Fallstudie – Laufend

Make-Workflow für Kleinunternehmen: 350 € in 6 Stunden – Ergebnisse nach 60 Tagen

Ich habe für ein kleines Dienstleistungsunternehmen einen KI-gestützten E-Mail-Workflow mit Make und GPT-4 gebaut: automatische Klassifizierung eingehender E-Mails und Generierung von Antwort-Entwürfen. Aufwand: 6 Stunden. Abgerechnet: 350 € Einmalzahlung + 50 €/Monat Wartung. Hier ist die vollständige Dokumentation.

✍️ Fabian Hewer 📅 Veröffentlicht: 10. April 2026 🔄 Aktualisiert: 10. Juni 2026 ⏱️ Lesezeit: ca. 9 Minuten

Schnellübersicht: Die wichtigsten Zahlen

6h

Aufbau-Aufwand

350 €

Einmalzahlung

50 €/Mo.

Wartungspauschale

Läuft

Status

1. Ausgangssituation & Kundenproblem

Der Kunde – ein kleines Dienstleistungsunternehmen mit 3 Mitarbeitern (anonymisiert) – erhält täglich 40–60 E-Mails. Darunter: Kundenanfragen, Terminwünsche, Beschwerden, Spam und interne Nachrichten. Das manuelle Sortieren und Beantworten kostet täglich 1,5–2 Stunden.

Das Ziel: Eingehende E-Mails automatisch klassifizieren und für jede Kategorie einen passenden Antwort-Entwurf generieren, den ein Mitarbeiter nur noch prüfen und absenden muss.

                Hypothese: Ein Make-Workflow mit GPT-4 kann 70–80 % der eingehenden E-Mails korrekt klassifizieren und brauchbare Antwort-Entwürfe liefern – und damit täglich 45–60 Minuten Arbeitszeit einsparen.
            

2. Setup & Kosten

Posten	Details	Kosten
Make Pro-Plan	10.000 Operationen/Monat (für ~1.500 E-Mails/Monat ausreichend)	9 €/Monat (Kunde)
OpenAI API (GPT-4o)	~0,002 € pro E-Mail-Klassifizierung + Entwurf	~3 €/Monat (Kunde)
Gmail (bereits vorhanden)	Google Workspace Business Starter	0 € zusätzlich
Mein Aufwand (Aufbau)	6 Stunden à ~58 €/Stunde	350 € (einmalig)
Wartungspauschale	Monatliche Anpassungen, Monitoring	50 €/Monat
Meine Einnahmen (Monat 1)	Einmalzahlung + erste Wartung	400 €
Meine Einnahmen (ab Monat 2)	Wartungspauschale	50 €/Monat

3. Der Workflow: Technische Umsetzung

Workflow-Architektur

Der Make-Workflow besteht aus 4 Modulen:

Gmail-Trigger: Überwacht das Postfach alle 5 Minuten auf neue E-Mails
OpenAI-Klassifizierung: GPT-4o klassifiziert die E-Mail in eine von 5 Kategorien (Kundenanfrage, Terminwunsch, Beschwerde, Rechnung/Zahlung, Sonstiges)
Router: Leitet je nach Kategorie an den passenden Entwurfs-Prompt weiter
Gmail-Entwurf: Erstellt einen Antwort-Entwurf im Gmail-Postfach des Mitarbeiters

Der Klassifizierungs-Prompt (vereinfacht)

                Du bist ein E-Mail-Assistent für ein Dienstleistungsunternehmen. Klassifiziere die folgende E-Mail in genau eine dieser Kategorien:

                - KUNDENANFRAGE: Fragen zu Produkten, Preisen, Verfügbarkeit

                - TERMINWUNSCH: Anfragen für Termine, Beratungen, Besichtigungen

                - BESCHWERDE: Unzufriedenheit, Probleme, Reklamationen

                - RECHNUNG: Zahlungsanfragen, Rechnungsfragen, Mahnungen

                - SONSTIGES: Alles andere

                Antworte nur mit der Kategorie in Großbuchstaben. Keine Erklärung.

Aufbau-Zeitaufwand im Detail

Anforderungsanalyse mit Kunde	1,5 Stunden
Make-Workflow aufbauen & testen	2 Stunden
Prompt-Engineering (Klassifizierung + 5 Entwurfs-Prompts)	1,5 Stunden
Übergabe & Einweisung Kunde	1 Stunde
Gesamt	6 Stunden

                Wichtige Erkenntnis: Der Workflow selbst war in 3 Stunden gebaut. Die restlichen 3 Stunden waren Kundenkommunikation, Anforderungsklärung und Einweisung. Kunden zahlen für Zeitersparnis und Sicherheit – nicht für Technologie.
            

4. Ergebnisse: 30 / 60 Tage

Nach 30 Tagen

Dokumentiert

Verarbeitete E-Mails	~1.380
Korrekte Klassifizierungen	~74 % (ca. 1.021)
Genutzte Entwürfe (unverändert)	~31 %
Genutzte Entwürfe (leicht angepasst)	~44 %
Abgelehnte Entwürfe	~25 %
Zeitersparnis (Schätzung Kunde)	~40 Min./Tag
Kundenzufriedenheit	„Sehr gut"

Nach 60 Tagen

Update folgt

Update folgt Anfang Juli 2026. Geplante Messgrößen:

Klassifizierungsgenauigkeit nach Prompt-Optimierung
Zeitersparnis nach Eingewöhnungsphase
Kundenfeedback nach 2 Monaten
Tatsächliche API-Kosten vs. Schätzung
Erweiterungswünsche des Kunden

5. Fehler & was ich anders machen würde

                Fehler 1: Zu wenig Testdaten. Ich habe den Workflow mit nur 20 Test-E-Mails validiert. In der Praxis gab es Kategorien (z. B. E-Mails mit Anhängen), die ich nicht berücksichtigt hatte. Besser: 50–100 echte E-Mails als Testset.
Fehler 2: Kein Fehler-Handling. Wenn die OpenAI API kurz nicht erreichbar ist, schlägt der Workflow still fehl. Ich habe nachträglich einen Error-Handler mit E-Mail-Benachrichtigung eingebaut.
Fehler 3: Preis zu niedrig. 350 € für 6 Stunden sind ~58 €/Stunde. Für einen spezialisierten KI-Automatisierungs-Workflow ist das zu günstig. Marktpreis wäre 80–120 €/Stunde.

            

6. Was ich gelernt habe

Kunden kaufen Zeitersparnis, nicht Technologie. Der Kunde interessiert sich nicht für Make oder GPT-4 – er will täglich 40 Minuten zurückgewinnen.
Prompt-Engineering ist der kritische Faktor. Der Workflow-Aufbau in Make ist trivial. Die Qualität der Klassifizierung und Entwürfe hängt fast vollständig von den Prompts ab.
Wartungspauschalen sind Gold wert. 50 €/Monat klingt wenig, aber bei 10 Kunden sind das 500 €/Monat passives Einkommen für minimalen Aufwand.
Referenzen sind wichtiger als Preis. Dieser Kunde hat mich bereits an zwei weitere Unternehmen weiterempfohlen. Ein gutes Ergebnis ist die beste Akquise.

7. Fazit

                Fazit: KI-Automatisierungsprojekte für Kleinunternehmen sind ein realistisches Geschäftsmodell – wenn man die richtigen Probleme löst. E-Mail-Automatisierung ist ein guter Einstieg, weil das Problem universell ist und der ROI für den Kunden sofort spürbar. Der effektive Stundenlohn von ~58 € ist ausbaufähig, aber für ein erstes Kundenprojekt ein solides Ergebnis. Das Wartungsmodell (50 €/Monat) ist langfristig interessanter als Einmalzahlungen.
            