De fleste danske virksomheder har workflows der kræver fem-ti manuelle handoffs om dagen. En medarbejder modtager et dokument, tjekker indholdet, sender det til godkendelse, publicerer det et sted og giver besked til tre andre. Hvert trin er simpelt. Tilsammen æder de timer.
n8n er et open source-automatiseringsværktøj der binder den slags trin sammen i visuelle workflows. Med version 2.0, lanceret i januar 2026, har platformen fået native AI-integration der gør den til noget mere end et Zapier-alternativ.
Hvad n8n 2.0 bringer
n8n har altid kunnet forbinde systemer. Det nye er at AI nu er en førsteklasses borger i platformen. Version 2.0 introducerer over 70 AI-nodes bygget på LangChain, herunder AI Agent-nodes der kan kalde andre n8n-nodes som værktøjer, opretholde hukommelse på tværs af kald og levere struktureret output.
Det betyder i praksis at en AI-agent i n8n ikke bare kan analysere tekst. Den kan hente data fra et Google Sheet, vurdere indholdet mod et sæt regler, og sende resultatet videre til næste trin - alt sammen inden for samme workflow. Med over 1.500 integrationer kan den tale med næsten ethvert system en dansk virksomhed bruger i dag. Det er den type procesautomatisering der allerede er i gang hos virksomheder der automatiserer deres mest tidskrævende workflows.
Anatomien i et AI-workflow
Et typisk AI-workflow i n8n følger et mønster der går igen på tværs af brancher og use cases. Her er det illustreret med en content-pipeline, men strukturen er den samme uanset om det handler om kundehenvendelser, fakturabehandling eller intern rapportering.
De seks faser er:
- Trigger - en formular, webhook eller tidsplan starter workflowet. I eksemplet indsender en skribent et link til et Google Docs-udkast
- Validering - n8n henter dokumentet og tjekker at indholdet er gyldigt. IF-nodes router data baseret på betingelser, så ugyldigt input stoppes tidligt
- AI-gennemgang - en AI Agent-node med LangChain analyserer udkastet mod redaktionelle regler. Struktureret output giver konsistente ja/nej-beslutninger i stedet for fritekst
- Godkendelse - et menneske godkender via Slack. n8n's send-and-wait-mønster pauser workflowet og genoptager det automatisk når godkendelsen kommer
- Publicering - en HTTP Request-node sender det godkendte indhold til CMS via API
- Notifikation - parallelle beskeder til relevante teams via e-mail og Slack
Det afgørende er at hvert trin er sin egen node. Hvis AI-gennemgangen skal erstattes med en anden model, eller godkendelsen skal flyttes fra Slack til Teams, ændrer man en enkelt node uden at røre resten. Det er den samme modulære tænkning der kendetegner autonome AI-agenter i produktion - forskellen er at n8n giver dig fuld kontrol over hvert trin.
Selvhosting og GDPR
Her adskiller n8n sig mest fra Zapier og Make. n8n kan selvhostes på egen infrastruktur, hvilket betyder at data aldrig forlader virksomhedens servere. For danske og europæiske virksomheder der arbejder med persondata, sundhedsdata eller fortrolige forretningsoplysninger er det ikke en nice-to-have - det er et krav.
En selvhostet n8n-instans kører på en almindelig VPS. Der er ingen data der sendes til n8n's servere, ingen tredjepartslicenser der skal godkendes af DPO'en, og fuld kontrol over logning og retention. Det er fair-code-licenseret, hvilket betyder at kildekoden er åben og kan inspiceres.
n8n tilbyder også en cloud-version for dem der ikke vil vedligeholde infrastruktur. Men for virksomheder med strenge compliance-krav er selvhosting det der gør platformen relevant.
Hvad det koster sammenlignet med alternativer
Prissætningen er et af de stærkeste argumenter for n8n ved skala. n8n tæller en execution som et helt workflow uanset hvor mange trin det indeholder. Zapier tæller hvert trin som en task.
Et workflow med 10 trin der kører 1.000 gange om måneden bruger 1.000 executions i n8n. I Zapier bruger det 10.000 tasks. Ved den mængde ligger Zapier's Business-plan på omkring 3.500 kr. om måneden. En selvhostet n8n på en VPS til 350 kr. om måneden håndterer det samme volumen uden begrænsninger.
Ved højere volumen bliver forskellen dramatisk. Virksomheder der kører tusindvis af workflows dagligt kan spare størrelsesordener ved at flytte fra SaaS-automatisering til selvhostet n8n. Cloud-versionen af n8n er dyrere end selvhosting, men stadig markant billigere end Zapier og Make ved tilsvarende volumen.
Hvad det kræver at komme i gang
n8n's brugerflade er visuel og drag-and-drop. Men at bygge workflows der faktisk virker i produktion kræver en vis teknisk forståelse. Man skal kunne læse API-dokumentation, forstå JSON-strukturer og tænke i fejlhåndtering.
For virksomheder uden intern teknisk kapacitet kan workflow-automatisering outsources til specialister der designer, bygger og vedligeholder workflows. Men udgangspunktet er at n8n er et værktøj for dem der vil forstå og kontrollere deres automatisering, ikke for dem der vil have en sort boks.
Det kræver:
- En server - en VPS fra 50-350 kr./måned er nok for de fleste
- Grundlæggende teknisk forståelse - API'er, webhooks, JSON
- Tid til at designe workflows - den visuelle editor er intuitiv, men god automatisering kræver gennemtænkt arkitektur
Fra enkelt workflow til multi-agent orkestrering
Et enkelt AI-workflow med en trigger, en model og et output er nyttigt. Men de fleste processer i virkeligheden kræver mere end det. n8n understøtter fire agentiske designmønstre der skalerer fra simpelt til komplekst:
- Kædede kald - foruddefinerede kommandoer til flere modeller i sekvens
- Enkelt agent - opretholder tilstand og træffer beslutninger gennem hele forløbet
- Multi-agent med gatekeeper - delegerer specialiserede opgaver mens en central agent holder overblikket
- Multi-agent teams - samarbejder om komplekse processer med distribueret beslutningstagning
Et konkret eksempel er fakturabehandling. Et workflow udtrækker PDF-vedhæftninger fra e-mail, sender dem til en vision-model, ekstraherer struktureret data, krydstjekker mod en database og opretter en indkøbsordre. En virksomhed gik fra 40-50 manuelt behandlede fakturaer om ugen til 90 procent automatisering med den tilgang.
En vigtig tommelfingerregel er at holde sig til 5-7 værktøjer per agent. Når en agent har adgang til for mange værktøjer, skal den underliggende sprogmodel evaluere alle muligheder ved hvert kald. Det forbruger tokens, øger latensen og forringer kvaliteten af beslutningerne. Flere specialiserede agenter med få værktøjer hver slår konsekvent en enkelt agent med tyve værktøjer.
Kilde: The New Stack - How to Build Your First End-to-End AI Workflow in n8n
