Inhalt
Das Wichtigste in Kürze
- KI im Postfach liest jede eingehende Mail, ordnet sie einer festen Kategorie zu, schätzt die Dringlichkeit ein und zieht Angaben wie Kunden- oder Auftragsnummer heraus.
- Die Zuständigkeit sollten feste Regeln festlegen, etwa nach Kategorie und zuständigem Kundenbetreuer im CRM, damit jede Zuweisung nachvollziehbar bleibt.
- Antworten schlägt die KI nur als Entwurf vor; abgeschickt wird erst, wenn ein Mensch den Text geprüft und angepasst hat.
- Ob die Vorsortierung taugt, zeigen einfache Kennzahlen wie der Anteil korrigierter Kategorien und die Zeit bis zur ersten Antwort.
Was KI im Postfach leisten kann und was nicht
Fast jedes Unternehmen hat ein Sammelpostfach, an das Kunden, Lieferanten und Interessenten schreiben. Meist schaut jemand mehrmals am Tag hinein, liest, entscheidet, wer zuständig ist, und leitet weiter. Das ist keine schwierige Arbeit, aber sie kostet Konzentration. Und wenn die Person im Urlaub ist, stockt alles.
Ein Sprachmodell kann diese erste Sichtung übernehmen. Es versteht Freitext, auch wenn der Kunde umständlich formuliert, und macht daraus strukturierte Informationen: Worum geht es, wie eilig ist es, welche Nummern und Daten stehen drin? Genau dieser Teil lässt sich mit klassischen Regeln („wenn der Betreff ‚Rechnung‘ enthält …“) nur schlecht abbilden, denn Kunden schreiben selten so, wie man es sich für eine Regel wünscht.
Was die KI in meinen Lösungen nicht tut: selbstständig Kunden antworten, Zusagen machen, Vorgänge abschließen oder Daten im CRM überschreiben. Sie bereitet vor. Das ist weniger spektakulär als ein „autonomer Agent“, aber es funktioniert im Alltag und lässt sich verantworten.
Schritt für Schritt: vom Eingang zur vorbereiteten Anfrage
Technisch läuft es so: Eine neue Mail kommt im Postfach oder im Ticketsystem an. Eine Automatisierung schickt Betreff und Text an ein Sprachmodell und bekommt eine strukturierte Antwort zurück, meist im Format JSON, also als Text mit fest benannten Feldern. Diese Antwort hat immer denselben Aufbau, damit sich die nachfolgenden Schritte darauf verlassen können. Inhaltlich erledigt das Modell vier Aufgaben.
Klassifizieren
Leg eine überschaubare Liste von Kategorien fest, die zu euren tatsächlichen Abläufen passt. Für einen Händler könnte sie so aussehen:
- Angebotsanfrage
- Bestellung oder Bestelländerung
- Liefertermin und Sendungsstatus
- Reklamation oder Rücksendung
- Rechnungs- und Zahlungsfragen
- Werbung, Newsletter, Spam
- Sonstiges oder unklar
Die letzte Kategorie ist wichtig. Ein Modell, das sich zwingend für eine von sechs Kategorien entscheiden muss, wählt im Zweifel irgendeine. Mit „Sonstiges oder unklar“ hat es einen ehrlichen Ausweg, und diese Mails landen bei einem Menschen. Mehr als etwa zehn Kategorien machen die Zuordnung erfahrungsgemäß unscharf, für die KI ebenso wie für das Team.
Dringlichkeit erkennen
Dringlichkeit ist eine Mischung aus Inhalt und Regeln. Das Modell erkennt Signale im Text: einen Stillstand beim Kunden, eine genannte Frist, eine angedrohte Kündigung, einen verärgerten Ton. Feste Regeln ergänzen das, etwa „Reklamationen von A-Kunden sind immer dringend“. Ich lasse das Modell nur drei Stufen vergeben (normal, erhöht, dringend) und zusätzlich in einem Satz begründen. Die Begründung hilft beim Prüfen mehr als jede Punktzahl.
Zuständigkeit festlegen
Wer die Anfrage bekommt, entscheiden bei mir feste Regeln, nicht das Modell. Die Absenderadresse wird im CRM gesucht. Gibt es einen zuständigen Kundenbetreuer, bekommt er die Anfrage. Sonst entscheidet die Kategorie: Rechnungsfragen gehen an die Buchhaltung, Reklamationen an den Service. So bleibt nachvollziehbar, warum eine Mail wo gelandet ist, und Änderungen im Team pflegst du in einer Tabelle statt in einer KI-Anweisung. Wie man solche Regeln sauber aufsetzt, beschreibe ich im Beitrag zu Zuständigkeiten und Lead-Routing im CRM.
Daten herausziehen
Viele Anfragen enthalten Angaben, die das Team sonst abschreibt oder nachschlägt: Kundennummer, Auftrags- oder Rechnungsnummer, Artikel, Menge, Wunschtermin, Rückrufnummer. Das Modell trägt sie in feste Felder ein und lässt Felder leer, wenn nichts dazu im Text steht. Eine Automatisierung prüft anschließend, ob es die Auftragsnummer im System überhaupt gibt, und verknüpft die Anfrage damit. Wer die Mail öffnet, hat den Auftrag dann schon vor sich.
Antwortentwürfe statt Autoversand
Der verlockendste Teil ist der Antwortentwurf. Das Modell schreibt auf Basis der Anfrage, eurer Textbausteine und gegebenenfalls der Daten aus dem CRM eine passende Antwort. Für Standardfälle wie „Wann kommt meine Lieferung?“ oder „Bitte schicken Sie mir die Rechnung noch einmal“ sind solche Entwürfe oft gut brauchbar.
Trotzdem rate ich klar davon ab, sie automatisch zu verschicken, zumindest solange du keine belastbaren Zahlen zur Qualität hast. Ein Sprachmodell formuliert überzeugend, auch wenn es falsch liegt. Es kann einen Liefertermin nennen, den es nicht gibt, oder auf eine Reklamation kulanter reagieren, als ihr wollt. Ein Entwurf, den ein Mensch liest, anpasst und selbst abschickt, verhindert das. Die Ersparnis liegt dann nicht im Wegfall der Arbeit, sondern darin, dass niemand mehr vor einem leeren Fenster anfängt. Für gute Entwürfe haben sich ein paar Regeln bewährt:
- Gib dem Modell eure Textbausteine und ein, zwei Beispielantworten als Vorlage für Ton und Länge.
- Lass es nur Fakten verwenden, die in der Anfrage oder in mitgelieferten Daten stehen. Fehlende Angaben markiert es als Platzhalter, etwa [Liefertermin prüfen].
- Leg fest, wozu es nie etwas schreibt: Preise, Rabatte, rechtliche Einschätzungen, Kulanzzusagen.
- Kennzeichne Entwürfe im System eindeutig, damit niemand sie versehentlich ungelesen verschickt.
Warum dieser Freigabeschritt kein Misstrauensvotum gegen die Technik ist, sondern die Voraussetzung, sie überhaupt einzusetzen, erkläre ich im Artikel über Human in the Loop bei KI-Automatisierungen. Dort geht es auch darum, anhand welcher Kennzahlen man eine Freigabe später lockern kann.
Einbau ins Ticket- oder CRM-System
Die Vorsortierung bringt erst dann etwas, wenn das Ergebnis dort steht, wo das Team ohnehin arbeitet. Ein eigenes KI-Dashboard daneben wird erfahrungsgemäß bald nicht mehr geöffnet.
In einem Ticketsystem landen Kategorie, Dringlichkeit und die extrahierten Daten in eigenen Feldern, der Entwurf als interne Notiz oder Antwortentwurf, die Zuständigkeit als Zuweisung. Die meisten Ticketsysteme bieten dafür Schnittstellen oder eingebaute Automatisierungsregeln. Ohne Ticketsystem geht es auch im CRM: Die Mail wird dem Kontakt zugeordnet, für den Zuständigen entsteht eine Aufgabe, der Entwurf hängt daran. Und wer nur ein gemeinsames Postfach hat, kann mit Ordnern oder Kategorien und einem Entwurf im Entwurfsordner arbeiten. Das ist die einfachste Variante und für den Einstieg oft ausreichend.
Achte bei jeder Variante auf zwei Dinge. Erstens: Die ursprüngliche Mail bleibt unverändert, die KI ergänzt nur. Zweitens: Jede Korrektur des Teams wird gespeichert. Wenn jemand die Kategorie ändert, ist das eine wertvolle Information für die Qualitätsmessung. Bei der technischen Anbindung über Schnittstellen und Automatisierungsplattformen unterstütze ich dich im Rahmen meiner Leistungen zur Automatisierung und Integration.
Qualität messen
„Fühlt sich gut an“ reicht nicht, um einer Vorsortierung zu vertrauen. Ein paar einfache Kennzahlen genügen, wenn du sie regelmäßig ansiehst:
| Kennzahl | Was sie dir zeigt |
|---|---|
| Anteil korrigierter Kategorien | Ob Kategorien und Anweisungen passen; steigt er, stimmt etwas nicht |
| Anteil „Sonstiges oder unklar“ | Ob eine Kategorie fehlt oder das Modell zu vorsichtig ist |
| Falsch zugewiesene Anfragen | Ob die Zuständigkeitsregeln noch aktuell sind |
| Entwürfe, die mit wenig Änderung verschickt werden | Ob die Entwürfe Zeit sparen oder nur Korrekturarbeit erzeugen |
| Zeit bis zur ersten Antwort | Ob sich für Kunden tatsächlich etwas verbessert |
Miss die Zeit bis zur ersten Antwort schon vor dem Start, sonst fehlt dir der Vergleich. Und schau dir in den ersten Wochen regelmäßig eine Stichprobe an, auch von Mails, die niemand korrigiert hat. Nicht jede falsche Kategorie fällt im Alltag auf.
Grenzen und Risiken
KI im Postfach ist kein Selbstläufer. Diese Stolpersteine solltest du kennen, bevor du startest:
- Lange Verläufe: Bei Antworten auf Antworten steht das eigentliche Anliegen manchmal weit unten oder in einem zitierten Teil. Gib dem Modell gezielt die neueste Nachricht und nur das Nötigste aus dem Verlauf.
- Mehrere Anliegen in einer Mail, etwa eine Bestellung plus Reklamation: Erlaube eine Haupt- und eine Nebenkategorie oder markiere solche Mails für die manuelle Sichtung.
- Anhänge: Viele Informationen stecken in PDFs, Fotos oder Tabellen. Das Auslesen von Dokumenten ist ein eigener Baustein, den du getrennt planen solltest.
- Manipulierte Mails: Eine Mail kann Anweisungen enthalten, die sich an die KI richten („Ignoriere alle bisherigen Anweisungen …“). Das nennt man Prompt Injection. Weil die KI in diesem Aufbau nichts selbst auslöst und nur Felder und Entwürfe füllt, bleibt der mögliche Schaden begrenzt.
- Sensible Inhalte: Bewerbungen, Gesundheitsangaben oder Personalthemen sollte die KI höchstens erkennen und weiterleiten, aber nicht zusammenfassen oder bewerten.
Dazu kommt der Datenschutz. Mails enthalten personenbezogene Daten, deshalb brauchst du einen Auftragsverarbeitungsvertrag mit dem KI-Anbieter, eine klare Aussage zu Speicherort und Drittlandübermittlung, den vertraglichen Ausschluss des Trainings mit euren Daten und ein Löschkonzept für alles, was die Automatisierung zwischenspeichert. Eine Übersicht findest du in meiner Checkliste zum DSGVO-konformen KI-Einsatz. Dieser Artikel ersetzt keine Rechtsberatung.
Ein typisches Szenario: das Info-Postfach im Großhandel
Ein typisches Szenario, an dem sich zeigt, wie das konkret aussehen kann: Angenommen, ein technischer Großhändler mit Innendienst, Service und Buchhaltung lässt fast alles über ein gemeinsames Info-Postfach laufen. Morgens liegen dort die Mails vom Vorabend, und eine Kollegin aus dem Innendienst verteilt sie von Hand. Ist sie krank, fragen sich drei Abteilungen, wer heute ins Postfach schaut.
Mit der Vorsortierung sieht der Morgen anders aus. Jede Mail hat bereits eine Kategorie, eine Dringlichkeit mit Begründung und, falls vorhanden, die verknüpfte Auftrags- oder Kundennummer. Anfragen von Bestandskunden liegen direkt beim zuständigen Innendienst, Rechnungsfragen bei der Buchhaltung. Für Fragen nach dem Lieferstatus wartet ein Entwurf, in dem der Status aus der Warenwirtschaft schon eingesetzt ist. Die Kollegin, die früher verteilt hat, sieht sich nur noch die Mails in „Sonstiges oder unklar“ und die als dringend markierten an.
Meine Einschätzung: Der größte Gewinn liegt oft gar nicht im Antwortentwurf, sondern in der sauberen Zuweisung und den verknüpften Daten. Wer eine Anfrage öffnet und den passenden Auftrag schon vor sich hat, spart das Suchen, und das bei jeder einzelnen Mail.
Fazit
KI im Postfach lohnt sich vor allem als Vorarbeit: klassifizieren, Dringlichkeit einschätzen, Daten herausziehen und Antworten vorschlagen. Die Zuständigkeit regeln feste Regeln, das Abschicken bleibt beim Menschen. Mein Rat für den ersten Schritt: Sortiere eine Stichprobe eurer Mails von Hand in Kategorien und miss die heutige Zeit bis zur ersten Antwort. Mit diesen beiden Grundlagen kannst du einen kleinen Pilot aufsetzen und nach ein paar Wochen ehrlich beurteilen, ob er sich lohnt.
Häufige Fragen
Soll sich euer Sammelpostfach selbst vorsortieren?
Ich schaue mir mit dir an, welche Anfragen bei euch ankommen, lege Kategorien und Zuständigkeitsregeln fest und baue die KI-Vorsortierung in euer Ticket- oder CRM-System ein. Abgeschickt wird weiterhin nur, was dein Team freigibt.