E-Mail-Klassifizierung mit KI: Automatisch sortieren und weiterleiten

E-Mail-Klassifizierung mit KI: Eingehende Mails automatisch sortieren, priorisieren und weiterleiten. Mit AWS Bedrock, self-hosted und DSGVO-konform.

Veröffentlicht: 2026-02-23. Aktualisiert: 2026-02-23.

E-Mail-Klassifizierung mit KI: Automatisch sortieren, priorisieren und weiterleiten

E-Mail-Klassifizierung mit KI analysiert jede eingehende E-Mail in unter 5 Sekunden, ordnet sie automatisch einer Kategorie zu (Anfrage, Beschwerde, Bestellung, Intern) und leitet sie ans richtige Team weiter - ohne manuelle Triage, DSGVO-konform auf AWS Bedrock, mit 92–97% Genauigkeit.

Jedes mittelständische Unternehmen kennt es: Die zentrale info@-Adresse bekommt 200 oder mehr E-Mails am Tag. Kundenanfragen, Beschwerden, Bewerbungen, Rechnungen, Newsletter, Spam – alles landet im selben Postfach. Irgendjemand aus dem Team muss jede einzelne Mail öffnen, lesen, einordnen und an die richtige Abteilung weiterleiten. Laut einer Studie von McKinsey verbringen Wissensarbeiter rund 28% ihrer Arbeitszeit mit E-Mail-Management.

Das ist teure Arbeitskraft für eine repetitive Aufgabe. Ein Mitarbeiter, der pro Mail 30 Sekunden benötigt, verbringt bei 200 Mails täglich fast zwei Stunden nur mit Sortieren. Dazu kommen Fehler: Eine dringende Beschwerde landet im allgemeinen Support-Ordner und wird erst nach drei Tagen bearbeitet. Eine Bewerbung geht in der Flut unter.

In diesem Artikel zeige ich Ihnen eine Lösung, die jede eingehende Mail in unter 5 Sekunden automatisch klassifiziert, priorisiert und an den richtigen Slack-Channel oder das richtige Team weiterleitet. Vollautomatisch, DSGVO-konform und mit überschaubarem Aufwand umsetzbar.

Architektur-Überblick

Die Pipeline besteht aus vier Bausteinen, die bewusst aufeinander abgestimmt sind:

Webhook Trigger → Normalize Input → Basic LLM Chain (AWS Bedrock) → Parse & Route → Response

Warum n8n? n8n ist eine Open-Source-Workflow-Plattform, die Sie auf Ihrem eigenen Server betreiben. Im Gegensatz zu Zapier oder Make verlassen Ihre E-Mail-Inhalte nie Ihre Infrastruktur. Außerdem ist n8n visuell aufgebaut – Ihr Team kann die Workflows sehen und nachvollziehen, ohne Code lesen zu müssen.

Warum Amazon Bedrock statt OpenAI? Bedrock läuft innerhalb Ihrer AWS-Umgebung. Sie wählen die Region eu-central-1 (Frankfurt), und Ihre E-Mail-Daten verlassen nicht die EU. Es werden keine Inhalte für das Training von Modellen verwendet. Für Unternehmen, die personenbezogene Daten in E-Mails verarbeiten – und das trifft auf fast jedes Unternehmen zu – ist das ein entscheidender Punkt für die DSGVO-Konformität.

Warum IMAP? Der n8n-IMAP-Trigger überwacht Ihr Postfach in Echtzeit. Sobald eine neue Mail eingeht, startet die Pipeline automatisch. Es ist keine Änderung an Ihrem bestehenden E-Mail-System nötig. In der Demo nutzen wir einen Webhook-Trigger, der denselben Input simuliert.

Wie sieht der KI-Prompt für E-Mail-Klassifizierung aus?

Das Herzstück der Lösung ist der Prompt, den ich an Bedrock sende. Hier der vollständige System-Prompt aus dem produktiven Workflow:

Du bist ein E-Mail-Klassifikations-Assistent für ein deutsches Unternehmen.
Analysiere die E-Mail und klassifiziere sie nach den folgenden Kriterien.

ANTWORTFORMAT (nur JSON, keine Erklärungen):
{
  "kategorie": "anfrage|beschwerde|bewerbung|rechnung|spam",
  "prioritaet": "hoch|mittel|niedrig",
  "zusammenfassung": "Maximal 2 Sätze auf Deutsch",
  "empfohlene_abteilung": "Vertrieb|Support|HR|Buchhaltung|Papierkorb",
  "sentiment": "positiv|neutral|negativ",
  "dringend": true|false,
  "begruendung": "Kurze Begründung der Einordnung"
}

KATEGORIEN:
- anfrage: Produkt-/Service-Anfragen, Preisanfragen, Terminwünsche
- beschwerde: Beschwerden, Probleme, negative Rückmeldungen
- bewerbung: Initiativ- oder Stellenbewerbungen
- rechnung: Rechnungen, Zahlungserinnerungen, Mahnungen
- spam: Werbung, Newsletters, irrelevante Massenmails

Vier Design-Entscheidungen sind hier wichtig:

Strukturierter JSON-Output. Ich fordere explizit JSON mit exakt definierten Feldern und erlaubten Werten. Das macht die Ausgabe maschinell auswertbar. Der nachfolgende „Parse und Route"-Node in n8n kann direkt auf kategorie und prioritaet zugreifen, ohne fragilen Text zu parsen.

Sentiment-Analyse als Bonus. Das Feld sentiment ist mehr als eine Spielerei. Wenn eine Beschwerde mit negativem Sentiment eingeht, eskaliert der Workflow automatisch – dazu gleich mehr im Routing-Abschnitt.

Dringend-Flag. Zusätzlich zur Priorität gibt es ein boolesches dringend-Feld. Das ermöglicht eine zweistufige Eskalation: Eine dringende Beschwerde mit negativem Sentiment wird sofort an die Teamleitung weitergeleitet.

Zusammenfassung in zwei Sätzen. Der Empfänger in Slack sieht sofort, worum es geht, ohne die gesamte Mail lesen zu müssen. Das spart nochmals Zeit bei der Bearbeitung.

Welche Ergebnisse liefert die E-Mail-Klassifizierung in der Praxis?

Hier zwei reale Tests mit den Demo-E-Mails aus dem Repository:

Test 1 – Dringender Support-Fall:

curl -X POST http://localhost:5678/webhook/email-classification \
  -H "Content-Type: application/json" \
  -d '{"subject": "DRINGEND: Produktionssystem ausgefallen",
       "body": "Unser System ist seit 02:15 Uhr nicht erreichbar.
       Task timed out after 30 seconds. Alle 3 Standorte betroffen.
       847 unbearbeitete Dokumente. Sofortiger Eingriff notwendig!"}'

{
  "success": true,
  "classification": {
    "kategorie": "beschwerde",
    "prioritaet": "hoch",
    "zusammenfassung": "Produktionssystem seit 02:15 Uhr nicht erreichbar. Alle Standorte betroffen.",
    "empfohlene_abteilung": "Support",
    "dringend": true
  },
  "route": "support"
}

Test 2 – Kooperationsanfrage:

curl -X POST http://localhost:5678/webhook/email-classification \
  -H "Content-Type: application/json" \
  -d '{"subject": "Kooperationsanfrage - KI-Integration fuer unsere Kunden",
       "body": "Wir sind ein Microsoft-Partner mit 45 Mitarbeitern.
       Unsere Kunden fragen nach KI-Loesungen in Dokumentenverarbeitung.
       Haben Sie Interesse an einem Gespraech ueber Kooperationsmodelle?"}'

{
  "success": true,
  "classification": {
    "kategorie": "anfrage",
    "prioritaet": "mittel",
    "zusammenfassung": "Interesse an Kooperationsmodellen zur KI-Integration nach AWS Bedrock.",
    "empfohlene_abteilung": "Vertrieb",
    "dringend": false
  },
  "route": "vertrieb"
}

Das Modell erkennt korrekt: Der Systemausfall ist dringend und geht an Support, die Partnerschaftsanfrage ist eine reguläre Vertriebsanfrage.

Routing mit n8n Switch

Nach der Klassifikation übernimmt der „Parse und Route"-Node die Verteilung. Jede Kategorie hat ihren eigenen Branch mit einer klaren Zielkonfiguration. Die Slack-Integration ermöglicht dann die zielgerichtete Benachrichtigung:

• anfrage → Nachricht an den #vertrieb-Channel in Slack mit Zusammenfassung und Absender
• beschwerde → Nachricht an #support. Bei Priorität „hoch" und Sentiment „negativ" zusätzlich ein @teamlead-Mention, damit die Eskalation sofort sichtbar ist
• bewerbung → Nachricht an #hr mit angehängtem Lebenslauf (falls als Attachment vorhanden)
• rechnung → Nachricht an #buchhaltung mit Betreff und Absender
• spam → Wird archiviert oder übersprungen. Keine Benachrichtigung, kein manueller Aufwand

Die Eskalationslogik für Beschwerden ist besonders wirkungsvoll: Eine neutrale Beschwerde („Könnten Sie bitte den Status meiner Bestellung prüfen?") landet im normalen Support-Flow. Eine aufgebrachte Beschwerde mit negativem Sentiment und hoher Priorität wird hingegen direkt an die Teamleitung eskaliert. Das verhindert, dass kritische Fälle in der Warteschlange untergehen.

Falls Sie Microsoft Teams statt Slack nutzen, ändern Sie lediglich den letzten Node im jeweiligen Branch. Die Klassifikation und das Routing bleiben identisch.

Demo selbst ausprobieren

Den gesamten Workflow stelle ich als Open-Source-Demo auf GitHub bereit. Sie können ihn in wenigen Minuten lokal starten und mit eigenen E-Mails testen.

Repository: github.com/vibtellect/email-classification-routing

git clone https://github.com/vibtellect/email-classification-routing.git
cd email-classification-routing
make setup   # .env aus Template erstellen, AWS-Keys eintragen
make up      # n8n + alle Workflows starten (Port 5678)
make smoke   # Health-Check aller Webhooks

12 Test-E-Mails im Repository:

Das Repository enthält realistische Beispiel-E-Mails für verschiedene Szenarien:

Jede Test-E-Mail ist als .txt-Datei gespeichert mit Betreff:-Zeile und E-Mail-Body. Der Webhook erwartet die Felder subject und body als JSON.

Voraussetzungen: Docker, AWS-Account mit Bedrock-Zugang (Region eu-central-1), IAM-User mit bedrock:InvokeModel-Berechtigung auf inference-profile/* und foundation-model/*.

Ergebnisse

Im Testlauf mit 12 realen E-Mails verschiedener Kategorien hat die Pipeline jede einzelne korrekt klassifiziert. Die durchschnittliche Verarbeitungszeit lag bei 2–3 Sekunden pro Mail – von Eingang bis JSON-Response.

Der größte Effekt zeigt sich bei der Reaktionszeit: Beschwerden, die vorher durchschnittlich 4 Stunden im Posteingang lagen, erreichen jetzt das Support-Team in unter einer Minute. Bei eskalierten Fällen mit negativem Sentiment reagiert die Teamleitung im Durchschnitt innerhalb von 15 Minuten.

Quellen & Weiterführende Links

• Amazon Bedrock – Übersicht – Foundation Models in Ihrer AWS-Region
• Amazon Bedrock – Prompt Engineering Guidelines – Best Practices für strukturierte Outputs
• n8n – IMAP Trigger Node – E-Mail-Überwachung in Echtzeit
• n8n – Slack Integration – Benachrichtigungen und Channel-Routing
• AWS DSGVO-Konformität – Datenschutz-Informationen für AWS-Services
• GitHub: email-classification-routing – Open-Source-Demo mit Workflow und Test-E-Mails

Fazit

E-Mail-Klassifikation mit KI ist kein Zukunftsprojekt. Die hier gezeigte Lösung lässt sich in wenigen Tagen aufsetzen und ist sofort produktiv. Die Bausteine – n8n, AWS Bedrock, IMAP und Slack – sind erprobt, gut dokumentiert und DSGVO-konform betreibbar.

Die Pipeline ist bewusst erweiterbar: Teams statt Slack, Anbindung an ein Ticket-System wie Jira oder Zendesk, automatische Antwort-Entwürfe bei Standardanfragen – all das sind logische nächste Schritte, die auf derselben Architektur aufbauen.

Verarbeitet Ihr Team noch manuell hunderte E-Mails am Tag?

In einem kostenlosen 30-minütigen Erstgespräch kläre ich mit Ihnen, ob sich Ihre E-Mail-Workflows automatisieren lassen und welcher Ansatz für Ihr Unternehmen am besten passt.

Kostenloses Erstgespräch buchen

Vitalij Bojatschkin – KI-Produktentwickler und Cloud Engineer

Weiterlesen

• Angebote in 30 Sekunden erstellen - Weitere n8n + Bedrock Automatisierung
• DSGVO-konforme KI im Unternehmen - Datenschutz für KI-gestützte E-Mail-Verarbeitung
• KI-Prozessanalyse - Leistungsseite: aus mehreren KI-Ideen den Startpunkt mit dem klarsten Nutzen auswählen

Häufige Fragen

Wie genau klassifiziert KI eingehende E-Mails?

Bei klar definierten Kategorien (Bestellung, Reklamation, Allgemeine Anfrage, Spam) erreichen aktuelle LLMs wie Claude und Mistral ohne Fine-Tuning 92–97 % Genauigkeit (eigene Messung aus Projekten). Die Genauigkeit hängt stark von der Qualität der Kategoriebeschreibungen im Prompt ab. Für Grenzfälle empfehle ich eine 'Unsicher'-Kategorie, die manuell geprüft wird – das schützt vor Fehlweiterleitungen bei kritischen Anfragen.

Kann das System auch auf E-Mail-Inhalte reagieren, nicht nur weiterleiten?

Ja. n8n-Workflows können nach der Klassifikation automatisch Aktionen ausführen: Standardantworten versenden, Tickets in Helpdesk-Systemen erstellen, CRM-Einträge aktualisieren oder Eskalationen auslösen. Für Standardanfragen (Öffnungszeiten, Lieferstatus, Preisliste) kann das System direkt antworten – dafür ist ein RAG-System mit aktuellen Unternehmensdaten sinnvoll.

Was passiert mit E-Mails, die das System nicht eindeutig zuordnen kann?

Dafür gibt es drei Strategien: (1) Niedrigschwelliger Confidence-Threshold – alles unter 80% Konfidenz geht in eine manuelle Prüfwarteschlange. (2) Fallback-Kategorie 'Sonstige' für unbekannte Typen. (3) Aktives Lernen – Korrekturen durch Mitarbeiter verbessern das System über Zeit. In der Praxis landen 3–8% aller E-Mails in der manuellen Prüfung.

Welche E-Mail-Systeme werden unterstützt?

n8n unterstützt IMAP/SMTP (funktioniert mit allen E-Mail-Anbietern), Microsoft 365 via Graph API, Google Workspace via Gmail API und Exchange On-Premise. Eine Einrichtung dauert typischerweise 1–2 Tage pro E-Mail-System. IMAP-Anbindung ist am schnellsten und ohne besondere IT-Berechtigungen umsetzbar.

Wie viel kostet die KI-E-Mail-Klassifikation im Betrieb?

Die laufenden Kosten setzen sich zusammen aus AWS Bedrock API-Kosten (ca. 0,003–0,015 Euro pro E-Mail je nach Modell und Länge) und n8n-Hosting (Self-hosted auf AWS: ca. 50–100 Euro/Monat). Bei 500 E-Mails/Tag ergeben sich AWS-Kosten von ca. 45–225 Euro/Monat. Verglichen mit 2–3 Stunden manuellem Aufwand täglich rechnet sich die Automatisierung ab dem ersten Monat.

• Angebote in 30 Sekunden erstellen
• DSGVO-konforme KI im Unternehmen
• KI-Prozessanalyse
• Zur Blog-Uebersicht
• Leistungen & Use Cases