senn-techE-Mail-KI: Klassifikation, Routing und Antwortvorschläge lokal
E-Mails sind das Rückgrat der Geschäftskommunikation, und gleichzeitig die grösste Quelle manueller Routinearbeit. Klassifikation, Routing, Antwortentwürfe: Ein lokales LLM kann alle drei, ohne dass eine Mail das Haus verlässt.
Die Pipeline
Eingang → NoSpamProxy → Stalwart → n8n-Trigger → LLM-Klassifikation → Routing/Entwurf
- NoSpamProxy: Filtert SPAM und Malware, wie im eigenen Artikel beschrieben
- Stalwart: Empfängt die saubere Mail, stellt sie via IMAP/JMAP bereit
- n8n: IMAP-Trigger bei neuen Mails in definierten Postfächern
- LLM: Klassifiziert Inhalt und Dringlichkeit, erzeugt Antwortvorschlag
- n8n: Routet an zuständigen Bearbeiter, legt als Ticket-Notiz in Zammad ab
Klassifikation: Wer muss es bearbeiten?
Das LLM bekommt einen Prompt mit Kategorien:
Klassifiziere folgende E-Mail in genau eine Kategorie:
- support: Technische Probleme, Fehler, Störungen
- bestellung: Angebote, Aufträge, Bestelländerungen
- rechnung: Rechnungsfragen, Mahnungen, Zahlungsavise
- allgemein: Alles andere
Betreff: {...}
Inhalt: {...}
Die Antwort ist ein Label, kein Freitext. Das reicht, um 90 % der Mails automatisch in die richtige Zammad-Queue zu routen.
Antwortvorschläge: Keine Vollautomatik, aber ein Vorsprung
Statt die Mail komplett automatisch zu beantworten, was riskant und unter dem AI Act für Hochrisiko-Anwendungen reguliert ist, generiert das LLM einen Antwortentwurf:
Schreibe eine kurze, höfliche Antwort auf folgende Kunden-Mail.
Sprache: Deutsch, Stil: sachlich, kein Marketing-Blabla.
Erwähne, dass die Bearbeitung innerhalb von 24 h erfolgt.
Der Mensch prüft, passt an, klickt senden. Die Zeitersparnis liegt im Formulieren des Entwurfs, nicht im Delegieren der Verantwortung.
Compliance: Warum lokal?
Mails enthalten personenbezogene Daten, Geschäftsgeheimnisse, Vertragskonditionen. An eine Cloud-KI geschickt, verlässt das alles den eigenen Rechtsraum. NIS2 und DSGVO verlangen klare Datenflussdokumentation, lokal bleibt der Datenfluss intern.
Das LLM läuft auf dem eigenen vLLM-Server oder via llama.cpp auf der GPU-Workstation. Keine API-Kosten, keine Compliance-Frage, kein externer Server, der Logs schreibt, auf die Sie keinen Zugriff haben.
Was nicht (gut) klappt
Ironie, Sarkasmus und stark dialektgefärbte Sprache erkennt das LLM nicht zuverlässig. Auch die Absendererkennung, ist das der Geschäftsführer oder ein Praktikant?, braucht manuelle Pflege.
Fazit
E-Mail-KI-Workflows sind die unsichtbarste und produktivste Automatisierung, die wir gebaut haben. Kein Mitarbeiter sieht sie; ausser dass Mails plötzlich beim Richtigen landen mit einem brauchbaren Vorschlag im Anhang.
Weiterführende Quellen
Verlässt bei dieser Lösung eine einzige Mail das eigene Netz?+
Nein. NoSpamProxy filtert Spam und Malware, Stalwart nimmt die saubere Mail auf, und das LLM läuft auf dem eigenen vLLM-Server oder per llama.cpp auf der GPU-Workstation. Klassifikation, Routing und Antwortentwurf finden komplett intern statt; kein API-Aufruf zu einem Cloud-Anbieter, kein externes Log, auf das Sie keinen Zugriff haben. Genau diese Datenfluss-Klarheit macht den Ansatz für DSGVO- und NIS2-relevante Postfächer erst möglich.
Wie zuverlässig klassifiziert das Modell eingehende Mails?+
Rund neun von zehn Mails landen automatisch in der richtigen Zammad-Queue, weil das Modell auf feste Labels wie support, bestellung, rechnung oder allgemein entscheidet, nicht auf Freitext. Die Trefferquote hängt an der Pflege der Kategorien und an sauberen Trainings-Beispielen. Schwachstellen bleiben Ironie, Sarkasmus und starker Dialekt sowie die Absender-Erkennung, die gelegentlich manueller Pflege bedarf.
Schreibt die KI die Antworten gleich vollautomatisch?+
Nein, und das ist Absicht. Das Modell generiert nur einen Entwurf, den ein Mensch prüft, anpasst und dann abschickt. Eine vollautomatische Antwort wäre riskant und für Hochrisiko-Anwendungen nach dem AI Act reguliert. Der Gewinn liegt im Formulieren des Entwurfs, die Verantwortung bleibt beim Bearbeiter. So sparen Sie Zeit ohne die Kontrolle abzugeben.