Rémi Kokabi27. November 20256 Min. LesezeitAktualisiert: 7. Okt. 2026
Ich habe den GPT-3-Antwort-Workflow von lemlist mit GPT-4 in 4 Schritten neu aufgebaut (das hat sich geändert)
Sobald eine Kampagne echtes Volumen erreicht, wird Ihr Posteingang zum Sortierproblem. Interessierte Leads, Abwesenheitsnotizen, Abmeldebitten, höfliche „Jetzt nicht"-Antworten. Alles landet am selben Ort, und ein Mensch muss jede Zeile lesen, um zu entscheiden, was als Nächstes passiert. Dieser Mensch ist meistens Ihr bester Rep, und er sortiert E-Mails statt zu verkaufen. Dabei ist das Zeitfenster für die Antwort an einen heißen Lead winzig: In der Developer-Dokumentation von lemlist liegt die Vorgabe bei maximal zwei Minuten zwischen einer interessierten Antwort und der Benachrichtigung an den SDR. Das schafft niemand manuell.
In diesem Beitrag zeige ich Ihnen Schritt für Schritt, wie Sie den alten lemlist-x-GPT-3-Workflow zur Antwort-Kategorisierung mit einem Modell nachbauen, das es noch gibt - in n8n oder Make. Außerdem zeige ich den Teil, den die meisten gar nicht selbst bauen müssen, weil lemlist die Antwort-Klassifizierung inzwischen nativ übernimmt. Ein kurzer Hinweis, bevor Sie loslegen: Die ursprüngliche Version dieser Anleitung lief auf GPT-3, und OpenAI hat die gesamte GPT-3-Generation am 4. Januar 2024 eingestellt, dokumentiert auf der OpenAI-Seite zu eingestellten Modellen. Wenn Sie heute die Anleitung von 2023 befolgen würden, würde der API-Call schon am ersten Node scheitern. Diese Version nutzt GPT-4o (oder ein anderes aktuelles OpenAI-Chat-Modell Ihrer Wahl).
Das leistet der fertige Workflow:
Slack-Benachrichtigungen, wenn ein Lead interessiert ist
Aufgabenerstellung, wenn ein Lead abwesend ist
Leads abmelden, die um Entfernung bitten
Ergebnis automatisch in Ihr HubSpot-CRM übertragen
Bevor Sie bauen: die native KI-Antworterkennung von lemlist
Zuerst das Offensichtliche: Viele Leute landen bei dieser Anleitung und brauchen sie gar nicht.
Die KI von lemlist liest eingehende Antworten bereits und markiert Leads automatisch als interessiert. Positive Antwort - der Lead wird als „Interessiert" markiert. Negative Antwort - „Nicht interessiert". In beiden Fällen stoppt die Sequenz für diesen Lead, sodass niemand ein Follow-up bekommt, nachdem er bereits geantwortet hat. Sie schalten es ein, erledigen den Rest über Ihre Unified Inbox, und nach ein paar Klicks sind Sie fertig.
Warum also überhaupt etwas bauen?
Weil die native Klassifizierung Ihnen zwei Kategorien gibt, manche Teams aber fünf brauchen. Wenn Abwesenheitsantworten eine Aufgabe mit Datum in drei Wochen erstellen sollen, Empfehlungen an einen anderen Rep weitergeleitet werden und Abmeldewünsche auf eine Sperrliste in Ihrem CRM landen sollen, brauchen Sie eigene Logik. Genau dafür ist der Rest dieser Anleitung. Sehen Sie es als Power-User-Ebene auf einem Feature, das Sie bereits nutzen - nicht als Ersatz dafür.
Wenn Sie die umfassendere Version dieser Idee interessiert (KI-Agents, die auf Signale in Ihrer gesamten Pipeline reagieren, nicht nur auf Antworten), schauen Sie sich lemAgent an, bevor Sie anfangen, Nodes zu verkabeln.
Schritt 1: OpenAI-API-Key besorgen
→ Falls Sie noch kein OpenAI-Konto haben, registrieren Sie sich auf platform.openai.com.
→ Sobald Sie ein Konto haben, holen Sie sich Ihren API-Key:
Melden Sie sich an bei platform.openai.com
Öffnen Sie den Bereich „API keys" im Menü auf der linken Seite
Erstellen Sie einen neuen Secret Key
Wenn Sie das Modell später in Ihrem Workflow festlegen, wählen Sie ein aktuelles Chat-Modell. GPT-4o ist die sichere Wahl für Klassifizierungsaufgaben wie diese: schnell, günstig pro Call und genau genug, dass ich für das Sortieren von Antworten in Kategorien nie etwas Stärkeres gebraucht habe. GPT-4.1 funktioniert auch. Alles, was mit text-davinci anfängt, ist eingestellt - also kopieren Sie keine alten Blueprints blind.
Ein Hinweis, den Sie lesen sollten, bevor Sie überhaupt einen Key erstellen. Wenn Sie nur Modellflexibilität wollen, ohne eigenen API-Key, Abrechnung und Rate Limits zu verwalten: Smart Messaging AI von lemlist lässt Sie jetzt direkt im Produkt zwischen Claude, GPT und Perplexity wählen. KI-Variablen laufen über lemlist-Credits, wodurch der externe API-Key komplett entfällt. Erstellen Sie nur dann einen Key, wenn Sie ein bestimmtes Modell oder eine Prompt-Struktur brauchen, die außerhalb von lemlist liegt.
Schritt 2: API-Key aus Ihrem lemlist-Konto holen
Falls Sie noch kein lemlist-Konto haben, gehen Sie auf lemlist.com und starten Sie eine kostenlose Testphase.
Klicken Sie in der lemlist-App auf das Dropdown-Menü „Team settings"
Gehen Sie zu „Integrations"
Klicken Sie im Bereich „API" auf den Button „Generate new key" (falls Sie noch keinen API-Key haben)
Speichern Sie diesen Key an einem Ort, an dem Sie ihn wiederfinden. Sie werden ihn in mehreren Nodes einfügen.
Schritt 3: n8n- oder Make-Konto erstellen
Sie können eine dieser beiden No-Code-Workflow-Automationsplattformen nutzen, um die Integration aufzusetzen:
→ Option 1: Falls Sie noch kein n8n-Konto haben, starten Sie eine 30-tägige kostenlose Testphase auf n8n.cloud
→ Option 2: Falls Sie noch kein Make-Konto haben, starten Sie Ihre kostenlose Testphase auf make.com
Ich nutze n8n, wenn ich den Prompt als Klartext sehen und bearbeiten will, und Make, wenn jemand ohne technischen Hintergrund den Workflow später prüfen soll. Beide führen zum selben Ergebnis.
Schritt 4: Sales-Automation-Workflow bauen
Bevor Sie eines der Tools anfassen, setzen Sie ein Lesezeichen auf die Developer-Anleitung von lemlist für Slack-Benachrichtigungen bei positiven Antworten. Das ist die offiziell gepflegte Version genau dieses Patterns: ein kleiner KI-Agent auf Basis von OpenAI, der die Antwort eines Leads klassifiziert, verkettet mit dem lemlist-Trigger-Node. Sie wird aktualisiert, wenn sich die API oder der Node ändert. Die Blueprints unten sind der erweiterte Build mit CRM- und Aufgaben-Handling obendrauf, und die Begriffe stimmen mit der Developer-Anleitung überein, sodass Sie zwischen beiden wechseln können.
Option 1: Automation-Workflow in n8n bauen
Melden Sie sich in Ihrem n8n-Konto an und erstellen Sie einen leeren Workflow
Gehen Sie zu diesem Link und klicken Sie auf „copy the workflow"
Fügen Sie den neuen Workflow in Ihren leeren Workflow ein
Ihr Workflow sollte jetzt so aussehen:
4. Für jeden Node müssen Sie Ihre Zugangsdaten einrichten.
Für den OpenAI-Node:
→ Wählen Sie „Header authentication"
→ Name = Authorization
→ Value = Bearer YOUR_API_KEY
lemlist-Authentifizierung einrichten:
→ Neue Zugangsdaten erstellen
→ Ihren API-Key einfügen
P.S. Sie können denselben Authentifizierungsprozess für alle lemlist-Nodes wiederverwenden, außer für „lemlist – Mark as interested". Wählen Sie dort „Predefined Credential Type" → Lemlist API → dieselben Zugangsdaten, die Sie erstellt haben.
5. Wenn alle Nodes eingerichtet sind, aktivieren Sie Ihren Workflow.
Wenn Sie Daten automatisch in Ihr HubSpot-CRM übertragen möchten, geht das über n8n:
Gehen Sie in der HubSpot-App zu „Settings"
Wählen Sie unter „Integration" die Option, eine private App zu erstellen
Erlauben Sie die folgenden Scopes:
4. Kopieren Sie nach dem Erstellen der App den Token
5. Wählen Sie „App Token" für die Authentifizierung
6. Erstellen Sie neue Zugangsdaten und fügen Sie Ihren Token ein
Sie können denselben Authentifizierungsprozess für alle HubSpot-Nodes wiederverwenden.
Option 2: Automation-Workflow in Make bauen
Laden Sie die Blueprint-JSON-Datei herunter hier
Melden Sie sich in der Make-App an und klicken Sie auf „Scenarios", um ein neues Szenario zu erstellen
Wählen Sie „Import Blueprint"
4. Für jedes Modul müssen Sie sich authentifizieren:
lemlist → Ihren API-Key hinzufügen
HubSpot → OAuth verwenden
OpenAI → Ihren API-Key hinzufügen
5. Speichern Sie Ihr Modul und aktivieren Sie es.
Eine Sache, die ich am importierten Blueprint ändern würde, bevor Sie ihn einschalten: Öffnen Sie das OpenAI-Modul und prüfen Sie, welches Modell es aufruft. Alte Blueprints zeigen noch auf eingestellte GPT-3-Endpoints. Tauschen Sie es gegen Ihr aktuelles Modell, lassen Sie dann eine einzelne Testantwort durch das Szenario laufen und lesen Sie das Klassifizierungsergebnis, bevor Sie es an echte Leads lassen.
P.S. Sie können dieselbe Integration auch mit Slack, Pipedrive, Salesforce und vielen weiteren Apps bauen. Hier finden Sie alle Optionen.
Fazit
Ordnung bei Ihren Outreach-Antworten ist entscheidend für die Effizienz und die Genauigkeit Ihrer Kampagnendaten.
Aber der eigentliche Grund für automatisierte Antwort-Klassifizierung ist Geschwindigkeit. Je schneller Ihre Reps einem interessierten Lead antworten, desto höher die Chance auf eine Conversion. Die Developer-Anleitung von lemlist setzt das Ziel bei einer Benachrichtigung an den SDR innerhalb von zwei Minuten nach einer positiven Antwort. Ein Mensch, der zweimal am Tag den Posteingang durchgeht, schafft das nicht. Ein KI-Agent, der jede Antwort in der Sekunde liest, in der sie eintrifft, schon.
Starten Sie mit der nativen Option, denn sie kostet Sie nichts und deckt „interessiert" vs. „nicht interessiert" direkt ab. Bauen Sie die n8n- oder Make-Version, wenn Ihre Routing-Logik über zwei Kategorien hinauswächst. Das ist die ganze Entscheidung.
Wenn Sie sehen möchten, was die restliche Plattform kann, bevor Sie sich entscheiden: lemlist hält eine Bewertung von 4,6 / 5 auf G2 bei über 1.400 verifizierten Reviews. Und wenn Sie mehr Workflows wie diesen suchen, treten Sie der lemlist family bei, wo über 5.000 Sales- und Outbound-Profis täglich Tipps und Workflows teilen.
14 Tage kostenlos testen und lassen Sie die KI Ihre Antworten für Sie lesen.
KI-gestützte Outbound-Kampagnen starten
Automatisiere dein Prospecting und personalisiere KI-Sequenzen, um mehr Meetings zu buchen.