📋 Inhaltsverzeichnis
- 1. Das Problem: E-Mail-Chaos bindet viel Zeit
- 2. Die Lösung: Automatische Klassifizierung
- 3. Wirtschaftlichkeit: mit eigenen Zahlen rechnen
- 4. Technische Architektur
- 5. Implementierung in 2 Wochen
- 6. Code-Beispiele (Claude Prompts)
- 7. FAQ
⏱️ Lesezeit: 12 Minuten
Das Problem: E-Mail-Chaos bindet viel Zeit
Kennen Sie das? Ihre info@-E-Mail-Adresse empfängt täglich E-Mails für:
- Support: "Mein Passwort funktioniert nicht"
- Vertrieb: "Ich interessiere mich für Ihr Produkt"
- Beschwerden: "Ihre Lieferung kam 3 Tage zu spät!"
- Rechnung: "Bitte senden Sie mir Rechnung RE-2026-001"
- Bewerbungen: "Anbei meine Unterlagen für die Stelle XY"
- Spam/Werbung: "Wir haben ein tolles Angebot..."
Aktueller Prozess:
- Mitarbeiter (oft Assistenz oder Junior) öffnet jede E-Mail
- Liest Betreff + erste Zeilen
- Entscheidet: Support, Vertrieb, Beschwerde, etc.?
- Leitet E-Mail an richtige Abteilung weiter
- Bei Unsicherheit: Rückfrage beim Team Lead (weitere 5 Min.)
Die Lösung: Automatische Klassifizierung
Stellen Sie sich vor:
- E-Mail kommt rein (info@firma.de)
- KI analysiert: Betreff + E-Mail-Text (+ optional Anhänge)
- KI klassifiziert: Support, Vertrieb, Beschwerde, Rechnung, Bewerbung, Spam
- KI bestimmt Priorität: Hoch (Beschwerde), Mittel (Vertrieb), Niedrig (Info)
- KI schlägt vor: "Zuständig: Team Support, Priorität: Mittel"
- System erstellt Ticket: Automatisch in Intrexx, E-Mail an Team
Was macht die KI konkret?
Die KI liest die E-Mail, ordnet sie einer Kategorie zu und leitet sie an die zuständige Queue weiter. Der Mensch prüft nur noch unsichere Fälle.
Klassifizierungs-Kategorien (Beispiel)
- SUPPORT: Technische Probleme, Passwort-Reset, Bug-Reports
- VERTRIEB: Produkt-Interesse, Angebotsanfrage, Demo-Termin
- BESCHWERDE: Unzufriedenheit, Reklamation, Kulanz
- RECHNUNG: Rechnungsfragen, Zahlungsbestätigung, Buchhaltung
- BEWERBUNG: Bewerbungsunterlagen, Initiativbewerbung
- SPAM: Werbung, Newsletter (nicht abonniert), Phishing
- SONSTIGES: Alles andere
Wirtschaftlichkeit: mit eigenen Zahlen rechnen
Ob sich die automatische E-Mail-Klassifizierung lohnt, hängt von E-Mail-Volumen, Anteil eindeutiger Fälle, Prüfaufwand und den Folgen falsch zugeordneter E-Mails in Ihrem Betrieb ab. Pauschale Kennzahlen helfen dabei wenig; belastbarer ist eine Rechnung mit den eigenen Zahlen.
Der ROI-Rechner liefert dafür eine erste Spanne mit offengelegten Annahmen. Eine belastbare Zahl für Ihren Betrieb ergibt der Pilot mit Ihrem eigenen Ablauf.
Technische Architektur
┌─────────────────────────────────────────────────────────┐
│ EINGANGS-E-MAIL (info@firma.de) │
└────────────────────────┬────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ INTREXX E-MAIL-CONNECTOR (IMAP/POP3) │
│ • Prüft alle 5 Min. auf neue E-Mails │
│ • Download: Betreff, Text, Anhänge │
│ • Trigger: onNewEmail Event │
└────────────────────────┬────────────────────────────────┘
│
│ Groovy Hook sendet:
│ - E-Mail ID
│ - Betreff
│ - E-Mail-Text
│ - Absender
│ - Optional: Anhänge (Base64)
▼
┌─────────────────────────────────────────────────────────┐
│ n8n WEBHOOK NODE │
│ • Empfängt Request von Intrexx │
└────────────────────────┬────────────────────────────────┘
│
▼
┌─────────────────────────────────────────────────────────┐
│ CLAUDE TEXT API (KLASSIFIZIERUNG) │
│ Prompt: │
│ "Klassifiziere diese E-Mail: │
│ Betreff: {{ subject }} │
│ Text: {{ body }} │
│ │
│ Kategorien: │
│ - SUPPORT (technisches Problem) │
│ - VERTRIEB (Produkt-Interesse) │
│ - BESCHWERDE (Unzufriedenheit) │
│ - RECHNUNG (Rechnungsfrage) │
│ - BEWERBUNG (Bewerbungsunterlagen) │
│ - SPAM (Werbung, nicht relevant) │
│ - SONSTIGES │
│ │
│ Priorität: │
│ - HOCH (Beschwerde, dringend) │
│ - MITTEL (Support, Vertrieb) │
│ - NIEDRIG (Info, Rechnung) │
│ │
│ Antwort als JSON." │
└────────────────────────┬────────────────────────────────┘
│
│ Response:
│ {
│ "category": "SUPPORT",
│ "priority": "MITTEL",
│ "confidence": 94,
│ "suggested_team": "Support Team",
│ "reasoning": "Kunde hat Passwort-Problem"
│ }
▼
┌─────────────────────────────────────────────────────────┐
│ n8n: IF NODE (Confidence) │
│ Confidence > 90%? │
│ ├─ JA: Auto-Route + Ticket erstellen │
│ └─ NEIN: Manuelle Prüfung nötig │
└────────────────────────┬────────────────────────────────┘
│
│ Callback an Intrexx REST API
▼
┌─────────────────────────────────────────────────────────┐
│ INTREXX: TICKET ERSTELLEN │
│ • Datenbank-Eintrag (tickets-Tabelle) │
│ • Kategorie, Priorität, Zuständiges Team │
│ • E-Mail an Team (z.B. support@firma.de) │
│ • Status: "Neu" oder "Manuelle Prüfung" │
└─────────────────────────────────────────────────────────┘
Implementierung in 2 Wochen
Woche 1: Setup & Integration
Tag 1-2: Intrexx E-Mail-Connector
- IMAP/POP3-Connector konfigurieren (info@firma.de)
- Datenbank-Tabelle
ticketserstellen - Groovy Event Handler
onNewEmail - Test: E-Mail empfangen → Groovy Hook feuert
Tag 3: n8n Workflow + Claude API
- n8n Webhook Node erstellen
- Claude API Node konfigurieren
- Prompt schreiben (siehe Code-Beispiele)
- Test: 10 Test-E-Mails klassifizieren
Tag 4-5: Ticket-System in Intrexx
- Ticket-Formular (Kategorie, Priorität, Status, E-Mail-Text)
- Ticket-Übersicht pro Team (Support, Vertrieb, etc.)
- E-Mail-Benachrichtigungen (bei neuem Ticket)
- Intrexx REST API für Ticket-Erstellung
Woche 2: Testing & Rollout
Tag 6-8: Prompt-Optimierung
- 100 echte E-Mails klassifizieren lassen
- Fehleranalyse (welche Kategorien werden verwechselt?)
- Prompt anpassen (Few-Shot Examples hinzufügen)
- Erneuter Test: Genauigkeit messen
Tag 9-10: Rollout
- User-Training (Support, Vertrieb, etc.)
- Dokumentation (Prozess-Diagramm, FAQ)
- Go-Live: System aktivieren (monitoring für erste Woche)
- Nach 1 Woche: Review-Meeting (Genauigkeit? Verbesserungen?)
✅ Nach 2 Wochen: System ist live. E-Mails werden automatisch klassifiziert. Teams erhalten nur noch relevante E-Mails.
Code-Beispiele (Claude Prompts)
1. Basis-Prompt (5 Kategorien)
Klassifiziere diese E-Mail in eine der folgenden Kategorien:
**E-Mail:**
Betreff: {{ $json.subject }}
Text: {{ $json.body }}
Absender: {{ $json.from }}
**Kategorien:**
- SUPPORT: Technisches Problem, Bug, Passwort-Reset, Fehler
- VERTRIEB: Produkt-Interesse, Angebotsanfrage, Demo-Termin, Preisanfrage
- BESCHWERDE: Unzufriedenheit, Reklamation, Kulanz-Anfrage, schlechte Bewertung
- RECHNUNG: Rechnungsfrage, Zahlungsbestätigung, Buchhaltungs-Anfrage
- SPAM: Werbung, Newsletter (nicht abonniert), Phishing
**Priorität:**
- HOCH: Beschwerde oder dringender Support-Fall
- MITTEL: Support, Vertrieb
- NIEDRIG: Rechnung, Info
**Antwort als JSON:**
{
"category": "SUPPORT",
"priority": "MITTEL",
"confidence": 95,
"suggested_team": "Support Team",
"reasoning": "Kurze Erklärung warum diese Kategorie"
}
2. Few-Shot Prompt (mit Beispielen)
Klassifiziere E-Mails anhand dieser Beispiele:
**Beispiel 1:**
Betreff: "Passwort vergessen"
Text: "Ich kann mich nicht mehr einloggen"
→ Kategorie: SUPPORT, Priorität: MITTEL
**Beispiel 2:**
Betreff: "Interesse an Ihrer Software"
Text: "Können Sie mir ein Angebot schicken?"
→ Kategorie: VERTRIEB, Priorität: MITTEL
**Beispiel 3:**
Betreff: "Lieferung zu spät!"
Text: "Ich bin sehr unzufrieden, Lieferung 5 Tage verspätet"
→ Kategorie: BESCHWERDE, Priorität: HOCH
**Jetzt klassifiziere:**
Betreff: {{ $json.subject }}
Text: {{ $json.body }}
Antwort als JSON:
{
"category": "...",
"priority": "...",
"confidence": 0-100,
"suggested_team": "...",
"reasoning": "..."
}
3. Multi-Sprachen Prompt
Classify this email (any language).
**Email:**
Subject: {{ $json.subject }}
Body: {{ $json.body }}
**Categories:**
- SUPPORT: Technical issues, bugs, password problems
- SALES: Product interest, quote request
- COMPLAINT: Dissatisfaction, refund request
- INVOICE: Invoice questions, payment
- SPAM: Advertising, phishing
**Return category in German:**
SUPPORT, VERTRIEB, BESCHWERDE, RECHNUNG, SPAM
**Response as JSON:**
{
"category": "SUPPORT",
"priority": "MITTEL",
"confidence": 95,
"suggested_team": "Support Team",
"detected_language": "en",
"reasoning": "..."
}
Häufig gestellte Fragen (FAQ)
Bei klar formulierten E-Mails (z.B. "Ich habe technisches Problem X" → Support) klassifiziert Claude in der Regel zuverlässig.
Bei mehrdeutigen E-Mails (z.B. "Ich bin unzufrieden" → Support ODER Beschwerde?) ist die Trefferquote geringer. Eine belastbare Genauigkeit zeigt erst ein Test mit Ihren eigenen E-Mails.
Best Practice: 3-5 Kategorien (Support, Vertrieb, Beschwerde, Rechnung, Sonstiges) statt 10+ (zu granular, niedrigere Genauigkeit).
Ja, mit Claude Vision API (für PDFs, Bilder, Screenshots).
Use Case: Kunde schickt Screenshot von Fehler → KI erkennt: "Technisches Problem → Support Team".
Implementierung in n8n:
- IF Node prüft ob Anhang vorhanden
- Bei Bild/PDF: Claude Vision API Call (zusätzlich 0,10€/E-Mail)
- Bei reinem Text: Claude Text API (0,02€/E-Mail)
Genauigkeit mit Anhang: 94-96% (leicht niedriger wegen komplexerer Inputs).
Best Practice: Anhänge UND E-Mail-Text kombiniert analysieren für maximale Genauigkeit.
Claude unterstützt 100+ Sprachen out-of-the-box.
Genauigkeit:
- Englisch/Französisch/Spanisch: 96%+
- Osteuropäisch: 92-94%
- Asiatisch: 89-92%
Best Practice: Prompt auf Englisch schreiben, Output forcieren auf Deutsch.
Beispiel:
Classify this email (any language). Return category in German:
SUPPORT, VERTRIEB, BESCHWERDE.
Auto-Language-Detection: n8n-Node analysiert erste Zeile, wählt optimierten Prompt.
Bei multinationalen Firmen: Separate Workflows pro Sprach-Cluster (DE/EN, FR/IT, PL/CZ).
Claude ist ein Foundation Model (kein Custom-Training nötig).
Instead: Few-Shot Prompting im Prompt.
Beispiel:
Classify emails into:
- GARANTIE-ANFRAGE (Kunde fragt nach Garantie/Gewährleistung)
- ERSATZTEIL-BESTELLUNG (Kunde will Ersatzteil kaufen)
- TECHNISCHER-SUPPORT (Defekt/Problem)
Examples:
[3-5 Beispiel-E-Mails mit korrekter Kategorie]
Genauigkeit steigt mit Beispielen:
- 0 Beispiele: 88%
- 3 Beispiele: 94%
- 5 Beispiele: 96%+
Alternative: Fine-Tuning bei Claude API
Ab 500+ gelabelte E-Mails, einmaliger Trainingsaufwand.
🚀 Bereit für automatische E-Mail-Klassifizierung?
Ich setze solche Systeme für Unternehmen um, die eingehende E-Mails automatisch zuordnen und weiterleiten wollen.
Nächster Schritt: Kostenloses Gespräch (45 Minuten)
Gespräch vereinbarenWeiterführende Artikel:
Teil unseres Themenschwerpunkts KI im Mittelstand
KI für Unternehmen
Alle Themen zu KI im Mittelstand → KI für Unternehmen ansehen