Automation

AI-workflows bouwen met n8n: een praktische gids

Van eerste AI-workflow tot productie: hoe je met n8n een AI-agent bouwt, de kosten in de hand houdt en aan de AVG en AI Act voldoet.

AI WorkTalent Redactie · 16 juli 2026 · 5 min leestijd

De meeste gidsen over AI-workflows in n8n blijven steken bij "sleep een AI-node in je flow". De echte vragen komen daarna: hoe voorkom je dat een agent zichzelf in een dure lus praat, waar blijft je data, en wanneer val je onder de AI Act. Deze gids gaat over dat deel.

Waarom n8n voor AI-workflows

n8n is geschikt voor AI-werk om één reden die zwaarder weegt dan alle functielijstjes: je kunt het zelf hosten, waardoor je bepaalt waar je data heen gaat. Voor Nederlandse organisaties die met klant- of bedrijfsgegevens werken, is dat vaak het enige argument dat telt. Je verbindt een taalmodel aan je eigen systemen — CRM, database, documentopslag — zonder dat die data via een gesloten SaaS-platform loopt.

Let wel op de licentie: n8n staat onder de Sustainable Use License en is geen open source. Voor gebruik binnen je eigen organisatie is dat geen probleem, maar wil je AI-workflows als dienst aan klanten verkopen, lees dan eerst de voorwaarden. Meer daarover in wat is n8n.

Je eerste AI-workflow: begin klein

Een goede eerste AI-workflow doet één ding en doet dat betrouwbaar. Een beproefd startpunt: inkomende e-mail categoriseren en samenvatten.

1. Trigger: een nieuwe e-mail in een postvak.
2. AI-node: stuur de inhoud naar een taalmodel met een strakke opdracht — "bepaal de categorie uit deze lijst en vat samen in twee zinnen".
3. Structuur afdwingen: vraag om JSON-uitvoer met vaste velden, zodat de volgende node ermee kan werken in plaats van met vrije tekst.
4. Actie: zet het resultaat in het juiste kanaal — een Slack-bericht, een rij in een overzicht, een label.

De kunst zit in stap 2 en 3. Een vage opdracht levert onvoorspelbare uitvoer; een opdracht die om een vast formaat vraagt, levert iets waar je automatisering op kan bouwen. Test met tien echte voorbeelden voordat je hem loslaat, en kijk niet of het "meestal" goed gaat maar waar het misgaat.

Het duurste risico: de agent-lus

Zodra je van een simpele AI-node naar een echte AI Agent-node gaat — een agent die zelf beslist welke tools hij aanroept — verandert het kostenplaatje. Zo'n agent kan in een lus belanden: hij roept het model aan, dat besluit een tool te gebruiken, het resultaat gaat terug naar het model, dat weer een tool kiest, enzovoort. Elke ronde kost tokens bij je modelaanbieder.

Waar de n8n-abonnementskosten voorspelbaar zijn (je betaalt per workflow-executie, ongeacht wat erin gebeurt), zijn de modelkosten dat niet. Een agent die vastloopt in een lus kan één executie honderden model-aanroepen laten doen. Drie maatregelen die je altijd neemt:

• Zet een maximum op het aantal iteraties. Een agent die na tien stappen geen antwoord heeft, moet stoppen, niet doorgaan.
• Begrens de tokens per run. Zo weet je wat een enkele run in het slechtste geval kost.
• Test met een goedkoop model. Ontwikkel op een klein, goedkoop model en schakel pas over op een duur model als de logica bewezen is.

Waar blijft je data

Zelf hosten houdt n8n binnen je omgeving, maar dat geldt niet automatisch voor het taalmodel. Roept een node een model aan bij een aanbieder buiten de EU, dan verlaat je data alsnog het continent — met alle doorgifteverplichtingen van dien. Wil je data binnen de EU houden, kies dan een EU-endpoint of draai een model lokaal.

Er is een tweede, minder bekende valkuil. n8n bewaart standaard de volledige inhoud van elke run in de database. Bij een AI-workflow die persoonsgegevens verwerkt, bouw je zo ongemerkt een tweede opslagplaats op die onder de AVG valt. Beperk wat er van een run wordt bewaard en ruim oude runs automatisch op. Werk je met persoonsgegevens, lees dan wat de AVG van je vraagt.

De AI Act: wat geldt er voor jou

Bouw je een AI-workflow voor je bedrijf, dan ben je onder de AI Act vrijwel zeker gebruiksverantwoordelijke (deployer). Alleen puur persoonlijk, niet-beroepsmatig gebruik valt buiten de verordening; zakelijk gebruik niet. Voor de meeste bedrijfsworkflows blijft het bij transparantieverplichtingen uit artikel 50, die sinds 2 augustus 2026 van toepassing zijn:

• Een chatbot moet duidelijk maken dat mensen met AI praten, tenzij dat overduidelijk is.
• AI-gegenereerde content — tekst, beeld, audio — moet als zodanig herkenbaar zijn. Voor deepfakes geldt een expliciete markeringsplicht.
• Die mededelingen moeten uiterlijk bij de eerste interactie worden gedaan.

Bouw je iets dat in een hoog-risicocategorie valt — bijvoorbeeld AI die meebeslist over werving, toegang tot voorzieningen of kredietwaardigheid — dan gelden zwaardere eisen en een eigen tijdlijn. Twijfel je in welke categorie je valt, laat dat dan vooraf beoordelen; achteraf herbouwen is duur.

Van pilot naar productie

Een AI-workflow die op je laptop werkt, is nog geen productiesysteem. Wat er tussen zit:

• Kwaliteitsmeting. Hoe stel je vast of de AI-output goed genoeg is? Bouw een steekproef in waarbij een mens meekijkt, zeker in het begin.
• Foutafhandeling. Wat gebeurt er als het model niet reageert of onzin teruggeeft? Een AI-workflow zonder terugvalpad faalt stil.
• Een echte database. n8n draait standaard op SQLite; voor productie zet je Postgres op.
• Menselijk toezicht op onomkeerbare acties. Laat een agent niet zelfstandig e-mails versturen of bestellingen plaatsen zonder bevestigingsstap.

Begin met één afgebakende workflow, begrens je model-aanroepen, houd je data waar hij hoort en check je AI Act-positie voordat je opschaalt. Loop je vast, dan plaats je op AI WorkTalent je opdracht en ontvang je voorstellen van n8n-specialisten die AI-workflows in productie brengen. Zie ook n8n vs Zapier als je nog twijfelt over je tool.