KI-Agenten für Social Media: Wie du News-Monitoring und Content-Erstellung automatisierst

KI-Agenten automatisieren News-Monitoring und Social-Media-Content, indem sie drei Aufgaben trennen, die klassische Automationen nicht leisten können: relevante Quellen bewerten, plattformgerechte Texte formulieren und Freigabeprozesse koordinieren. Du brauchst keinen Code dafür – n8n, Make oder Zapier reichen aus, um diesen Ablauf vollständig einzurichten.

Das Wichtigste in Kürze

• KI-Agenten treffen eigenständige Entscheidungen über Relevanz und Format – das unterscheidet sie von einfachen Wenn-dann-Automationen.
• Ein funktionierendes System besteht aus drei getrennten Agenten: News-Finder, Content-Creator und Review-Koordinator.
• n8n, Make und Zapier bieten 2026 native KI-Schritte; keines der drei Tools erfordert Programmierkenntnisse für diesen Workflow.
• ActiveCampaign verbindet das Social-Media-System mit E-Mail-Nurturing und Lead-Scoring, sobald ein Social-Post einen Website-Besuch auslöst.
• Ohne einen Deduplizierungsschritt – z. B. eine URL-Prüfung gegen eine Google-Sheets-Tabelle – postet das System dieselbe News mehrfach.

Was einen KI-Agenten von klassischer Automation unterscheidet

Klassische Automationen folgen festen Regeln: Wenn ein RSS-Feed einen neuen Eintrag liefert, wird er gespeichert. Ein KI-Agent tut mehr – er liest den Inhalt, bewertet seine Relevanz für eine spezifische Zielgruppe, entscheidet, ob er weiterverarbeitet wird, und gibt das Ergebnis in einem definierten Format weiter. Das alles passiert ohne explizit codierte Einzelregeln für jede mögliche Eingabe.

Der entscheidende Unterschied liegt in der Entscheidungsebene. Eine klassische Automation kennt "Wenn A, dann B". Ein KI-Agent kennt "Analysiere A, beurteile nach Kriterien C, D und E, und entscheide dann, was B sein soll." Das ermöglicht Workflows, die früher zwingend manuelles Urteilsvermögen erfordert haben.

Diese Unterschiede sind für News-Monitoring konkret spürbar: Klassische Automationen können einen RSS-Feed abrufen. Ein KI-Agent entscheidet, welcher Artikel wirklich relevant für deine Branche ist – und welcher nur so klingt, als wäre er es.

Der dreiteilige Workflow: Von der News zum fertigen Post

Ein funktionierendes News-to-Social-System besteht aus drei klar getrennten Agenten. Wer alle drei in einen einzigen Ablauf packt, hat langfristig ein Debugging-Problem: Wenn etwas schiefläuft, ist unklar, in welcher Phase. Separate Agenten sind leichter zu testen, zu ersetzen und schrittweise zu erweitern.

Agent 1 – News-Finder und Analyst

Der erste Agent läuft täglich zu einem festen Zeitpunkt und hat eine klar begrenzte Aufgabe: Quellen durchsuchen, Artikel filtern, Relevanz bewerten, Ergebnisse mit Score speichern. Quellen, die sich bewährt haben:

• RSS-Feeds von Fachmedien – für fast jede Branche gibt es zuverlässige Quellen mit öffentlichem Feed.
• Google News mit Keyword-Parametern im RSS-Format, abrufbar ohne API-Key.
• LinkedIn-Newsletter-RSS über Drittanbieter-Dienste, die das Format umwandeln.
• Branchenspezifische Monitoring-Dienste mit API-Zugang, die Filterung und Deduplizierung bereits auf ihrer Seite übernehmen.

Der Analyse-Prompt sollte drei Fragen in strukturierter Form beantworten lassen: Worum geht es in diesem Artikel? Ist das Thema für meine Zielgruppe relevant (Skala 1–10)? Gibt es einen konkreten Handlungsbezug für meine Leser? Alles auf einmal in einem Prompt abzufragen liefert präzisere Ergebnisse als eine allgemeine Zusammenfassungsanweisung – weil das Modell gezwungen ist, drei getrennte Antworten zu strukturieren.

Agent 2 – Content-Creator

Der zweite Agent greift auf die Ergebnisse des ersten zu – aus Google Sheets, Airtable oder einer Notion-Datenbank – und erstellt für alle Einträge mit einem Relevanz-Score ab 7 plattformgerechte Posts. Er startet 10–15 Minuten nach Agent 1, damit dieser Zeit hatte, seine Ergebnisse zu schreiben. Für jeden Artikel entstehen separate Varianten je Plattform. LinkedIn, X und Facebook unterscheiden sich in Länge, Ton und Struktur – einen einzigen Text für alle drei Kanäle zu recyceln kostet Reichweite auf allen dreien.

Agent 3 – Review und Freigabe

Der dritte Agent ist optional, aber empfohlen, solange das System noch im Aufbau ist. Er sendet alle erstellten Posts gesammelt an einen Slack-Kanal, eine E-Mail oder an eine ActiveCampaign-Benachrichtigungs-Automation. Du gibst frei, was veröffentlicht wird. Nach einer Einlaufzeit von zwei bis vier Wochen kannst du entscheiden, ob du den Review-Schritt reduzierst oder für bestimmte Quellkategorien ganz weglässt.

So baust du deinen News-Agenten in n8n – Schritt für Schritt

Dieser Block beschreibt das Minimal-Setup in n8n. Make und Zapier funktionieren nach demselben Prinzip; die Bezeichnungen der Knoten weichen leicht ab, die Logik ist identisch. Voraussetzungen: n8n-Zugang (Cloud oder Self-Hosted), ein OpenAI- oder Anthropic-API-Key, ein Google-Konto für Sheets.

Agent 1 – News-Finder:

1. Neuen Workflow anlegen, Schedule-Trigger auf täglich 07:00 Uhr setzen.
2. HTTP-Request-Knoten hinzufügen: GET-Anfrage an den RSS-Feed deiner Hauptquelle. Bei Google News lautet das URL-Format https://news.google.com/rss/search?q=dein+keyword&hl=de&gl=DE.
3. XML-Knoten einsetzen, um die Feed-Struktur in einzelne Felder aufzulösen – Titel, Link, Beschreibung, Datum.
4. Split-In-Batches-Knoten einfügen, um jeden Artikel separat weiterzuverarbeiten.
5. OpenAI- oder Anthropic-Knoten verbinden. Prompt-Beispiel: "Analysiere diesen Artikel: [Titel] – [Beschreibung]. Antworte als JSON mit den Feldern: relevanz (1–10, für DACH-Marketing-Entscheider), zusammenfassung (max. 2 Sätze, sachlich)."
6. IF-Knoten: Nur Artikel mit relevanz >= 7 weitergeben, den Rest verwerfen.
7. Lookup-Schritt: Prüfen, ob die URL bereits in der Tabelle existiert – wenn ja, überspringen.
8. Google-Sheets-Knoten: Relevante Artikel schreiben. Spalten: Titel, URL, Datum, Score, Zusammenfassung, Status (Wert: "neu").

Agent 2 – Content-Creator (separater Workflow):

1. Schedule-Trigger: 07:15 Uhr – 15 Minuten nach Agent 1.
2. Google-Sheets-Knoten: Alle Zeilen mit Status = "neu" abrufen.
3. Split-In-Batches-Knoten für jeden Artikel.
4. KI-Knoten LinkedIn: Eingabe ist Titel + Zusammenfassung + URL. Prompt gibt Länge (120–200 Wörter), Struktur (Aussage, Kontext, Insight, Handlungsaufforderung) und Hashtag-Anzahl (3–5) vor.
5. KI-Knoten X: Separater Knoten mit eigenem Prompt, max. 280 Zeichen, prägnanter Einstieg, ein Hashtag.
6. Google-Sheets-Knoten: LinkedIn-Post und X-Post in dieselbe Zeile schreiben, Status auf "bereit" setzen.
7. E-Mail- oder Slack-Knoten: Tagesübersicht aller Posts als formatierte Nachricht senden.

ActiveCampaign als Brücke zwischen Social Media und E-Mail

ActiveCampaign ist in diesem Workflow primär nützlich als Verbindungsglied zwischen Social-Media-Monitoring und E-Mail-Marketing. Wer Besucher, die über Social-Media-Posts auf seine Website kommen, auch für E-Mail-Nurturing gewinnen will, kann das mit dem Site Tracking von ActiveCampaign direkt verknüpfen.

Ein konkreter Anwendungsfall: Ein Social-Media-Post zu einem Fachthema führt einen Besucher auf eine Landing Page. ActiveCampaign erkennt den Besuch, taggt den Kontakt mit dem Thema des Posts und startet eine thematisch passende Nurturing-Sequenz – vollautomatisch, ohne manuelle Zuweisung. Voraussetzung ist, dass der Kontakt bereits in der ActiveCampaign-Datenbank ist und das Tracking-Skript auf der Landing Page läuft.

Für die interne Koordination eignet sich die Deals-Pipeline als Content-Tracking-System. Vier Stages reichen für den Anfang:

• "Entwurf": Der Post ist erstellt, der Review steht noch aus.
• "Freigegeben": Der Post ist genehmigt und die Veröffentlichung ist eingeplant.
• "Veröffentlicht": Der Beitrag ist live, die Performance wird beobachtet.
• "Archiviert": Der Beitrag ist ausgewertet und die Daten sind für das Reporting gespeichert.

Wer ein dediziertes Content-Planungstool nutzt, kann den Deals-Ansatz weglassen. ActiveCampaign übernimmt dann ausschließlich die Kontakt-Management- und Nurturing-Seite des Systems. Wie du ActiveCampaign-Automationen von Grund auf aufbaust, ist im zugehörigen Leitfaden beschrieben.

Wann dieser Ansatz nicht passt

Ein automatisiertes News-Monitoring-System setzt voraus, dass du klare Kriterien formulieren kannst, was "relevant" bedeutet. Wer nicht benennen kann, welche Artikel er sehen will und welche nicht, wird keine funktionierenden Filter-Prompts schreiben. Das System verstärkt bestehende Klarheit – es ersetzt sie nicht.

Für kleine Posting-Frequenzen ist der Aufwand häufig nicht gerechtfertigt. Wer zwei Posts pro Woche anstrebt und kein aktives News-Tracking betreibt, ist mit einem manuellen Workflow schneller fertig als mit dem Setup eines dreistufigen Agentensystems. Der Break-even liegt erfahrungsgemäß bei etwa drei bis fünf tagesaktuellen Posts pro Woche.

Außerdem ist das System auf Inhalte ausgelegt, die sich auf Drittquellen stützen. Eigene Meinungsbeiträge, persönliche Erfahrungsberichte und Thought-Leadership-Posts lassen sich nicht aus RSS-Feeds ableiten. Für diese Inhalte ist menschliches Urteilsvermögen weiterhin der bessere Ausgangspunkt – kein KI-Agent ersetzt eine klare Haltung zu einem Thema.

Typische Fehler und wie du sie vermeidest

Zu allgemeine Analyse-Prompts: "Fasse diesen Artikel zusammen" liefert eine Zusammenfassung – aber keine Relevanzbewertung. Der Prompt muss explizit nach einem Score fragen und die Bewertungskriterien benennen. Ein Kriterium wie "relevant für Marketing-Entscheider im DACH-Raum" liefert zuverlässigere Ergebnisse als "relevant für unsere Zielgruppe".

Kein Deduplizierungsschritt: Ohne Prüfung auf bereits verarbeitete URLs postet das System dieselbe News bei jedem Tages-Durchlauf erneut. Das fällt spätestens auf, wenn ein Artikel drei Tage in Folge auf LinkedIn erscheint. Ein URL-Abgleich gegen die Datenbank reicht als Schutz.

Alle Plattformen mit demselben Post bedienen: Derselbe Text auf LinkedIn und X funktioniert nicht. LinkedIn belohnt längere, kontextreiche Beiträge; X lebt von Kürze und Pointiertheit. Wer einen einzigen KI-Knoten für alle Plattformen nutzt, verschenkt Reichweite auf allen Kanälen gleichzeitig.

Zu komplexe Prompts ohne Tests: Ein Prompt, der gleichzeitig Relevanz bewertet, eine Zusammenfassung erstellt, drei Plattformvarianten schreibt und Hashtags empfiehlt, ist schwer zu debuggen. In separate Schritte aufzuteilen macht jeden einzelnen testbar und austauschbar.

Review-Schritt zu früh weglassen: KI-Modelle produzieren gelegentlich inhaltlich plausibel klingende, aber sachlich falsche Aussagen. Ohne Review-Schritt landet das ungeprüft auf deinen Kanälen. Zwei bis vier Wochen manuelles Review geben ein belastbares Bild davon, wie zuverlässig das System in deinem konkreten Themenfeld arbeitet.

Häufige Fragen

Welches Tool eignet sich 2026 am besten für KI-Agenten-Workflows ohne Programmierkenntnisse?

n8n, Make und Zapier bieten alle native KI-Schritte, mit denen du Large Language Models direkt in Automationen einbindest. n8n ist am flexibelsten und kann self-hosted betrieben werden, was für datenschutzsensible Umgebungen relevant ist. Make ist besonders übersichtlich bei komplexen Datenstrukturen. Zapier ist am schnellsten für einfache Verbindungen zwischen bekannten Apps. Welches Tool passt, hängt vom Umfang des Workflows und deinen Datenschutzanforderungen ab.

Wie hoch sind die laufenden Kosten für KI-API-Aufrufe bei diesem Workflow?

Der größte Kostenfaktor ist das Kontextfenster: Je länger der Text, den du an das Modell sendest, desto mehr Token werden verbraucht. Gib dem Modell nur die Felder, die es wirklich braucht – Titel und Beschreibung eines RSS-Eintrags reichen für die Relevanzanalyse. Den vollen Artikeltext brauchst du nur, wenn der Feed keine Beschreibung mitliefert. Mit 50 bis 100 RSS-Einträgen täglich und kurzen Prompts bleibst du bei den meisten aktuellen Modellen im sehr niedrigen einstelligen Euro-Bereich pro Monat.

Muss ich Urheberrechte beachten, wenn Posts automatisch zu fremden Artikeln erstellt werden?

Posts, die auf einen Originalartikel verlinken und ihn kommentieren, sind eigenständige Werke und keine Reproduktionen. Rechtlich unproblematisch ist das, solange du keine wesentlichen Textpassagen unverändert übernimmst. Außerdem solltest du prüfen, ob der Quell-Feed öffentlich zugänglich ist und du keine technischen Schutzmaßnahmen umgehst. Im Zweifel gilt: Verlinkung und knappe Paraphrase statt längerer Zitate.

Wie lange dauert es, bis das System stabil und zuverlässig läuft?

Mit einem Minimal-Setup – ein Agent, eine Quelle, eine Plattform – ist der erste Test-Lauf in zwei bis drei Stunden erreichbar. Bis das System stabil läuft, also gute Filter, zuverlässige Posts und kein manuelles Eingreifen mehr nötig ist, rechne mit zwei bis vier Wochen aktivem Tuning. Die meiste Zeit geht für das Verfeinern des Analyse-Prompts drauf, nicht für die technischen Verbindungen zwischen den Tools.

Kann ich dasselbe Prinzip auch für E-Mail-Marketing-Content nutzen?

Ja. Das Grundprinzip – KI bewertet Quellen, formuliert Inhalte, du gibst frei – lässt sich direkt auf E-Mail-Marketing übertragen. Wie ein KI-Content-Assistent für E-Mail-Marketing mit Make und Slack aufgebaut wird, ist separat beschrieben. Die Bausteine überschneiden sich mit dem hier dargestellten Workflow erheblich.

Der sicherste Einstieg ist ein schlankes Minimal-Setup: ein News-Agent, eine Quelle, eine Plattform. Wenn dieser Workflow zwei Wochen stabil läuft, lohnt sich die Erweiterung auf mehrere Quellen und Kanäle. Das System skaliert, sobald du verstehst, wie das Modell auf deine Prompts reagiert – und wo es in deinem Themenfeld noch korrigiert werden muss.