Make (ehemals Integromat) gehört zu den meistgenutzten No-Code-Automatisierungsplattformen weltweit. Aber was kann das Tool wirklich, wo liegen die Grenzen, und wann lohnt sich ein Blick auf Alternativen? Eine fundierte Einordnung – ohne Marketing-Floskeln.
Seit 2013 am Markt – 2+ Mio. Nutzer – 3.000+ Integrationen
Make wurde 2013 in Prag unter dem Namen "Integromat" gegründet – von sechs tschechischen Entwicklern rund um CTO Patrik Simek. Die Idee: eine Plattform, auf der Nutzer ohne Programmierkenntnisse komplexe Automatisierungen zwischen verschiedenen Web-Diensten aufbauen können. Nicht als einfache Wenn-Dann-Kette wie bei Zapier, sondern als echtes Flussdiagramm mit Verzweigungen, Schleifen und Datentransformationen.
Im Oktober 2020 wurde Integromat für über 100 Millionen US-Dollar von Celonis übernommen – dem Münchner Process-Intelligence-Riesen mit einer Bewertung von rund 7,7 Milliarden US-Dollar. Im Februar 2022 folgte der offizielle Rebrand zu "Make". Seitdem wird die Plattform als eigenständige Marke unter dem Celonis-Dach betrieben.
Make nennt seine Automatisierungen "Szenarien". Im visuellen Editor verbinden Nutzer Module per Drag-and-Drop zu einem Flussdiagramm. Jedes Modul repräsentiert eine Aktion – etwa "Neue Zeile in Google Sheets erstellen" oder "E-Mail über Gmail senden". Zwischen den Modulen fließen Daten, die sich an jedem Punkt transformieren, filtern oder verzweigen lassen.
Das klingt nach einem kleinen Unterschied zu anderen Tools, ist in der Praxis aber erheblich: Während Zapier und Power Automate Workflows linear von oben nach unten abarbeiten, erlaubt Make echte Verzweigungen (Router), parallele Pfade und Iteratoren, die Arrays elementweise verarbeiten. Für technisch versierte Nutzer ist das ein großer Vorteil. Für Einsteiger kann es anfangs überfordernd wirken.
Stand 2026 nutzen schätzungsweise über zwei Millionen Menschen weltweit Make. Die Community umfasst mehr als 50.000 aktive Mitglieder, und es stehen über 6.000 fertige Vorlagen für gängige Automatisierungsszenarien zur Verfügung. Auf Capterra hält Make eine Bewertung von 4,8 von 5 Sternen bei über 400 Reviews.
Nicht alle Stärken sind gleich wichtig. Was Make in der Praxis tatsächlich stark macht – und wo es an Grenzen stößt.
Makes größter Vorteil gegenüber fast allen Konkurrenten: Man kann jeden einzelnen Durchlauf visuell nachverfolgen. Jedes Modul zeigt die ein- und ausgehenden Daten an. Fehler lassen sich präzise lokalisieren, ohne Logs durchsuchen zu müssen. Das spart in der Entwicklung und im Debugging viel Zeit.
Router, Filter, Iteratoren, Aggregatoren, Text-Parser, Math-Funktionen, JSON- und XML-Verarbeitung – Make bietet ein reichhaltiges Werkzeugset für Datentransformationen, das weit über das hinausgeht, was Zapier oder Power Automate ohne Code ermöglichen. Wer Daten zwischen Systemen nicht nur verschieben, sondern wirklich umbauen muss, findet hier starke Bordmittel.
Mit über 3.000 nativen App-Integrationen und 400+ AI-spezifischen Modulen deckt Make deutlich mehr ab als n8n (~400 native Integrationen) und liegt knapp unter Zapier (~7.000). Für Teams, die viele unterschiedliche SaaS-Tools verbinden müssen, spart das die Entwicklung eigener API-Anbindungen.
Nicht-technische Nutzer benötigen laut Community-Erfahrungswerten 10 bis 20 Stunden, um produktiv mit Make zu arbeiten. Technisch versierte Nutzer kommen in 2 bis 3 Stunden zum ersten funktionierenden Szenario. Das ist steil genug, um Respekt einzuflößen, aber flach genug, um ohne Entwicklerteam loszulegen.
Bei vergleichbaren Workflows ist Make signifikant günstiger als Zapier. Der Free-Plan bietet Zugang zu allen 3.000+ Integrationen mit 1.000 Credits pro Monat. Der Core-Plan startet bei 10,59 €/Monat. Wer von Zapier kommt, kann bei mittlerer Komplexität 30 bis 50 Prozent einsparen.
Error Handler mit Retry, Rollback, Break- und Commit-Direktiven geben Kontrolle darüber, wie ein Szenario auf Fehler reagiert. Die Break-Direktive pausiert einen Workflow und markiert ihn zur manuellen Prüfung – ein Feature, das in vielen Konkurrenzprodukten fehlt oder deutlich umständlicher umzusetzen ist.
Seit August 2025 rechnet Make in Credits statt Operations ab. Jede Aktion – auch ein simpler Daten-Check, der nichts findet – verbraucht mindestens einen Credit. Ein Szenario mit 8 Modulen verbraucht 8 Credits pro Durchlauf. Bei 1.000 Durchläufen im Monat sind das 8.000 Credits – fast das gesamte Core-Plan-Budget von 10.000 Credits. AI-Module verbrauchen variabel noch mehr. Überschreitungen kosten ca. 10,- € pro 10.000 Credits.
Make ist ausschließlich als Cloud-Dienst verfügbar. Es gibt keine Option, die Plattform auf eigener Infrastruktur zu betreiben. Für Unternehmen mit strengen Datenschutzanforderungen – etwa im Gesundheitswesen, bei Finanzdienstleistern oder im öffentlichen Sektor – ist das ein Ausschlusskriterium. Daten werden auf Make-Servern verarbeitet, auch wenn EU-Rechenzentren zur Verfügung stehen.
Szenarien, die in Make erstellt werden, sind nicht portierbar. Es gibt keinen Standardexport, der in einem anderen Tool importiert werden könnte. Wer hunderte Szenarien aufgebaut hat, ist de facto an die Plattform gebunden. Die Umstellung von Operations auf Credits in 2025 hat gezeigt, dass Preismodelle jederzeit einseitig geändert werden können.
Der visuelle Builder, der bei einfachen Workflows so überzeugend ist, stößt bei komplexen Szenarien an Grenzen. Workflows mit dutzenden Modulen, verschachtelten Routern und vielen Fehlerbehandlungspfaden werden im Canvas schwer navigierbar. Es fehlt an Möglichkeiten, Teile eines Szenarios als wiederverwendbare Subflows auszulagern.
Anders als n8n bietet Make keine nativen Code-Nodes für JavaScript oder Python. Für Logik, die sich nicht mit den eingebauten Modulen abbilden lässt, fehlen Bordmittel. Custom Nodes lassen sich nicht entwickeln. Wer regelmäßig eigene Funktionen braucht, stößt an eine harte Grenze.
Make speichert Änderungen an Szenarien nicht automatisch. Wer vergisst, manuell zu speichern, verliert seine Arbeit. Dazu berichten Nutzer wiederholt über inkonsistente Support-Erfahrungen: Manche Anfragen werden zügig gelöst, andere ziehen sich über Wochen. Fehlermeldungen innerhalb der Plattform könnten oft klarer formuliert sein.
Seit August 2025 rechnet Make in Credits statt Operations. Die Preistabelle sieht übersichtlich aus – aber die tatsächlichen Kosten hängen stark davon ab, wie Szenarien gebaut sind.
| Plan | Preis/Monat | Credits/Monat | Besonderheiten |
|---|---|---|---|
| Free | 0,- € | 1.000 | Alle 3.000+ Apps, visueller Builder, zum Testen geeignet |
| Core | ab 10,59 € | 10.000 | Unbegrenzte aktive Szenarien, 5-Min. Intervall-Minimum |
| Pro | ab 18,82 € | 10.000+ | Priority Execution, Volltextsuche in Szenarien |
| Teams | ab 34,12 € | 10.000+ | Team-Kollaboration, Szenario-Templates, gemeinsame Ordner |
| Enterprise | individuell | individuell | Overage Protection, 24/7 Support, 1-Min. Intervalle |
Bei n8n Self-Hosted zählt eine Workflow-Ausführung als eine Execution – unabhängig davon, wie viele Nodes (Module) der Workflow enthält. Dasselbe Szenario mit 10 Schritten und 1.000 Durchläufen kostet bei n8n Self-Hosted exakt 1.000 Executions – bei Make 10.000 Credits. Zudem fallen bei Self-Hosting nur Infrastrukturkosten an (typischerweise 10,- bis 50,- €/Monat für einen VPS), ohne Volumen-Limits.
Make hat 2025 und 2026 stark in KI-Funktionen investiert. Die Plattform bietet native Module für OpenAI (GPT-4, DALL-E), Anthropic Claude, Google Gemini und Stability AI. Insgesamt stehen über 400 AI-spezifische Integrationen zur Verfügung. Damit lassen sich in der Praxis bereits sinnvolle Dinge umsetzen:
Ein typischer Anwendungsfall: Ein Support-Ticket kommt über Zendesk herein, wird durch ein OpenAI-Modul für Sentiment-Analyse geschickt, automatisch priorisiert und an das richtige Team geroutet. Oder: Eingehende E-Mails werden per Claude-Modul zusammengefasst und die Zusammenfassung ins CRM geschrieben.
Make entwickelt mit "Maia" einen KI-Assistenten, der Automatisierungen aus natürlichsprachlichen Beschreibungen generieren soll. Stand Anfang 2026 ist das Feature noch in der Entwicklung. Die Vision: "Erstelle ein Szenario, das neue Shopify-Bestellungen in Slack postet" – und Maia baut das Szenario. In der Praxis funktioniert das bisher nur für einfache Abläufe zuverlässig.
Hier wird es wichtig, ehrlich zu sein: Makes AI-Features sind isolierte Schritte innerhalb von Szenarien. Es gibt kein Gedächtnis zwischen Durchläufen, keine Chain-of-Thought-Logik, keine Agent-Planung. Ein Make-Szenario kann ein LLM aufrufen, aber es kann keinen autonomen Agenten orchestrieren, der mehrere Schritte plants und selbstständig ausführt. Für echte Agentic-AI-Workflows bietet n8n mit direkten LLM-Nodes, LangChain-Integration und der Möglichkeit, lokale LLMs über Ollama einzubinden, deutlich mehr Tiefe.
Make ist kein Universalwerkzeug. In manchen Branchen entfaltet es seine Stärken voll, in anderen stößt es an harte Grenzen.
Marketing-Agenturen
Social-Media-Automatisierung, Lead-Management, Content-Distribution über mehrere Kanäle, Kampagnen-Reporting. Makes breites App-Ökosystem deckt praktisch alle Marketing-Tools nativ ab.
E-Commerce und Online-Handel
Bestellverarbeitung, Lagerbestandsabgleich, Rechnungserstellung, Versandbenachrichtigungen. Praxisbeispiel: Habitium, ein spanischer Baustoffhändler, reduzierte seine Bestellverarbeitungszeit mit Make von 15 auf 1 Minute.
Freelancer und Solopreneure
Wer als Einzelperson repetitive Aufgaben automatisieren will – etwa Rechnungsstellung, Kalender-Synchronisation oder E-Mail-Workflows – findet in Makes Free-Plan einen guten Einstieg ohne Kosten.
Operations- und RevOps-Teams
Datenflüsse zwischen CRM, ERP und Reporting-Tools optimieren. Solange die Volumina überschaubar bleiben, ist Make hier ein solides Werkzeug mit vielen nativen Konnektoren.
Banken und Finanzdienstleister
Strenge Compliance-Vorgaben (BaFin, MaRisk) erfordern volle Datenkontrolle. Ohne Self-Hosting-Option können regulatorische Anforderungen an Datenresidenz und Auditierbarkeit nicht immer erfüllt werden.
Gesundheitswesen
Patientendaten unterliegen besonderen Schutzanforderungen. HIPAA-Compliance und die Verarbeitung sensibler Gesundheitsdaten auf Cloud-Servern Dritter ist in vielen Fällen problematisch oder unzulässig.
Unternehmen mit hohem Automatisierungsvolumen
Wer zehntausende Workflow-Durchläufe pro Monat mit komplexen Szenarien hat, zahlt bei Make schnell vierstellige Monatsbeträge. Die Credit-basierte Abrechnung skaliert überproportional – während Self-Hosted-Alternativen nur Infrastrukturkosten verursachen.
Entwickler-Teams mit Custom-Anforderungen
Teams, die regelmäßig eigene Logik in JavaScript oder Python schreiben müssen, eigene Nodes entwickeln oder lokale LLMs einbinden wollen, finden in Make keine geeignete Grundlage. Hier ist eine Plattform mit Code-Flexibilität die bessere Wahl.
Der direkte Vergleich der relevantesten Automatisierungsplattformen. Basierend auf öffentlich verfügbaren Daten, Community-Erfahrungen und eigener Evaluierung.
| Kriterium | Make | n8n | Zapier | Power Automate |
|---|---|---|---|---|
| Preismodell | Credit-basiert (pro Aktion/Modul) | Pro Execution (Cloud) oder flat (Self-Hosted) | Task-basiert (pro Aktionsschritt) | Pro Nutzer/Monat + Premium-Add-ons |
| Einstiegspreis | 0,- € (1.000 Credits) / ab 10,59 €/Monat (Core) | 0,- € (Self-Hosted) / ab 24,- €/Monat (Cloud) | 0,- € (100 Tasks) / ab 29,99 €/Monat (Professional) | 0,- € (M365 inkl.) / 15,- €/User/Monat (Premium) |
| Self-Hosting | Nein, ausschließlich Cloud | Ja, Community Edition kostenlos (Docker, K8s) | Nein, ausschließlich Cloud | Nein, nur Microsoft Cloud (Azure) |
| Open Source | Nein, proprietär | Ja, Fair-Code-Lizenz (Sustainable Use License) | Nein, proprietär | Nein, proprietär (Microsoft) |
| Native Integrationen | 3.000+ Apps + 400+ AI-Module | 400+ Nodes + Custom Nodes + HTTP-Node | 8.000+ native App-Verbindungen | 1.000+ Konnektoren (viele Premium) |
| KI-Fähigkeiten | AI-Module (isolierte Schritte), Maia-Assistent (in Entwicklung) | AI Agent Node, LangChain, Self-hosted LLMs, Vector Stores | Copilot, Central, Agents, MCP-Support | Copilot, AI Builder (500,- €/Unit/Mo.), Copilot Studio, Generative Actions |
| Workflow-Komplexität | Hoch: Router, Iteratoren, Aggregatoren, Fehlerbehandlung | Sehr hoch: Loops, Sub-Workflows, Error Handling, Code-Nodes | Begrenzt: linear, keine nativen Loops auf unteren Plänen | Mittel: Cloud Flows + Desktop Flows, Bedingungen, Schleifen |
| DSGVO-Compliance | EU-Server verfügbar, aber Cloud-only | Exzellent bei Self-Hosting (EU-Daten, volle Kontrolle) | Problematisch (US-Server, kein Self-Hosting) | EU-Rechenzentren möglich, aber kein Self-Hosting |
| Code-Flexibilität | Sehr begrenzt, keine nativen Code-Nodes | JavaScript, Python, Custom Nodes | Begrenzt | Nur Expressions (Power Fx), kein JS/Python |
| Vendor Lock-in | Hoch (nicht portierbare Szenarien) | Minimal (Open Source, exportierbare Workflows) | Hoch (kein Export, proprietäres Format) | Hoch (Microsoft-Ökosystem, nicht exportierbar) |
| Lernkurve | Mittel (10–20h für Einsteiger) | Moderat, technischer als No-Code-Tools | Sehr flach, sofort nutzbar | Moderat, Microsoft-Kenntnisse helfen |
| Ideal für | Marketing/Ops-Teams, No-Code-Power-User, Agenturen | Developer, datenschutzkritische Anwendungen, komplexe Workflows | Nicht-technische Nutzer, schnelle Prototypen, Freelancer | Microsoft-365-Unternehmen, Citizen Developer, RPA-Bedarf |
| Desktop-RPA | Nein | Nein | Nein | Ja, integriert (Attended & Unattended) |
