Make.com Alternative für KI-gestützte Prozessautomatisierung

Welche Make.com Alternative eignet sich 2026 für Unternehmen? Die Antwort hängt stärker vom geplanten Arbeitsmodell als von der Zahl verfügbarer Integrationen ab. Make verbindet mehr als 3.000 Anwendungen über visuelle Szenarien, verarbeitet Webhooks und bietet inzwischen eigene AI Agents, Wissensdateien, MCP-Tools sowie unterschiedliche Modellverbindungen. Für viele klar definierte Abläufe ist das eine leistungsfähige Grundlage.

Unternehmen beginnen häufig dann nach einer Alternative zu Make.com zu suchen, wenn aus einzelnen Automationen ein gemeinsam genutztes KI-System werden soll. Zwanzig Mitarbeitende möchten gleichzeitig Dokumente auswerten, E-Mails vorbereiten, CRM-Daten verwenden oder Freigaben anstoßen. Damit rücken Benutzeroberfläche, Rechte, Modellrouting, Kostenkontrolle, Wartung und Governance in den Mittelpunkt.

Dieser Vergleich ordnet Make fair ein und zeigt, wann n8n, Zapier, Microsoft Power Automate, Workato oder ein individuell aufgebauter KI-Arbeitsplatz besser zur Aufgabe passen. Bestehende Make-Szenarien müssen dabei häufig nicht ersetzt werden. Sie können als zuverlässige Integrationsschicht weiterarbeiten, während eine andere Ebene den Zugang für Fachanwender übernimmt.

Was Make.com 2026 tatsächlich kann

Make, früher als Integromat bekannt, ist weit über einfache Wenn-dann-Automationen hinausgewachsen. Das zentrale Element bleibt der visuelle Scenario Builder. Ein Trigger nimmt ein Ereignis entgegen, Module lesen oder verändern Daten und Router verzweigen den Ablauf anhand definierter Bedingungen.

Zu den Stärken gehören:

• mehr als 3.000 App-Integrationen und zahlreiche vorgefertigte Aktionen;
• Webhooks für sofort ausgelöste Prozesse;
• Router, Filter, Iteratoren, Aggregatoren und Fehlerbehandlung;
• HTTP- und API-Module für nicht vorgefertigte Verbindungen;
• Data Stores, Variablen und wiederverwendbare Templates;
• Teams, Rollen, private Arbeitsbereiche und gemeinsam nutzbare Ressourcen;
• AI Agents, AI Toolkit, Modellverbindungen und Wissenskontext;
• MCP Server und MCP-Tools für externe KI-Assistenten;
• Make Grid für eine übergreifende Sicht auf Automationen und AI Agents.

Make AI Agents erweitern feste Szenarien

Die auf der Make-Preisseite derzeit als Beta gekennzeichneten Make AI Agents können ein Ziel interpretieren, Kontext berücksichtigen und aus bereitgestellten Werkzeugen den passenden nächsten Schritt auswählen. Als Tools dienen Module, vorhandene Szenarien und inzwischen auch MCP-Server. Der Agent kann beispielsweise eine Anfrage analysieren, Kundendaten abrufen, einen Entwurf erstellen und anschließend einen definierten Freigabeprozess starten.

Wissensdateien werden in einer von Make bereitgestellten RAG-Datenbank verarbeitet. Globale Systemanweisungen, Kontextdateien und Werkzeugbeschreibungen helfen dem Agent dabei, Entscheidungen konsistenter zu treffen. Im Testing-and-Training-Bereich lassen sich Werkzeugaufrufe, Ein- und Ausgaben sowie das Verhalten untersuchen.

Make stellt zusätzlich Maia bereit. Der dialogorientierte Assistent unterstützt Anwender beim Erstellen und Beheben von Szenarien. Dadurch sinkt die Einstiegshürde für den Builder, obwohl anspruchsvolle Produktionsprozesse weiterhin Fachwissen über Datenstrukturen, APIs, Fehlerpfade und Berechtigungen erfordern.

Teamarbeit und Governance sind vorhanden

Eine pauschale Aussage, Make biete keine Governance, wäre falsch. Die Plattform besitzt Organisationen, Teams und systemseitige Rollen. Im Enterprise-Tarif können benutzerdefinierte Rollen mit ausgewählten Rechten angelegt werden. Audit Logs erfassen dort unter anderem Änderungen an Szenarien, Verbindungen, Benutzern und Organisationseinstellungen und werden laut Make zwölf Monate gespeichert.

Der konkrete Funktionsumfang hängt vom Tarif ab. Single Sign-on, eigene Rollen, Audit-Protokolle, zusätzliche Sicherheitsfunktionen und bestimmte Verwaltungsoptionen gehören typischerweise in den Enterprise-Bereich. Für die Auswahl zählt deshalb der benötigte Tarif, nicht nur die grundsätzliche Existenz einer Funktion.

Make Credits und tatsächliche Kosten verstehen

Make verwendet Credits als Abrechnungseinheit. Operationen bleiben als technische Aktivität sichtbar. Bei klassischen App-Modulen entspricht eine ausgeführte Aktion in der Regel einem Credit. Einzelne Funktionen können mehr verbrauchen.

Bei KI-Funktionen wird die Rechnung differenzierter:

• Klassische und externe Apps: Eine ausgeführte Modulaktion entspricht üblicherweise einem Credit.
• Make AI Agent mit eigenem Modellzugang: Make berechnet einen Credit pro Agent-Operation sowie Credits für aufgerufene Tools. Die Tokenkosten stellt der gewählte Modellanbieter separat in Rechnung.
• Make AI Provider: Zur Agent-Operation und zu Tool-Aufrufen kommen Credits auf Basis der verarbeiteten AI Tokens hinzu.
• Wissens- und Eingabedateien: Dateiverarbeitung, Beschreibung und Embeddings können weitere Token- oder Credit-Anteile erzeugen. Umfang und Dateityp beeinflussen den Verbrauch.
• Code-Ausführung: Die aktuelle Preisseite nennt für bezahlte Tarife zwei Credits pro Sekunde Ausführungszeit.

Bei 10.000 Credits zeigt die internationale Preisseite bei jährlicher Abrechnung derzeit 9 US-Dollar für Core, 16 US-Dollar für Pro und 29 US-Dollar für Teams pro Monat. Bei monatlicher Zahlung nennt Make 12, 21 und 38 US-Dollar. Der Free-Tarif umfasst bis zu 1.000 Credits pro Monat, Enterprise wird individuell angeboten. Abrechnungszeitraum, Land, Währung und gewählte Credit-Menge beeinflussen den konkreten Preis. Maßgeblich ist das aktuelle Angebot.

Ein einfaches Rechenbeispiel

Ein Szenario verarbeitet eine neue Kundenanfrage in sechs Modulen:

1. Webhook nimmt die Anfrage an.
2. CRM sucht den bestehenden Kontakt.
3. Ein KI-Modell klassifiziert das Anliegen.
4. CRM aktualisiert den Datensatz.
5. Eine Aufgabe wird angelegt.
6. Eine Benachrichtigung wird versendet.

Bei genau einem Datenbündel pro Schritt entstehen bei 5.000 Anfragen 30.000 Modulausführungen. Wenn alle sechs Aktionen dem üblichen Satz von einem Credit entsprechen, sind das 30.000 Credits. Ein Make-AI-Provider, aufgerufene Agent-Tools, mehrere Datenbündel, Wiederholungen oder zusätzliche Suchschritte können den Verbrauch erhöhen; bei einem eigenen Modellzugang kommen die separat berechneten Tokenkosten des Anbieters hinzu. Router selbst verbrauchen laut Make keine Credits, ausgeführte Module in den gewählten Pfaden jedoch schon. Werden Daten einzeln iteriert, kann ein einziger Start viele Operationen auslösen.

Eine belastbare Kalkulation betrachtet deshalb vier Ebenen:

• Wie oft startet ein Szenario?
• Wie viele Module werden pro Durchlauf tatsächlich ausgeführt?
• Welche KI-Modelle verarbeiten wie viele Tokens?
• Wie viel Pflege, Kontrolle und Fehlerbehebung benötigt der Prozess?

Die sichtbare Plattformgebühr ist nur ein Teil der Total Cost of Ownership. Hinzu kommen Modell-APIs, Implementierung, Monitoring, Dokumentation, Anpassungen an App-Schnittstellen und die fachliche Pflege von Prompts und Regeln.

Warum Unternehmen eine Make Alternative prüfen

Die Suche nach einer Make Alternative für Unternehmen beginnt häufig nach erfolgreichen ersten Projekten. Einzelne Abläufe funktionieren, weitere Abteilungen möchten sie nutzen und die Zahl der Szenarien wächst. In dieser Phase ändern sich die Anforderungen.

1. Fachanwender brauchen einen einfachen Zugang

Der Scenario Builder richtet sich an Personen, die Prozesse modellieren und technisch betreuen. Mitarbeitende aus Vertrieb, Personal, Einkauf oder Controlling möchten meistens einen Auftrag formulieren, eine Datei hochladen, einen Status sehen und das Ergebnis prüfen. Eine eigene Oberfläche kann diesen Zugang vereinfachen und den Builder im Hintergrund schützen.

2. Szenarien werden mit der Zeit aufwendig

Viele Module, Router, Datenumwandlungen und Sonderfälle erzeugen ein visuelles System, das nur noch wenige Personen vollständig verstehen. Der Aufwand wächst besonders dann, wenn dieselbe Logik in mehreren Szenarien kopiert wurde. Benennung, Dokumentation, wiederverwendbare Komponenten und klare Verantwortlichkeiten werden zur Voraussetzung für einen stabilen Betrieb.

3. Verbrauch wird schwerer vorhersehbar

Ein hohes Datenvolumen, Iteratoren oder agentische Schleifen können den Credit- und Token-Verbrauch stark erhöhen. Bei zwanzig gleichzeitigen Benutzern zählt das Lastprofil: kurze Klassifikationen verursachen weniger Kosten als große Dokumentanalysen mit mehreren Werkzeugaufrufen. Budgets sollten pro Prozess und Benutzergruppe beobachtet werden.

4. Rechte müssen fachlich feiner werden

Technische Teamrollen beantworten nicht automatisch jede fachliche Berechtigungsfrage. Ein Vertriebsmitarbeiter darf möglicherweise nur seine Kunden sehen, die Personalabteilung arbeitet mit besonders sensiblen Dokumenten und eine Zahlung benötigt eine zweite Freigabe. Solche Regeln können in Szenarien abgebildet werden. Bei vielen Anwendungen ist eine zentrale Identitäts-, Rollen- und Freigabelogik häufig übersichtlicher.

5. Mehrere Modelle sollen gezielt eingesetzt werden

Make unterstützt verschiedene Modellanbieter und eigene API-Verbindungen. In einer umfassenden Unternehmensarchitektur kann zusätzlich ein zentraler Router sinnvoll sein, der Modelle nach Datenklasse, Aufgabe, Kosten, Geschwindigkeit und Verfügbarkeit auswählt. Kleine Modelle übernehmen Extraktion oder Klassifikation, leistungsfähigere Modelle werden für komplexe Analysen reserviert und lokale LLMs bearbeiten geeignete sensible Inhalte.

Die wichtigsten Make Alternativen im Vergleich

Stand: September 2026. Produktnamen, Funktionen und Preise können sich ändern. Prüfe vor einer Entscheidung die aktuellen Herstellerangaben und Vertragsbedingungen.

n8n als Make.com Alternative

n8n eignet sich für Unternehmen, die Workflows selbst hosten, eigenen Code einbinden oder technische Komponenten freier kontrollieren möchten. Cloud-Tarife werden nach vollständigen Workflow-Ausführungen abgerechnet; die Zahl der Schritte innerhalb eines Laufs ist dabei nicht der zentrale Abrechnungsfaktor. Die Community Edition kann auf eigener Infrastruktur betrieben werden.

Diese Freiheit bringt Verantwortung für Updates, Datenbank, Redis, Backups, Monitoring, Skalierung und Sicherheit mit. Bei größeren Teams werden zusätzlich tarifabhängige Governance-Funktionen relevant. Einen direkten Vergleich findest du in Make vs. n8n und im Überblick zu den besten n8n Alternativen.

Zapier als Make Alternative

Zapier eignet sich für Teams, die schnell standardisierte Anwendungen verbinden möchten. Das Angebot umfasst neben klassischen Zaps auch Agents, Tables, Interfaces und weitere KI-Funktionen. Zapier Agents können Firmenwissen verwenden und Aktionen über Tausende Apps ausführen.

Für die wirtschaftliche Bewertung müssen die jeweils geltenden Task- und Activity-Regeln betrachtet werden. Bei einfachen, weit verbreiteten Integrationen kann der schnelle Aufbau entscheidend sein. Bei langen, stark verzweigten Prozessen sollte der tatsächliche Verbrauch anhand realer Testfälle berechnet werden.

Microsoft Power Automate

Power Automate passt besonders zu Unternehmen, die Microsoft 365, Teams, SharePoint, Dynamics und Dataverse intensiv nutzen. Neben Cloud-Flows unterstützt die Plattform Desktop-Flows für RPA. Identitäten, Richtlinien und Datenquellen lassen sich in die Microsoft Power Platform einordnen.

Die Lizenzierung kann je nach Benutzer, Prozess, Bot, Kapazität und Premium-Connector komplex werden. Der Vorteil wächst, wenn Fachwissen und Governance für die Power Platform bereits im Unternehmen vorhanden sind.

Workato für Enterprise-Orchestrierung

Workato adressiert größere Organisationen, die Integrationen, Datenflüsse, APIs und Agents über viele Systeme hinweg zentral steuern möchten. Governance, wiederverwendbare Komponenten und unternehmensweite Orchestrierung stehen im Vordergrund. Einführung und Vertrag bewegen sich typischerweise in einem anderen Rahmen als ein Self-Service-Tarif für kleine Teams.

AI Cowork als gemeinsame Arbeitsebene

AI Cowork ist ein individuell umgesetzter KI-Arbeitsplatz für Unternehmen ab 10 Mitarbeitenden ohne feste Obergrenze. Mitarbeitende arbeiten über eine zentrale Oberfläche mit spezialisierten virtuellen KI-Mitarbeitern. Firmenwissen, Rollen, Datenquellen, Freigaben sowie Cloud- und lokale Modelle werden passend zum Unternehmen verbunden.

Make kann in dieser Architektur weiterhin definierte Integrationen ausführen. AI Cowork übernimmt den dialogorientierten Zugang, die Zuordnung eines Auftrags zum passenden Agenten und das Modellrouting. Dieser Aufbau ist interessant, wenn Fachanwender Automatisierung nutzen sollen, ohne Szenarien selbst zu öffnen oder zu verstehen.

Make, n8n, Power Automate oder AI Cowork?

Feste Workflows und agentische Prozesse unterscheiden

Ein fester Workflow eignet sich, wenn Eingang, Regeln und Ergebnis eindeutig sind. Eine Rechnung wird gespeichert, anhand definierter Felder geprüft und an das Buchhaltungssystem übergeben. Jeder Schritt lässt sich vorher festlegen und testen.

Ein agentischer Prozess ist sinnvoll, wenn unstrukturierte Informationen bewertet und mehrere mögliche Wege gewählt werden müssen. Ein Agent liest beispielsweise eine Kundenanfrage, sucht passenden Kontext, entscheidet zwischen Antwort, Rückfrage oder Eskalation und ruft die erforderlichen Werkzeuge auf.

In produktiven Systemen werden beide Ansätze kombiniert:

• KI interpretiert Text, Bilder oder Dokumente.
• Regeln prüfen Pflichtfelder, Beträge und Berechtigungen.
• Ein Agent wählt geeignete Werkzeuge.
• Deterministische Workflows führen kritische Schreibvorgänge aus.
• Menschen geben rechtlich oder wirtschaftlich relevante Entscheidungen frei.

Make bildet diese Kombination heute wesentlich besser ab als frühere Versionen. Eine Alternative wird vor allem durch Benutzererlebnis, Betriebsmodell, Kostenstruktur und gewünschte Individualisierung attraktiv.

Migrationsstrategie ohne Komplettumbau

Ein Wechsel muss nicht mit dem Abschalten funktionierender Szenarien beginnen. Bewährt hat sich eine schrittweise Trennung von Oberfläche, Orchestrierung und Integration.

1. Inventar erstellen: Erfasse aktive Szenarien, Eigentümer, Verbindungen, Trigger, Volumen, Fehlerquote und monatlichen Credit-Verbrauch.
2. Geschäftskritische Abläufe markieren: Dokumentiere Prozesse, deren Ausfall Umsatz, Service oder Compliance betrifft.
3. Schnittstellen definieren: Stabile Make-Szenarien können als Webhook, API oder MCP-Werkzeug verfügbar bleiben.
4. Benutzerzugang vereinheitlichen: Fachanwender erhalten einen zentralen Einstieg mit Anmeldung, Rollen und Statusanzeige.
5. Modellrouting ergänzen: Aufgaben werden anhand von Datenklasse, Qualität, Geschwindigkeit und Kosten an passende Modelle verteilt.
6. Freigaben einbauen: Zahlungen, Veröffentlichungen oder Änderungen an Stammdaten benötigen definierte Kontrollen.
7. Schrittweise ersetzen: Nur Szenarien mit hohem Aufwand, ungünstigen Kosten oder technischen Grenzen werden neu aufgebaut.

So bleibt der bereits geschaffene Wert erhalten. Gleichzeitig entsteht eine Architektur, die später weitere Integrationswerkzeuge oder lokale Komponenten aufnehmen kann. Einen Überblick über die Planung bietet unsere Seite zur KI-Prozessautomatisierung.

Praxisbeispiel: Freigaben und 20 gleichzeitige Benutzer

Ein mittelständisches Unternehmen möchte Angebote, E-Mails, Besprechungsnotizen und CRM-Aufgaben mit KI unterstützen. Bis zu 20 Mitarbeitende greifen gleichzeitig auf das System zu. Ein Teil der vorhandenen Integrationen läuft bereits zuverlässig in Make.

Eine mögliche Architektur sieht so aus:

1. Der Mitarbeiter meldet sich am gemeinsamen KI-Arbeitsplatz an.
2. Die Oberfläche übergibt Auftrag, Benutzerrolle und zulässige Datenquellen an den Orchestrator.
3. Ein spezialisierter Agent strukturiert den Auftrag und ruft nur freigegebene Werkzeuge auf.
4. Ein Router wählt ein kostengünstiges Modell für Extraktion und bei Bedarf ein stärkeres Modell für komplexe Bewertung.
5. Make führt vorhandene CRM-, E-Mail- oder Projektmanagement-Szenarien aus.
6. Eine Freigabe wird eingeholt, bevor externe Nachrichten oder relevante Datensätze verändert werden.
7. Status, Ergebnis und Fehler erscheinen wieder in der zentralen Oberfläche.

Zwanzig Benutzer bedeuten nicht automatisch zwanzig gleich schwere Prozesse. Ein kurzer CRM-Eintrag kann in Sekunden abgeschlossen sein, während eine Dokumentanalyse mehrere Minuten und zahlreiche Modellaufrufe benötigt. Warteschlangen, Prioritäten, Timeouts und Limits schützen das System während Lastspitzen.

Make verarbeitet Instant Webhooks standardmäßig parallel. Optional lassen sich Daten in Reihenfolge verarbeiten. Die dokumentierte Rate liegt derzeit bei bis zu 300 eingehenden Webhook-Anfragen pro zehn Sekunden; die mögliche Warteschlangengröße hängt vom gebuchten Credit-Volumen ab. Für interaktive KI-Aufgaben sollte die User Experience trotzdem separat geplant werden, weil externe Modelle und Zielsysteme eigene Limits besitzen.

Bei Make AI Agents entstehen neben Modulaktivitäten möglicherweise tokenabhängige Credits oder direkte Modellkosten. Ein zentrales Modellrouting kann einfache Aufgaben auf kleinere Modelle verteilen. Dadurch bleiben leistungsfähige Modelle für jene Vorgänge reserviert, bei denen sie einen messbaren Qualitätsvorteil liefern.

Datenschutz und Governance bei einer Make Alternative

Make veröffentlicht Informationen zu DSGVO, Auftragsverarbeitung, Unterauftragsverarbeitern und technischen Sicherheitsmaßnahmen. Das Unternehmen nennt außerdem SOC 2 Type II, SOC 3 und ISO 27001 für sein Informationssicherheitsprogramm. Enterprise-Kunden erhalten zusätzliche Sicherheits- und Governance-Funktionen.

Die DSGVO-Konformität eines konkreten Prozesses ergibt sich aus der gesamten Verarbeitungskette. Prüfe deshalb:

• welche personenbezogenen oder vertraulichen Daten verarbeitet werden;
• in welcher Region Szenarien, Logs, Dateien und Vektordaten gespeichert werden;
• welche Modellanbieter und Unterauftragsverarbeiter beteiligt sind;
• ob Eingaben oder Ausgaben zu Trainingszwecken verwendet werden;
• wie lange Ausführungsdaten, Webhook-Logs und Fehlerdaten erhalten bleiben;
• wer Verbindungen, Szenarien, Agents und Wissensdateien sehen oder ändern darf;
• wie Löschung, Auskunft und Wiederherstellung umgesetzt werden;
• welche Aktionen eine menschliche Freigabe erfordern.

Die Make-Einstellung „Keep data confidential“ verhindert, dass verarbeitete Payloads in den Ausführungslogs gespeichert werden. Dadurch stehen bei Fehlern weniger Diagnoseinformationen zur Verfügung. Datenschutz und Wartbarkeit müssen daher für jeden Prozess sinnvoll ausbalanciert werden.

Weitere Grundlagen erklärt der Beitrag Welche KI ist DSGVO-konform?.

So vergleichst du Make Alternativen im eigenen Unternehmen

1. Wähle drei reale Prozesse. Nimm einen einfachen Datentransfer, einen mehrstufigen Geschäftsprozess und eine KI-gestützte Aufgabe.
2. Definiere Qualitätskriterien. Miss Ergebnisqualität, Durchlaufzeit, Fehlerquote und notwendigen Korrekturaufwand.
3. Teste reale Datenmengen. Ein Demo-Datensatz zeigt weder Iterator-Kosten noch Spitzenlast.
4. Beziehe Fachanwender ein. Beobachte, wie viel Schulung und technische Hilfe sie benötigen.
5. Prüfe zwanzig parallele Aufträge. Erfasse Warteschlangen, Modelllimits und Antwortzeiten.
6. Dokumentiere Governance. Rollen, Freigaben, Logs, Datenpfade und Verantwortliche gehören in den Vergleich.
7. Berechne zwölf bis 24 Monate. Plattform, Credits, Tokens, Implementierung und laufende Pflege werden gemeinsam betrachtet.
8. Plane den Rückweg. Daten, Prompts, Workflows und Verbindungen sollten exportierbar oder nachvollziehbar dokumentiert sein.

Wenn du noch am Anfang stehst, hilft der Überblick Automatisierung durch KI bei der Auswahl geeigneter Prozesse.

Häufige Fragen zur Make.com Alternative

Fazit: Die passende Arbeitsebene entscheidet

Make ist 2026 eine vielseitige Plattform für visuelle Prozessautomatisierung. AI Agents, Wissensdateien, MCP-Tools, Maia und Enterprise-Governance haben den Funktionsumfang deutlich erweitert. Für klar definierte Integrationen und transparente Szenarien bleibt Make eine überzeugende Wahl.

Eine Make.com Alternative wird relevant, wenn Self-Hosting, tiefe Microsoft-Integration, globale Enterprise-Orchestrierung oder ein gemeinsam genutzter KI-Arbeitsplatz wichtiger werden. Der sinnvollste Weg kann auch eine Kombination sein: Make übernimmt etablierte Integrationen, während eine zentrale KI-Ebene Fachanwender, Firmenwissen, Modelle und Freigaben zusammenführt.

Wenn du vorhandene Make-Szenarien wirtschaftlich prüfen, schrittweise ergänzen oder gezielt ablösen möchtest, ist unsere KI-Prozessautomatisierung der passende nächste Schritt. Für eine gemeinsame Arbeitsebene mehrerer Abteilungen kannst du zusätzlich AI Cowork unverbindlich ansehen. Zwei oder drei reale Prozesse reichen meist aus, um zu erkennen, welche Architektur sinnvoll ist.

Quellen und weiterführende Informationen

Die zeitabhängigen Angaben zu Make AI Agents, Credits, Preisen, Rollen und Webhooks wurden zuletzt am 6. September 2026 anhand der folgenden offiziellen Anbieterquellen geprüft.

• Make: Tarife, Credits und enthaltene Funktionen
• Make Help Center: Funktionsweise der Credits
• Make: AI Agents und Integrationen
• Make Help Center: Best Practices für AI Agents
• Make Help Center: Wissensdateien für AI Agents
• Make Help Center: MCP-Tools für AI Agents
• Make Help Center: Webhooks, Parallelität und Warteschlangen
• Make Help Center: Benutzerdefinierte Rollen
• Make Help Center: Audit Logs
• Make: Sicherheit und Compliance
• Make: Datenschutz und DSGVO
• n8n: Tarife und Funktionen
• Zapier: Agents
• Microsoft: Power Automate Preise

Über den Autor

Peter Krause

KI-Berater, Buchautor & Gründer

Über Peter Krause LinkedIn KI-Buch