Make-Workflow für Kunden: 350 € in 6 Stunden – mein erster Automatisierungsauftrag
Wie ich mit Make und GPT-4 einen E-Mail-Automatisierungs-Workflow für einen echten Kunden gebaut habe – inklusive Zeitaufwand, Preis, Fehlern und dem, was ich beim nächsten Mal anders machen würde.
Die Ausgangssituation
Der Kunde – ein kleines Beratungsunternehmen mit 3 Mitarbeitern – hatte ein klassisches Problem: Täglich kamen 30–50 E-Mails rein, die manuell gelesen, kategorisiert und beantwortet werden mussten. Zwei Kategorien machten 80% aus: Terminanfragen und allgemeine Informationsanfragen.
Ich kannte den Inhaber aus meinem Netzwerk. Er erwähnte das Problem beiläufig. Ich fragte, ob er sich eine Automatisierung vorstellen könnte. Er sagte: „Wenn es wirklich funktioniert, ja."
Kein Fiverr, kein Upwork. Direktkontakt. Das ist der Unterschied.
Der Workflow: Was ich gebaut habe
Der Workflow läuft in Make (ehemals Integromat) und verbindet Gmail mit der OpenAI API:
- Trigger: Neue E-Mail in Gmail-Postfach eingetroffen
- Schritt 1: E-Mail-Text an GPT-4 senden mit Prompt: „Kategorisiere diese E-Mail als: Terminanfrage, Informationsanfrage, Beschwerde, Sonstiges. Antworte nur mit der Kategorie."
- Schritt 2: Router in Make leitet je nach Kategorie weiter
- Schritt 3a (Terminanfrage): GPT-4 generiert Antwort-Entwurf mit Terminvorschlägen (aus Google Calendar ausgelesen)
- Schritt 3b (Informationsanfrage): GPT-4 generiert Antwort-Entwurf basierend auf FAQ-Dokument (als Text im Prompt)
- Schritt 4: Entwurf wird als Entwurf in Gmail gespeichert – kein automatisches Senden
- Schritt 5: Slack-Benachrichtigung an Kunden: „Neue E-Mail kategorisiert: [Kategorie]. Entwurf bereit."
Wichtig: Der Workflow sendet keine E-Mails automatisch. Der Kunde prüft jeden Entwurf und sendet manuell ab. Das war seine Bedingung – und die richtige Entscheidung.
Zeitaufwand im Detail
| Aufgabe | Zeit |
|---|---|
| Anforderungen klären (Telefonat) | 45 Minuten |
| Make-Workflow aufbauen | 2 Stunden |
| GPT-4 Prompts entwickeln & testen | 1,5 Stunden |
| Google Calendar Integration | 30 Minuten |
| Fehler debuggen (Router-Logik) | 45 Minuten |
| Demo beim Kunden + Erklärung | 30 Minuten |
| Gesamt | 6 Stunden |
Was schiefgelaufen ist
❌ Fehler 1: Zu breiter Prompt am Anfang
Mein erster Kategorisierungs-Prompt war zu lang und zu vage. GPT-4 hat manchmal „Terminanfrage und Informationsanfrage" zurückgegeben statt einer klaren Kategorie. Lösung: Prompt auf eine Zeile reduziert, explizit „Antworte nur mit einem Wort" hinzugefügt.
❌ Fehler 2: Google Calendar API-Limits unterschätzt
Die Google Calendar Integration in Make hat beim ersten Test Fehler geworfen, weil ich die API-Limits nicht beachtet hatte. 30 Minuten Debugging für etwas, das ich hätte vorher recherchieren sollen.
❌ Fehler 3: Preis zu niedrig angesetzt
350 € für 6 Stunden sind ~58 €/Stunde. Das klingt okay, aber ich habe die Nachbetreuung unterschätzt: 2 weitere Stunden für Anpassungen in den ersten 2 Wochen, die ich nicht abgerechnet habe. Beim nächsten Projekt: Wartungsvertrag von Anfang an klarer kommunizieren.
Ergebnis nach 6 Wochen
Der Kunde nutzt den Workflow täglich. Laut seiner Aussage spart er 45–60 Minuten pro Tag. Die Kategorisierungsgenauigkeit liegt bei ~90% – 10% der E-Mails werden falsch kategorisiert und müssen manuell korrigiert werden.
Der Wartungsvertrag (50 €/Monat) läuft. Ich habe bisher 2 kleine Anpassungen vorgenommen (je ~20 Minuten). Das ist ein gutes Verhältnis.
Gesamteinnahmen bisher: 350 € + 100 € (2 Monate Wartung) = 450 €. Gesamtaufwand: ~9 Stunden. Effektiver Stundensatz: ~50 €/Stunde.
Was ich beim nächsten Mal anders mache
- Wartungsvertrag von Anfang an als festen Bestandteil des Angebots kommunizieren
- Testphase von 2 Wochen explizit einplanen und im Preis berücksichtigen
- API-Limits aller verwendeten Dienste vor dem Aufbau recherchieren
- Preis: Mindestens 500 € Einmalzahlung für ähnliche Projekte
- Schriftliches Briefing vom Kunden vor dem Start – spart Missverständnisse
Fazit
KI-Automatisierung für Kunden funktioniert. Der Markt ist real. Aber es ist kein passives Einkommen – es ist Dienstleistung mit echtem Aufwand, echten Fehlern und echten Kunden.
Der größte Vorteil gegenüber klassischem Freelancing: Der Stundensatz ist höher, weil du ein Problem löst, das der Kunde nicht selbst lösen kann. Nicht weil du schneller tippst.
Nächstes Experiment: Dasselbe Projekt mit n8n (self-hosted) umsetzen und Aufwand + Kosten vergleichen. Ergebnisse in den Fallstudien →
Programmierer und Betreiber von KI-GAIN. Entwickelt eigene Web- und Automatisierungsprojekte und testet KI-Tools anhand realer Workflows. Dokumentiert Ergebnisse transparent – inklusive Fehlern.
Mehr über Fabian →
Auf einen Blick
| Tool | Make + GPT-4 |
| Aufwand | 6 Stunden |
| Einnahmen | 350 € + 50 €/Monat |
| Stundensatz | ~58 €/Stunde |
| Empfehlung | ✅ Ja |