Einsatz von Agenten für die Geschäftsentwicklung

Messescanner

Ein intelligenter Lead-Qualifizierungs-Workflow auf Basis von n8n AI Agent, Bright Data und GPT-5-mini

(This post is reproduced from on a Hackaton submission by us – you can access the original post hier)

Messen sind Goldminen für die Geschäftsentwicklung, aber die manuelle Suche nach Hunderten von Ausstellern ist zeitaufwändig und ineffizient. Dieser Workflow automatisiert den gesamten Prozess der Akquise von Messeteilnehmern.

Was es bewirkt

Der Arbeitsablauf scannt und qualifiziert auf intelligente Weise potenzielle Kunden aus jeder Ausstellerliste einer Messe:

1. Automatisierte Datenextraktion: Uses Bright Data’s web scraper to fetch the full exhibitor list from the trade show website, then extracts company names, descriptions, booth numbers, and website URLs using HTML parsing
2. Intelligente Chargierung: Verarbeitet Unternehmen in konfigurierbaren Chargen (derzeit auf eine kleine Anzahl zu Testzwecken eingestellt, leicht anpassbar), um API-Kosten während der Entwicklung zu verwalten
3. KI-gestützte Forschung & Qualifizierung: Jedes Unternehmen durchläuft einen KI-Agenten, der:

• Durchführung von Web-Recherchen mit SerpAPI und gezieltem Website-Scraping
• Bewertet die Unternehmensgröße (klein/mittel/groß auf der Grundlage der Mitarbeiterzahl)
• Bewertet ihre öffentliche Haltung zu Daten-, KI- und Automatisierungsinitiativen
• Bewertet jedes Unternehmen (niedrig/mittel/hoch) als potenziellen Kunden auf der Grundlage Ihrer spezifischen Kriterien
• Begründungen für jede Punktzahl, um die Priorisierung von Folgemaßnahmen zu erleichtern

1. Automatisierte Dokumentation: Die Ergebnisse werden automatisch an ein Google Sheet mit strukturierten Daten, einschließlich Unternehmensdetails, Qualifikationsbewertungen und KI-Argumenten, angehängt.

Die Intelligenzschicht

The AI Agent is configured with detailed context about my company (lyfX.ai). It specifically looks for companies that match our profile and an “ideal” client profile: small-to-medium businesses with a modern, future-oriented approach who value working with specialized, high-caliber teams.

Auf diese Weise entsteht eine vorqualifizierte, nach Prioritäten geordnete Liste von Standbesuchen und Follow-up-Zielen, die stundenlange manuelle Recherchen in ein automatisiertes, intelligentes Filtersystem verwandelt.

Demo

Video

https://www.loom.com/share/978e4d64c11b405aa85c8d72aca8b6a1?sid=0be6cc43-ea17-461a-9f1d-4e563cd8edac

n8n Arbeitsablauf

https://gist.github.com/andremoreira73/fe972f825a5f41e36c8df5ad7cb1f2bb

Beachten Sie, dass der Arbeitsablauf bereinigt wurde, damit jeder ihn an seinen eigenen Anwendungsfall anpassen kann. Ich habe die Eingabeaufforderungen intakt gelassen, da sie anderen als Inspiration dienen können.

Technische Umsetzung

I designed this workflow with simplicity in mind – keeping the implementation clean while maintaining effectiveness. The HTML parsing and code transformations are minimal, just enough to structure the data and make it digestible for the AI agent. (The JavaScript in the code node was kindly prepared by my good friend Claude 😊)

Wahl des Modells: I am using GPT-5-mini, which I have tested across other setups. What I particularly appreciate for agent workflows is OpenAI’s consistent balance between reasoning capability and reliable structured output formatting. After nearly 2 years with the OpenAI API, there is also the practical advantage of familiarity and development speed.

Speicherarchitektur: This initial version runs stateless – each company evaluation is independent. For a future version, I am planning to implement memory for more sophisticated research patterns and cross-referencing between companies.

Werkzeugstapel: Mit nur zwei Werkzeugen konnte ich mich darauf konzentrieren:

• SerpAPI for web search – reliable and fast for internet-wide search
• Bright Data for targeted scraping – handles sites that the agent may want to review

System-Anweisungen: My favorite part! This is where the magic happens – carefully prepared a system prompt with instructions that encode our ideal client profile and evaluation criteria, ensuring consistent and relevant qualification scoring.

The beauty of this approach is its flexibility – swap the trade show URL, adjust the target profile in the system instructions, and you have a reusable lead qualification system for any event.

Der Benutzer stellt eine Liste von Unternehmen zur Verfügung, die an einer Messe teilnehmen werden. Die Liste enthält den Namen, die Beschreibung, den Stand und die Website des Unternehmens.
Ich werde mein Unternehmen (lyfX.ai) auf der Messe vertreten.

Über lyfX.ai: Wir helfen Unternehmen, Daten- und KI-Lösungen zu integrieren, die ihre geschäftlichen Herausforderungen angehen und messbare Ergebnisse liefern. Durch die Verschmelzung von fundiertem Geschäftssinn, Fachwissen, Datenwissenschaft und moderner KI liefern wir Strategien, die das Wachstum fördern, die Effizienz steigern und die Rentabilität erhöhen.  Wir verfügen über umfassendes Know-how in den Bereichen Chemie, Verfahrenstechnik, Düngemittel und angrenzenden Branchen.

Wir sind ein kleines Team mit sehr hochkarätigen Mitarbeitern: Einer hat einen Doktortitel und ist Professor an einer renommierten Universität in Deutschland, der andere hat eine lange erfolgreiche Karriere in der Chemie- und Düngemittelindustrie hinter sich. Unsere Teammitglieder verfügen über verschiedene Zertifizierungen: z.B. Google Associate Cloud Engineer, Google Professional ML Engineer, u.a..

Wir beherrschen Python, LangGraph, n8n, django.



Aus der Liste der Unternehmen herausfinden, welche wir als potentielle Neukunden ansprechen sollen.



- kleines bis mittelgroßes Unternehmen
- äußert öffentlich ein hohes Interesse an Daten, KI, Automatisierung
- modern und zukunftsorientiert
- keine Angst vor der Zusammenarbeit mit einem kleinen, hochkarätigen Team



Gehen Sie für jedes Unternehmen in der Liste wie folgt vor:
1) Finden Sie heraus, was sie tun.
2) Handelt es sich um ein kleines (weniger als 50 Beschäftigte), mittleres (zwischen 10 und 1000 Beschäftigte) oder großes Unternehmen (über 1000 Beschäftigte)?
3) Schätzen Sie auf der Grundlage Ihrer Erkenntnisse ein, wie dieses Unternehmen als Zielkundenprofil abschneidet: niedrig, mittel oder hoch?

Seien Sie gründlich und halten Sie sich an die Fakten.
Wenn Sie etwas nicht wissen oder nicht finden, lassen Sie es frei.





SerpApi: Google als Suchmaschine für die Internetsuche
Scraper: Bei Bedarf eine bestimmte URL scrapen



JSON-Format mit den Elementen:
- Name
- Beschreibung
- Stand
- Website
- Punktzahl als Zielkundenprofil
- Begründung für die Bewertung

Bright Data Verified Node

Ich habe Bright Data an zwei kritischen Punkten im Arbeitsablauf eingesetzt:

• Initial Data Extraction: Bright Data’s web scraper handles the complete exhibitor list extraction from trade show websites, reliably parsing pages (JavaScript-heavy pages, dynamic content, etc).
• Als Agententool für seine Recherchen: Bright Data ermöglicht der KI das gezielte Scraping einzelner Unternehmenswebsites auf Abruf. So kann der Agent in Echtzeit öffentliche Informationen über Unternehmensgröße, technologische Schwerpunkte und Initiativen direkt an der Quelle sammeln.

The integration was easy. Bright Data’s n8n nodes required minimal configuration and handled complex sites that typically require browser automation.

Die Zuverlässigkeit bedeutet, dass selbst bei der Verarbeitung von Hunderten von Ausstellern keine manuellen Eingriffe erforderlich sind, was das System ideal für Produktionsanwendungen macht, bei denen es auf Konsistenz ankommt.

Reise

Dieses Projekt war eine ausgezeichnete Gelegenheit, n8n und Bright Data eingehend zu erkunden. Obwohl ich in LangGraph investiert habe, habe ich festgestellt, dass n8n sich beim Rapid Prototyping in einer Weise auszeichnet, wie es LangGraph nicht tut. Meine übliche Workflow-Entwicklung umfasst zahlreiche Jupyter-Notebooks zum Experimentieren mit Graphen und Agenten, aber n8n hat mir einen neuen Weg eröffnet: Ich kann jetzt funktionale Prototypen in Stunden statt in Tagen erstellen und sie dann entweder in LangGraph produktiv machen oder direkt in n8n laufen lassen.

Using Bright Data was a great experience. Previously, I had been using other scraping solutions, but Bright Data’s approach is really elegant and robust. The AI-assisted collector builder particularly impressed me (though this workflow ultimately didn’t require it). What stands out is the platform’s versatility. The tool has definitely earned a permanent place in my tech stack.

Nächste Schritte

The combination of n8n’s visual workflow building and Bright Data’s reliable data extraction creates a powerful environment that bridges the gap between “quick experiment” and “production-ready solution.”

Dieser "Sweet Spot" ist genau das, was ich für meine Automatisierungsprojekte gesucht habe. Ich habe bereits ein paar weitere Workflows für die Geschäftsentwicklung erstellt und freue mich darauf, sie im Laufe der Zeit mit anderen zu teilen!