KI trifft UX: Mit n8n vom Newsletter-Chaos zum strukturierten Event-Digest

Unser Postfach ist ein Event-Datenfriedhof: Meetups, Webinare, KI-Talks – alles da, aber kognitiv kaum verarbeitbar. Jede Mail hat ein anderes Layout, jedes Datum ist anders versteckt. Also haben wir einen n8n-Workflow gebaut, der Newsletter in strukturierte Eventdaten übersetzt und als kuratierten KI-Digest ausspielt.

UX-Designerin Lisa zeigt, wie der Workflow technisch aufgebaut ist, welche Hürden aufgetaucht sind und warum am Ende die Produktlogik wichtiger ist als das KI-Modell.

Wenn Information vorhanden, aber nicht nutzbar ist

Mails scannen dauert... Wo steht das Datum? Ist das Event online oder vor Ort? Lohnt sich das?

Unsere Crew will relevante Events besuchen, um Wissen aufzubauen und Impulse mitzunehmen. Die Einladungen landen jedoch verteilt über unzählige Newsletter im E-Mail-Postfach. Jede Mail muss einzeln geöffnet, gescannt und eingeordnet werden.

Dieser Prozess erzeugt vor allem eines: kognitive Belastung. Aus UX-Sicht ein klassischer Fall von „Information ist da, aber nicht nutzbar“. Also haben wir einen Workflow entwickelt, der Event-Mails sammelt, relevante Daten extrahiert und regelmäßig als KI-Digest bündelt. Sobald Events konsistent vorliegen, lassen sie sich vergleichen, gruppieren und priorisieren.

Systemarchitektur: n8n als Orchestrator, LLM als Extraktionsmodul

Der Workflow läuft auf n8n als Automatisierungsplattform. Dort werden E-Mails über eine eigens eingerichtete Adresse abgerufen, verarbeitet und als Digest versendet. Die KI extrahiert strukturierte Daten. Entscheidungen über Relevanz, Zustände und Darstellung bleiben bewusst in Produktlogik und UX verankert.

Produktlogik vor Modellleistung: Warum auch n8n-Automatisierung UX braucht

Automatisierung funktioniert nur dann nachhaltig, wenn sie aus Nutzerperspektive gedacht ist. UX heißt hier nicht „hübsch machen“, sondern Informationsarchitektur schaffen, die kognitiv entlastet. Also:

• Was ist das für ein Event?

• Wann und wo findet es statt?

• Wie kann ich mich anmelden?

Konsistente Reihenfolge, reduzierte visuelle Komplexität und klare Zustände sind entscheidend.

Mailversion ohne UX-Design

Mailversion mit UX-Design

Links im Screenshot die Mailversion wie sie ursprünglich von n8n versendet wurde, rechts das von UX-Designerin Lisa optimierte Endergebnis, wie es jetzt in unserem Postfach landen darf!

KI extrahiert Daten. Produktlogik definiert Zustände und UX entscheidet über Nutzbarkeit. Erst dieses Zusammenspiel macht das System alltagstauglich, sonst entsteht nur die nächste Automatisierung, die gepflegt werden will.

Strukturierte KI-Extraktion: Nur mit definiertem Output verlässlich

Der vollständige Mailinhalt wird an ein LLM übergeben, das ihn anhand eines festen Schemas in strukturierte Daten überführt. Extrahiert werden konsistente Felder wie: [Titel], [Datum], [Uhrzeit], [Ort], [Anmeldelink]. Das Modell darf nicht frei formulieren, sondern muss ein definiertes Output-Format liefern (z. B. JSON mit klar benannten Feldern). Fehlende oder inkonsistente Werte werden so sofort sichtbar. Die strukturierte Ausgabe lässt sich direkt weiterverarbeiten. Eine schlanke Persistenzschicht (z. B. Datenbank oder Tabelle) speichert erkannte Events, verwaltet Zustände und wendet Regeln an. Fehlerhafte oder unvollständige Daten werden abgefangen, statt unbemerkt im System zu landen

Zustandslogik & Duplikat-Erkennung

Automatisierung endet nicht bei der Extraktion. Wenn sehr ähnliche Einladungen mehrfach auftauchen, muss das System erkennen, was bereits verarbeitet wurde. Eine schlanke Datenablage fungiert als „Gedächtnis“. Jedes Event erhält einen Status wie „neu“ oder „bereits versendet“. Ein Hash oder eine Kombination aus Titel + Datum dient als Identifikator. Kommt dieselbe Einladung zweimal oder mit leicht veränderter Betreffzeile, wird sie nicht erneut im Digest ausgespielt. Das sichert Vertrauen. Denn nichts untergräbt Akzeptanz schneller als redundante Einträge

Garbage in, Garbage out: Die Qualität des Inputs entscheidet

Was auf dem Papier gut aussieht, ist in der Umsetzung nicht automatisch stabil. Anfangs wurden teilweise nur Snippets statt kompletter Mail-Bodys verarbeitet. Erhält das LLM jedoch nur einen gekürzten Vorschautext, fehlen zentrale Informationen wie Veranstaltungsort oder Anmeldelink. Erst durch die Umstellung auf vollständigen Body-Content (inkl. HTML-Parsing bzw. Text-Extraktion) wurde die Datenbasis stabil genug für verlässliche Extraktion. Diese Iterationen waren entscheidend, denn sie bestimmen, ob ein System im Alltag ruhig und vertrauenswürdig wirkt.

Deliverability gehört zur Produktarchitektur

Mails wurden korrekt erzeugt und waren im „Sent“-Ordner sichtbar, landeten aber trotzdem nicht immer zuverlässig im Posteingang.

Typische Ursachen:

• SPF/DKIM/DMARC nicht korrekt konfiguriert

• Versand über eine andere Infrastruktur als die Domain

• Spam-Bewertung durch Format oder Inhalt

  
  

Ein technischer Workflow ist erst dann produktiv, wenn auch die E-Mail-Infrastruktur sauber konfiguriert ist. Automatisierung endet nicht beim Versand-Node.

Weniger Scrollen, schnellere Entscheidungen

Apropos n8n-Workflow, so sieht das Ganze dann aus:

Mainworkflow in n8n, der den Datenextrakt aus der E-Mail bis hin zum Upload in die Datenbank zeigt.

Subworkflow in n8n, der die Sammelmail versendet!

Am Ende steht eine einzige Sammel-Mail statt vieler einzelner Newsletter. Die Events sind konsistent strukturiert: Titel, Datum, Ort und Anmeldelink folgen immer derselben Reihenfolge. Online- und Vor-Ort-Termine sind klar gekennzeichnet. Die Entscheidung „Interessiert mich“ oder „Nicht relevant“ wird in Sekunden möglich – inklusive direktem Anmeldelink. So wird aus einem Event-Datenfriedhof wird eine strukturierte Entscheidungsgrundlage.