KI-Agent für Preismonitoring bei Wettbewerbern

Eine vertraute Situation: Einmal pro Woche öffnet ein Mitarbeiter manuell die Websites von fünf Wettbewerbern und gleicht die Preise in einer Excel-Tabelle ab. Erst drei bis vier Tage später fällt auf, dass jemand einen Ausverkauf gestartet hat. In dieser Zeit sind bereits Kunden zum günstigeren Anbieter abgewandert. Preise täglich manuell zu prüfen, ist bei Hunderten von Artikeln im Sortiment schlicht nicht praktikabel.

Genau diese Aufgabe übernimmt ein KI-Agent in n8n: Er ruft die Wettbewerber-Websites nach einem festen Zeitplan automatisch ab, extrahiert die aktuellen Preise, vergleicht sie mit dem letzten Stand und meldet sich, sobald sich etwas ändert. Dabei parst der Agent nicht einfach nur Text — er nutzt ein KI-Modell, um unterschiedliches HTML-Markup zu interpretieren und in saubere, strukturierte Preisdaten umzuwandeln.

In diesem Artikel geht es darum, wie ein solcher Agent technisch aufgebaut ist, was für die Umsetzung nötig ist, was es kostet und welche Fehler beim ersten Aufbau am häufigsten passieren.

Was Sie hier finden

• Wie der KI-Agent für Preismonitoring in n8n funktioniert — Schritt-für-Schritt-Aufbau vom Trigger bis zum Alert
• Was für die Umsetzung nötig ist: Zugänge, APIs, Datenspeicher
• Was Einrichtung und laufender Betrieb kosten
• Warum n8n bei wachsender Wettbewerberzahl günstiger ist als fertige SaaS-Preistracker
• Typische Fehler beim ersten Aufbau — und wie man sie vermeidet
• Wann man das Preismonitoring besser einem Spezialisten überlässt

Wie der Agent technisch aufgebaut ist

Der Workflow besteht aus sechs logischen Blöcken, jeder mit einer klar abgegrenzten Aufgabe.

Schedule Trigger. Der Agent startet nach Zeitplan — zum Beispiel zweimal täglich, morgens und abends. Bei Wettbewerbern mit häufigen Preisänderungen lässt sich das Intervall auf wenige Stunden verkürzen, wobei die Anfragefrequenz gegenüber der fremden Website in einem vernünftigen Rahmen bleiben sollte.

HTTP Request an die Wettbewerber-Seiten. Diese Node holt das HTML der relevanten Produktseiten. Bei Websites mit Bot-Schutz oder aufwendigem JavaScript-Rendering wird hier meist eine externe Scraping-API über denselben HTTP Request eingebunden — einfacher, als einen Headless-Browser innerhalb von n8n zu betreiben.

KI-Verarbeitung (OpenAI/Claude-Node oder HTTP Request an die Modell-API). Rohes HTML sieht bei jedem Wettbewerber anders aus: Mal steckt der Preis in einem Span, mal in einem Data-Attribut, mal ist er hinter einem Rabatt versteckt. Statt für jede Website einen eigenen Parser zu schreiben, erhält das KI-Modell den Seitentext mit der Anweisung, Produktname, aktuellen Preis und Verfügbarkeit zu extrahieren. Dadurch entfällt die ständige manuelle Anpassung von Selektoren bei jedem Website-Redesign des Wettbewerbers.

IF/Switch — Vergleich mit dem vorherigen Wert. Diese Node vergleicht den neu ermittelten Preis mit dem zuletzt gespeicherten Wert. Liegt die Abweichung unter einem festgelegten Schwellenwert (zum Beispiel 1-2 %), endet der Workflow ohne Benachrichtigung — so werden Rauschen durch Rundungen und kurzzeitige technische Störungen auf der Wettbewerberseite herausgefiltert.

Speichern in der Datenbank (Google Sheets/Airtable/Postgres). Jeder Preiswert wird mit Datum und Quelle gespeichert — so entsteht eine Historie, an der sich später die Entwicklung ablesen lässt, nicht nur eine Momentaufnahme.

Aktion — Alert versenden. Bei einer relevanten Preisänderung schickt eine Telegram-, Slack- oder E-Mail-Node eine kurze Benachrichtigung an den zuständigen Mitarbeiter: welches Produkt, bei welchem Wettbewerber, um wie viel sich der Preis geändert hat und wie hoch die eigene Marge jetzt ist.

Error Trigger. Ein separater Workflow fängt Fehler im Hauptworkflow ab: die Wettbewerberseite ist vorübergehend nicht erreichbar, hat die Seitenstruktur geändert oder blockiert die Anfrage. Ohne diesen Baustein liefert der Agent möglicherweise monatelang stillschweigend leere Daten, während man denkt, die Preise hätten sich einfach nicht geändert.

Was für die Umsetzung nötig ist

Für den Start braucht es n8n selbst — self-hosted auf einem VPS oder als n8n-Cloud-Version —, Zugriff auf die Wettbewerberseiten (per direkter Anfrage oder über eine Scraping-API bei geschützten Websites), eine API des KI-Modells für die Datenaufbereitung sowie einen Datenspeicher — eine Tabelle oder Datenbank für die Preishistorie. Für Benachrichtigungen reicht meist die Telegram Bot API oder E-Mail.

Ein Wort zur rechtlichen Seite: Das Monitoring öffentlich zugänglicher Preise ist grundsätzlich zulässig, es lohnt sich aber, die Nutzungsbedingungen der jeweiligen Website zu prüfen und keine übermäßige Last durch zu häufige Anfragen zu erzeugen.

Was Einrichtung und Betrieb kosten

Kostenpunkt	Ungefähre Kosten
VPS für self-hosted n8n	5-10 €/Monat
n8n Cloud (Alternative zum VPS)	ab 20 €/Monat
Scraping-API (bei geschützten Websites)	30-50 €/Monat
KI-Modell-API (Datenaufbereitung)	5-15 €/Monat
Summe	~40-75 €/Monat

Entscheidend dabei: Dieser Betrag steigt im vernünftigen Rahmen kaum mit der Anzahl der überwachten Produkte oder Wettbewerber — anders als bei fertigen SaaS-Preistrackern, deren Tarif meist an die Zahl der überwachten SKUs gekoppelt ist und mit dem Sortiment mitwächst.

Warum n8n statt eines fertigen Baukastens

Fertige No-Code-Plattformen wie Make.com berechnen nach Anzahl der Operationen. Bei der Prüfung von 20 Produkten bei 5 Wettbewerbern zweimal täglich kommen so schnell tausende Operationen pro Monat und eine spürbare Rechnung zusammen. n8n auf einem eigenen Server hingegen hat einen fixen Preis, unabhängig vom Prüfvolumen. Zudem bietet die self-hosted Lösung volle Kontrolle über Scraping-Logik und KI-Prompts — sie lassen sich präzise auf die eigene Nische zuschneiden, statt sich an die Grenzen eines fremden Baukastens anzupassen.

Typische Fehler

Der erste Fehler ist der Versuch, gleich fünfzig Wettbewerber und das gesamte Sortiment abzudecken. Sinnvoller ist es, mit 3-5 wichtigen Wettbewerbern und den margenstärksten Produkten zu beginnen und den Umfang erst zu erweitern, wenn der Workflow mindestens einen Monat stabil gelaufen ist.

Zweitens fehlt oft der Error Trigger. Ohne ihn bleibt ein Parsing-Fehler auf einer der Seiten wochenlang unbemerkt.

Drittens wird die Testphase übersprungen: Der Workflow wird sofort auf die komplette Seitenliste losgelassen, statt ihn zunächst an 2-3 Produktseiten zu testen und zu prüfen, ob das KI-Modell den Preis korrekt extrahiert.

Viertens werden Anfragelimits ignoriert, wodurch die IP-Adresse des Servers beim Wettbewerber gesperrt wird. Fünftens werden Daten nur im Workflow selbst gehalten statt in einer separaten Tabelle — bei einem Neustart geht die Historie dann einfach verloren.

Wann man den Aufbau besser einem Spezialisten überlässt

Setzen Wettbewerber ausgeprägten Scraping-Schutz ein — Captcha, Geoblocking, dynamisch per JavaScript generierte Inhalte —, dauert die eigenständige Einrichtung unverhältnismäßig lange. Gleiches gilt, wenn Hunderte SKUs bei Dutzenden Wettbewerbern gleichzeitig überwacht werden sollen, die Daten in ein internes ERP- oder CRM-System integriert werden müssen oder auf Basis des Monitorings automatisch die eigenen Preise angepasst werden sollen — hier ist das Fehlerrisiko hoch, und ein n8n-Spezialist ist die bessere Wahl.

Praxisbeispiel

Ein Online-Shop für Unterhaltungselektronik mit 200 SKUs überwachte die Preise von fünf wichtigen Wettbewerbern manuell: Ein Mitarbeiter wendete dafür rund 6 Stunden pro Woche auf, und die Reaktion auf Preisänderungen dauerte 3-5 Tage. In dieser Zeit verlor der Shop im Schnitt 2-3 % Marge auf Produkte, die unbemerkt nicht mehr konkurrenzfähig waren.

Nach Einführung des n8n-Agenten läuft die Prüfung zweimal täglich, und bei Preisabweichungen über 3 % geht eine Telegram-Benachrichtigung ein. Die Reaktionszeit sank auf etwa eine Stunde, die Arbeitszeit des Mitarbeiters wurde fast vollständig frei — rund 24 Stunden im Monat —, und der laufende Betrieb des Workflows kostet etwa 50 € im Monat.

Fazit

Ein KI-Agent für Preismonitoring bei Wettbewerbern in n8n löst eine Aufgabe, die manuell kaum praktikabel ist: die laufende Beobachtung von Preisänderungen auf Dutzenden Seiten. Die Kosten bleiben dabei fix und wachsen nicht mit dem Sortiment mit, und die Umsetzung dauert wenige Tage statt Monate — vorausgesetzt, man startet mit einer kleinen Zahl an Wettbewerbern und baut von Anfang an einen Error Trigger ein.

Wenn Sie tiefer einsteigen möchten

• KI-Agent: Website-Analyse, Wochenbericht
• Automatisierung für Kleinunternehmen: Wo anfangen
• KI-Agent für Online-Shops

FAQ

Ist es legal, Preise von Wettbewerbern zu erfassen? Das Monitoring öffentlich zugänglicher Preise verstößt grundsätzlich nicht gegen geltendes Recht, dennoch lohnt sich ein Blick in die Nutzungsbedingungen der jeweiligen Website und der Verzicht auf übermäßige Serverlast.

Braucht man einen Entwickler für die Einrichtung? Eine Grundversion für 3-5 Wettbewerber ohne aufwendigen Scraping-Schutz lässt sich anhand der in diesem Artikel beschriebenen Struktur selbst umsetzen. Bei geschützten Websites und größerem Umfang ist ein Spezialist sinnvoll.

Wie geht der Agent mit Websites um, die Scraping blockieren? In der Regel über eine externe Scraping-API, die einen echten Browser simuliert und einfachen Schutz umgeht. Bei komplexen Fällen mit Captcha ist zusätzliche Konfiguration nötig.

Lassen sich auch Preise auf Marktplätzen wie Amazon oder Idealo überwachen? Technisch ja, allerdings haben Marktplätze oft strengeren Schutz gegen automatisierte Anfragen, sodass ein solcher Workflow meist eine Scraping-API und eine vorsichtigere Anfragefrequenz erfordert.

Was tun, wenn ein Wettbewerber mehrmals täglich die Preise ändert? Es reicht, die Frequenz des Schedule Triggers zu erhöhen — etwa auf eine Prüfung alle 2-3 Stunden, unter Einhaltung vernünftiger Anfragelimits.

Wie lange dauert die Einrichtung des Agenten von Grund auf? Für 3-5 Wettbewerber ohne aufwendigen Schutz meist 1-3 Tage, inklusive einer Testphase an 2-3 Produktseiten vor dem vollständigen Rollout.