n8n + AI: автоматизация бизнес-процессов с ИИ без кода

Что такое n8n и почему он взлетел

n8n — open-source платформа автоматизации с визуальным редактором. В 2025 году n8n вырос в 5 раз по выручке (до $40M ARR), и главная причина — встроенная интеграция с AI. Теперь n8n — не просто «Zapier на своём сервере», а полноценная платформа для создания AI-агентов без кода.

n8n vs Zapier vs Make

Главное преимущество n8n: можно развернуть на своём сервере, подключить любую LLM (GigaChat, YandexGPT, OpenAI) и создавать AI-агентов через визуальный редактор.

Установка n8n

Docker (рекомендуется)

docker run -d --name n8n \
  -p 5678:5678 \
  -v n8n_data:/home/node/.n8n \
  -e N8N_SECURE_COOKIE=false \
  n8nio/n8n

Открываем http://localhost:5678, создаём аккаунт — готово.

Docker Compose (для продакшена)

version: '3.8'
services:
  n8n:
    image: n8nio/n8n
    ports:
      - "5678:5678"
    volumes:
      - n8n_data:/home/node/.n8n
    environment:
      - N8N_SECURE_COOKIE=false
      - GENERIC_TIMEZONE=Europe/Moscow
      - N8N_DEFAULT_LOCALE=ru
    restart: unless-stopped

volumes:
  n8n_data:

Yandex Cloud / Selectel

Для продакшена в РФ — разверните Docker-контейнер на Compute Cloud (Yandex) или VDS (Selectel). Минимальные требования: 2 CPU, 4 GB RAM, 20 GB SSD.

AI-ноды в n8n

Основные AI-ноды

Поддерживаемые LLM

Поддерживаемые Vector Store

Сценарий 1: AI чат-бот для Telegram

Самый популярный кейс — Telegram-бот, который отвечает на вопросы по базе знаний компании.

Архитектура

Telegram (входящее сообщение)
    ↓
n8n Webhook / Telegram Trigger
    ↓
AI Agent (GPT-4o-mini / GigaChat)
    ├── Tool: Vector Store (поиск по базе знаний)
    ├── Tool: HTTP Request (проверка статуса заказа в CRM)
    └── Tool: Calculator (расчёт стоимости)
    ↓
Telegram (ответ пользователю)

Пошаговая настройка

Шаг 1: Создайте Telegram-бота

• Напишите @BotFather в Telegram, получите токен
• В n8n добавьте Credential: Telegram API (токен)

Шаг 2: Настройте Trigger

• Нода: Telegram Trigger
• Event: Message
• Это входная точка — сюда приходят сообщения от пользователей

Шаг 3: Добавьте AI Agent

• Нода: AI Agent
• LLM: OpenAI Chat Model (GPT-4o-mini) или HTTP Request (GigaChat)
• System Prompt:

Ты — ассистент компании [Название].
Отвечай на русском языке.
Используй базу знаний для поиска ответов.
Если не знаешь ответ — скажи "Я не нашёл информацию, передаю вопрос оператору".
Будь вежлив и краток.

Шаг 4: Подключите базу знаний

• Нода: Vector Store Tool (Qdrant / Supabase / In-Memory)
• Загрузите документы через отдельный workflow (см. Сценарий 4)
• Agent будет автоматически искать по базе при каждом вопросе

Шаг 5: Отправьте ответ

• Нода: Telegram (Send Message)
• Chat ID: из Trigger-ноды
• Text: ответ от AI Agent

Результат

Бот отвечает на вопросы по базе знаний за 3–5 секунд, 24/7. Время настройки: 2–4 часа (без подготовки базы знаний).

Сценарий 2: Автоматическая классификация заявок

Входящие заявки из формы на сайте автоматически классифицируются и направляются в нужный отдел.

Архитектура

Webhook (новая заявка с сайта)
    ↓
Text Classifier (LLM)
    ├── "Техподдержка" → Создать тикет в Jira (приоритет по тональности)
    ├── "Продажи" → Создать сделку в amoCRM
    ├── "Партнёрство" → Email менеджеру по партнёрству
    └── "Спам" → Ignore

Настройка

• Нода: Text Classifier
• Categories: Техподдержка, Продажи, Партнёрство, Спам
• LLM: GPT-4o-mini (дёшево и быстро для классификации)
• Далее: Switch-нода по категории → действия

Стоимость

~2–5 ₽ за заявку (GPT-4o-mini). При 1000 заявок/мес — 2–5K ₽/мес вместо 30–60 мин/день ручной сортировки.

Сценарий 3: Обработка email с AI

Автоматический анализ входящих email: извлечение данных, определение срочности, генерация черновика ответа.

Архитектура

Email Trigger (IMAP / Gmail)
    ↓
Information Extractor (LLM)
    → Имя отправителя
    → Тема запроса
    → Срочность (высокая / средняя / низкая)
    → Ключевые данные (номер заказа, сумма, дата)
    ↓
IF срочность = "высокая"
    → Slack уведомление + SMS
    ↓
Basic LLM Chain (генерация черновика ответа)
    ↓
Google Sheets (логирование)

Что извлекает Information Extractor

Сценарий 4: Индексация базы знаний (RAG pipeline)

Отдельный workflow для загрузки документов в векторную БД.

Архитектура

Schedule Trigger (каждые 24 часа)
    или
Manual Trigger (по кнопке)
    ↓
Read Files (Google Drive / Local / S3)
    ↓
Extract Document Text (PDF, DOCX, HTML)
    ↓
Text Splitter (recursive, 500 tokens, 50 overlap)
    ↓
Embeddings (OpenAI / GigaChat)
    ↓
Vector Store Insert (Qdrant / Supabase)

Источники документов

Сценарий 5: AI-агент для CRM

Агент, который автоматически обогащает лиды данными, квалифицирует и создаёт задачи для менеджеров.

Архитектура

CRM Trigger (новый лид в amoCRM / Битрикс24)
    ↓
AI Agent
    ├── Tool: HTTP Request → Поиск компании в СПАРК/СБИС
    ├── Tool: HTTP Request → Сайт компании → извлечение данных
    ├── Tool: Information Extractor → Квалификация лида (A/B/C)
    └── Tool: Enrichment → ОКВЭД, выручка, кол-во сотрудников
    ↓
CRM Update (обновление карточки лида)
    ↓
IF квалификация = "A"
    → Slack уведомление менеджеру
    → Автоматическое назначение встречи (Google Calendar)

Продакшен: чеклист

Масштабирование n8n

Стоимость решений на n8n + AI

Сравните: кастомная разработка тех же сценариев — от 200K до 1M ₽. n8n позволяет запуститься в 10–50 раз дешевле.

Ограничения n8n + AI

Когда n8n + AI достаточно, а когда нужна кастомная разработка

Правило: начинайте с n8n. Если упёрлись в ограничения — мигрируйте критичные части на код, оставив остальное в n8n.

Что дальше

n8n + AI — самый быстрый и дешёвый способ автоматизировать бизнес-процессы с ИИ. Начните с одного сценария (чат-бот или классификация), покажите ROI за неделю, масштабируйте дальше.

Нужна помощь с настройкой n8n + AI? Мы в Новаком настраиваем AI-автоматизации на n8n и разрабатываем кастомные AI-решения, когда n8n уже не хватает.

• Обсудить проект — бесплатная консультация 30 минут
• AI чат-бот для бизнеса — полный гайд по AI-чатботам
• Внедрение ИИ в бизнес — стратегия и ROI
• GigaChat vs YandexGPT vs ChatGPT — какую модель выбрать