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.
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.