Request-Node kann der Request-Body so aussehen:

{
  "model": "ihr-modellname",
  "messages": [
    {"role": "system", "content": "Du bist ein Kundendienstassistent und antwortest nur anhand der gegebenen Informationen."},
    {"role": "user", "content": "{{ $json.message }}"}
  ],
  "temperature": 0.3,
  "max_tokens": 500
}

Beachten Sie zwei Punkte: Feldnamen im Ausdruck müssen zur tatsächlichen Ausgabe des vorherigen Schritts passen; der Request-Header verwendet Authorization: Bearer <key>, der Key gehört nicht in das JSON.

4. Vier Aufgabenarten für die Automatisierung

Nicht jede Aufgabe lohnt den Modelleinsatz. Bei den folgenden Arten ist der Nutzen meist direkt erkennbar:

Textverarbeitung: E-Mail-Zusammenfassungen, Kategorisierung von Kommentaren, Tags für Tickets, mehrsprachige Übersetzung.
Strukturierte Extraktion: Name, Betrag und Datum aus Anfragen, Lebensläufen oder Rechnungstexten als JSON ausgeben.
Inhaltserzeugung: Titel, Verkaufsargumente und Antwortentwürfe aus Tabellenzeilen erzeugen und anschließend manuell prüfen.
Bewertung und Weiterleitung: Inhalte nach Dringlichkeit an unterschiedliche Zuständige routen.

Bei der strukturierten Extraktion müssen Sie das Ausgabeformat eindeutig vorgeben und einen Validierungs-Node nachschalten. Modelle schreiben gelegentlich erklärenden Text, wodurch die JSON-Auswertung scheitert. Fordern Sie im Prompt „nur JSON, kein Markdown-Codeblock“ und planen Sie einen Wiederholungsversuch ein.

5. Fehlerbehandlung: der meist unterschätzte Teil

Bei unbeaufsichtigten Workflows sind Fehler normal. Konfigurieren Sie in den Node-Einstellungen punktuell:

Retry On Fail: Bei 429, 5xx und Netzwerk-Timeouts zwei- bis dreimal wiederholen.
Wartezeit zwischen Versuchen: Exponentielles Backoff verwenden, damit Ratenlimits nicht weiter verstärkt werden.
On Error: Zwischen „Workflow stoppen“ und „weiterlaufen und protokollieren“ unterscheiden, damit ein fehlerhafter Datensatz nicht den ganzen Batch blockiert.
Timeout: Für HTTP-Anfragen ein sinnvolles Timeout setzen; lange Textgenerierung darf großzügiger sein, aber nicht unbegrenzt warten.
Fehler-Workflow: Fehlermeldungen mit Ausführungs-ID und Eingabezusammenfassung an Slack oder E-Mail senden.
Idempotenz: Vor einem Wiederholungsversuch prüfen, ob das Zielsystem bereits beschrieben wurde, um doppelte Nachrichten oder Buchungen zu vermeiden.

Häufige Fehler lassen sich in dieser Reihenfolge eingrenzen:

Symptom	Mögliche Ursache	Behandlung
401	Falscher Key oder keine Zugangsdaten ausgewählt	Zugangsdaten neu wählen, auf Leerzeichen prüfen
404	Falscher Base-URL-Pfad	Bis `/v1` eintragen, keinen vollständigen Schnittstellenpfad
429	Zu hohe Parallelität oder Kontingent überschritten	Parallelität senken, Backoff-Retry aktivieren
400	Parameter vom Upstream nicht unterstützt	Inkompatible Felder entfernen, Modellnamen prüfen
Leere Antwort	Ausgabe abgeschnitten oder Inhaltsfilter ausgelöst	Ausgabelimit erhöhen, Prompt und Filterrichtlinie prüfen
JSON-Auswertung fehlgeschlagen	Modell hat zusätzlichen Text ausgegeben	Nur JSON verlangen, bei Fehler einmal wiederholen

6. Kostenkontrolle: Schleifen nicht zur Rechnung werden lassen

Batch-Verarbeitung in n8n kann aus einem Aufruf schnell Hunderte machen. Kostenkontrolle beginnt bei der Workflow-Struktur:

Maßnahme	Umsetzung	Wirkung
Modellstufen	Kleines Modell für Klassifizierung und Bereinigung, starkes Modell für Generierung	Senkt die durchschnittlichen Kosten pro Aufruf
Ausgabe begrenzen	Maximales Ausgabe-Token setzen, im Prompt Kürze verlangen	Verhindert lange Antworten und hohe Kosten
Anfragen bündeln	Texte, die zusammen verarbeitet werden können, in einer Anfrage senden	Weniger Anfragen und weniger wiederholter Kontext
Vorher deduplizieren	Bereits verarbeitete Datensätze per Datenbank oder Cache überspringen	Vermeidet doppelte Aufrufe
Kontext kürzen	Nur notwendige Felder senden, lange Texte zuerst zusammenfassen oder aufteilen	Reduziert Eingabe-Token
Verbrauch protokollieren	Das Feld `usage` der Antwort speichern und pro Workflow auswerten	Macht ungewöhnlichen Verbrauch sichtbar

Zwei weitere Details: Im Loop-Node wird jeder Aufruf separat abgerechnet, daher sollten Sie zusammenfassen, was sich zusammenfassen lässt. Testen Sie nicht direkt auf dem vollständigen Datenbestand, sondern zuerst mit einem Beispieldatensatz. Konkrete Preise entnehmen Sie den Modellpreisen.

7. Daten und Berechtigungen

Automatisierte Abläufe berühren häufig Kundendaten. Vor der Anbindung sollten Sie klären:

Welche Felder an das Modell gehen dürfen und welche maskiert oder lokal verarbeitet werden müssen.
Ob der Modelldienst Anfragedaten speichert oder für Training verwendet.
Dass die Ausführungshistorie Ein- und Ausgaben speichert; legen Sie eine Aufbewahrungsfrist fest.
Dass Exportrechte für Zugangsdaten und Workflow-JSON restriktiv vergeben werden.
Dass Prozesse mit Vertrags- oder Identitätsdaten einen manuellen Prüf-Node erhalten.

Selbst betriebenes n8n ermöglicht mehr Kontrolle über den Datenpfad, ist aber nicht automatisch konform. Die Datenbedingungen des Upstream-Modellanbieters müssen Sie separat prüfen.

Häufige Fragen

Unterstützt der OpenAI-Node in n8n eine eigene Base URL?

In den meisten Versionen bietet der OpenAI-Zugangsdatentyp ein Base-URL-Feld für Proxys oder eigene Gateways. Fehlt das Feld in Ihrer Version, können Sie mit dem HTTP-Request-Node direkt /v1/chat/completions aufrufen.

Warum läuft der Workflow im Editor, aber nicht bei zeitgesteuerter Ausführung?

Häufige Ursachen sind abweichende Geltungsbereiche der Zugangsdaten, Umgebungsvariablen oder Netzwerkausgänge. Prüfen Sie zuerst Node und Fehlercode im Ausführungsprotokoll und danach, ob die Instanz der zeitgesteuerten Ausführung die Zieladresse erreicht.

Worauf ist bei der Verarbeitung von Hunderten Datensätzen zu achten?

Begrenzen Sie Parallelität und Wiederholungsversuche, geben Sie jedem Datensatz eine eindeutige Kennung und protokollieren Sie bei Fehlern die ursprüngliche Eingabe. Verarbeiten Sie in Batches mit Pausen dazwischen, um Ratenlimits zu vermeiden.

Wie schätzt man die Kosten eines Workflows?

Erfassen Sie Eingabe- und Ausgabe-Token aus dem Feld usage, multiplizieren Sie sie mit dem jeweiligen Modellpreis und rechnen Sie Wiederholungs- und Fehleranfragen hinzu. Ein Durchlauf mit 20 bis 50 realen Beispieldaten liefert einen belastbareren Durchschnitt als eine Schätzung.

Was tun, wenn das Modell unzuverlässiges JSON liefert?

Geben Sie Felder und Typen im Prompt eindeutig vor und unterbinden Sie zusätzliche Erklärungen. Schalten Sie einen JSON-Validierungs-Node nach, wiederholen Sie bei einem Parsing-Fehler einmal und leiten Sie den Datensatz danach an eine manuelle Prüfung oder eine Fehlerwarteschlange weiter.

Nächste Schritte

Beim Anbinden von OpenAI an n8n kommt es weniger auf einen schön gezeichneten Node-Graphen an als auf sichere Zugangsdaten, Fehlerbehandlung und klare Kostengrenzen. Validieren Sie zuerst einen echten Geschäftsprozess mit kleinem Datenvolumen und erweitern Sie danach schrittweise. Für einen einheitlichen OpenAI-kompatiblen Einstieg und Verbrauchsverwaltung können Sie sich im ZSQH AI Gateway registrieren; Modelle und Preise stehen auf der Seite Modellpreise.

Weiterlesen: