E-Mail-Eingang mit KI sortieren, ohne dass etwas verloren geht

Ein Sammelpostfach wie info@ oder kontakt@ ist in vielen Unternehmen die wichtigste und zugleich am schlechtesten organisierte Schnittstelle nach außen. Anfragen, Rechnungen, Bewerbungen, Beschwerden, Werbung und die Mail vom Steuerberater landen im selben Ordner. Jemand schaut zweimal am Tag rein, leitet weiter, und was in der Ferienzeit reinkommt, bleibt liegen.

Genau hier setzen wir KI am häufigsten ein, und zwar nicht, um Antworten zu schreiben. Sondern um zu sortieren. Der Aufbau ist immer ähnlich, die Details entscheiden darüber, ob das Team dem System nach drei Monaten noch vertraut.

Der Ablauf in vier Schritten

Eingang. Jede neue Mail wird vom Postfach abgeholt, inklusive Anhängen. Nichts wird verschoben oder gelöscht. Das Original bleibt, wo es ist.

Einordnung. Ein Sprachmodell liest die Mail und liefert drei Dinge zurück: eine Kategorie aus einer festen Liste, die das Unternehmen vorher definiert hat (Anfrage, Rechnung, Bewerbung, Reklamation, Sonstiges), eine Dringlichkeit, und eine Zusammenfassung in zwei Sätzen. Dazu einen Wert, wie sicher sich das Modell bei der Kategorie ist.

Weiterleitung. Je nach Kategorie passiert etwas Definiertes: Die Rechnung geht in den Rechnungseingang, die Anfrage wird als Vorgang im CRM angelegt, die Bewerbung an die zuständige Person weitergeleitet. Die Zusammenfassung steht oben im Vorgang, damit niemand die Mail komplett lesen muss, um zu entscheiden, wer sich kümmert.

Rückmeldung. Das Team sieht in seinem gewohnten Werkzeug, was angekommen ist. Nicht in einem neuen Tool, sondern im CRM, im Ticketsystem oder als Hinweis im Teamchat.

Die eigentliche Arbeit: der Sonderfall

Die vier Schritte oben sind in einer Woche gebaut. Die restlichen Wochen gehen in die Fälle, die nicht ins Raster passen. Drei Regeln haben sich bewährt.

Wenn unsicher, dann Mensch. Liegt die Sicherheit des Modells unter einer Schwelle, wird die Mail nicht einsortiert, sondern landet in einer kleinen Prüfliste. Eine Person schaut einmal am Tag drüber und ordnet zu. Das dauert Minuten, und es verhindert, dass eine Beschwerde als Werbung abgelegt wird.

Nie automatisch antworten, nie automatisch löschen. Klingt nach Vorsicht, ist aber schlicht Erfahrung: Eine falsch einsortierte Mail kann man finden. Eine falsch beantwortete Mail hat der Kunde schon gelesen. Automatische Antworten bauen wir nur für eng definierte Fälle, etwa eine Eingangsbestätigung, und auch dann erst nach einigen Wochen Betrieb.

Alles protokollieren. Jede Entscheidung des Systems wird mit Datum, Kategorie und Sicherheit festgehalten. Wenn das Team fragt „warum ist die Mail vom Lieferanten in der Anfrageliste gelandet“, gibt es eine Antwort, keine Vermutung. Und aus dem Protokoll ergibt sich, welche Kategorien das Modell regelmäßig verwechselt. Meist lässt sich das mit einer schärferen Definition beheben, nicht mit einem besseren Modell.

Datenschutz, kurz und praktisch

Mails enthalten personenbezogene Daten, oft auch vertrauliche. Drei Punkte klären wir vor dem ersten Test: Welcher Anbieter verarbeitet die Daten und wo, ob ein Auftragsverarbeitungsvertrag vorliegt, und dass die Inhalte nicht zum Training von Modellen verwendet werden. Alle großen Anbieter bieten dafür Geschäftsverträge an, man muss sie nur abschließen. Für Unternehmen mit besonders sensiblen Daten gibt es Modelle, die auf eigener Infrastruktur laufen. Das kostet etwas Genauigkeit, ist für die Sortierung aber völlig ausreichend.

Woran man merkt, dass es funktioniert

Nicht an der Trefferquote des Modells. Die liegt nach dem Einrichten typischerweise zwischen neunzig und fünfundneunzig Prozent und ist damit besser als ein Mensch am Freitagnachmittag. Man merkt es an zwei anderen Zahlen: der Zeit zwischen Eingang und erster Reaktion, und der Zahl der Mails, die älter als zwei Tage sind und noch niemandem zugeordnet wurden. Beide sollten nach einem Monat deutlich sinken. Wenn nicht, liegt das Problem selten an der KI, sondern an dem, was nach der Weiterleitung passiert.