E-Mail-Support mit KI vorsortieren: Unser Setup bei nano

Jeden Morgen lagen bei nano 30 bis 50 ungelesene Support-Mails im Postfach, wild durcheinander: Retouren neben Lob, dringende Beschwerden neben Spam. Wenn du Support-E-Mails automatisieren willst, ist genau dieses Durcheinander der eigentliche Gegner, nicht die einzelne Antwort.

Deshalb haben wir bei nano mit Vorsortierung angefangen, nicht mit automatischen Antworten. Die KI liest, kategorisiert und schreibt Entwürfe. Ein Mensch gibt frei. In diesem Artikel zeige ich dir das komplette Setup, inklusive der Dinge, die schiefgingen.

Die Ausgangslage bei nano

Über unsere drei Brands nano, mate und MUSTAX kommen zusammen etwa 150 bis 200 Kundenanfragen pro Woche rein. Zu viel für "nebenbei", zu wenig für eine Vollzeitstelle. Der klassische Agentur-Reflex wäre: Chatbot draufsetzen, fertig. Haben wir bewusst nicht gemacht.

Unser Ziel war ein anderes: Kein Kunde soll je eine schlechte automatische Antwort bekommen. Aber wir wollen auch nicht jede Mail von Null lesen, einordnen und tippen. Die Lösung dazwischen heißt Vorsortierung mit Freigabe. Im Fachjargon Human-in-the-Loop, also ein Mensch, der in der Schleife bleibt und das letzte Wort hat.

Schritt 1: Jede Mail wird klassifiziert

Jede eingehende Mail läuft durch einen n8n-Workflow. n8n ist ein Automatisierungswerkzeug, das Systeme über ihre Schnittstellen verbindet, bei uns Gmail, Shopify und die Claude-API, also die Programmierschnittstelle zum Sprachmodell.

Die KI liest die Mail und vergibt zwei Etiketten:

• Kategorie: Retoure, Versandfrage, Produktfrage, Beschwerde, Rechnungsthema oder Spam.
• Dringlichkeit: normal oder dringend. Dringend heißt bei uns: verärgerter Ton, hoher Bestellwert oder zweite Nachfrage zum selben Thema.

Das klingt unspektakulär, ist aber der halbe Gewinn. Die Kategorisierung sitzt so zuverlässig, dass wir sie nicht mehr täglich kontrollieren. Statt eines chaotischen Postfachs sehen wir sortierte Stapel. Beschwerden zuerst, Spam nie.

Der größte Stapel ist übrigens immer derselbe: "Wo ist mein Paket?" macht rund 40 Prozent aller Anfragen aus. Diese Kategorie behandeln wir gesondert, wie im Artikel über WISMO-Anfragen automatisieren beschrieben.

Schritt 2: Die KI schreibt einen Entwurf

Für jede Mail, die kein Spam ist, schreibt die KI einen Antwortentwurf. Dafür bekommt sie Kontext:

• die Bestelldaten des Kunden aus Shopify
• unsere Richtlinien, etwa Rückgabefristen und Kulanzregeln
• eine Sammlung geprüfter Standardantworten als Tonvorlage

Der Entwurf landet nicht beim Kunden. Er landet bei uns, als fertig formulierter Vorschlag direkt an der Mail.

Schritt 3: Ein Mensch gibt frei

Wir lesen den Entwurf, passen ihn an oder schreiben ihn um, und senden dann. Bei Standardfällen dauert das Sekunden. Bei Sonderfällen schreiben wir selbst, aber mit allen Daten schon auf dem Tisch.

Der Effekt in Zahlen, gemessen über unsere Brands:

Die Schreibarbeit ist deutlich weniger geworden, weil wir nur noch prüfen und absenden. Die Zufriedenheit ist gestiegen, keine einzige Beschwerde über zu langsame Antworten seitdem. Kein Kunde bekommt mehr eine gehetzte 22-Uhr-Antwort.

Was schiefging

Jetzt der Teil, der in Agentur-Blogs meistens fehlt. Drei Dinge sind uns um die Ohren geflogen.

Panne 1: Die KI war zu großzügig

In den ersten Wochen hat die KI in Entwürfen Kulanz versprochen, die es bei uns nicht gab. Ein Kunde außerhalb der Rückgabefrist bekam im Entwurf trotzdem eine volle Erstattung angeboten. Das Modell wollte freundlich sein und hat Richtlinien großzügig ausgelegt.

Aufgefallen ist es beim Freigeben, also bevor Schaden entstand. Genau dafür ist der Mensch in der Schleife da. Abgefangen haben wir es so: Die Richtlinien stehen jetzt wörtlich im Prompt, also in der Arbeitsanweisung an das Modell, mit dem Zusatz, dass die KI bei Kulanzfragen keinen Betrag nennen darf. Kulanz entscheidet immer ein Mensch.

Panne 2: Falsche Kunden-Zuordnung

Einmal hat der Workflow eine Mail der falschen Bestellung zugeordnet. Der Kunde hatte von einer anderen Adresse geschrieben als bei der Bestellung, und die Suche griff auf eine Namensähnlichkeit zurück. Der Entwurf enthielt Bestelldaten eines anderen Kunden.

Auch das fiel beim Freigeben auf, war aber ein Warnschuss. Bestelldaten beim falschen Empfänger wären ein Datenschutzproblem. Abgefangen haben wir es so: Die Zuordnung braucht jetzt einen eindeutigen Treffer über E-Mail-Adresse oder Bestellnummer. Bei allem anderen bekommt der Entwurf statt der Bestelldaten den Hinweis "Bestellung nicht eindeutig, bitte manuell prüfen".

Panne 3: Beschwerden klangen nach Roboter

Bei verärgerten Kunden waren die Entwürfe formal korrekt und emotional daneben. Glatte Textbausteine wirken bei echter Wut wie Hohn. Wir haben mehr Zeit mit Umschreiben verbracht als eine eigene Antwort gekostet hätte.

Abgefangen haben wir es so: Bei erkannter Beschwerde mit negativem Ton schreibt die KI gar keinen Entwurf mehr. Die Mail wird nur markiert und priorisiert, geantwortet wird von Hand. Was KI im Support generell kann und was nicht, hat Damian in AI im Kundenservice: Was wirklich funktioniert aufgeschrieben. Unsere Erfahrung deckt sich damit komplett.

Der Technik-Teil, kurz und konkret

Für die, die es nachbauen wollen, unser Stack:

• Gmail als Postfach, angebunden über die Gmail-API, also die Programmierschnittstelle für den automatischen Zugriff auf Mails.
• n8n als Steuerzentrale, bei uns selbst gehostet auf einem kleinen Server. Dort liegt der komplette Ablauf: Mail holen, klassifizieren, Daten anreichern, Entwurf ablegen.
• Shopify-API für Bestelldaten und Fulfillment-Status.
• Claude über die API für Klassifizierung und Entwürfe. Wir nutzen zwei getrennte Aufrufe: einen kleinen, schnellen für die Kategorie, einen gründlicheren für den Entwurf. Das spart Kosten, weil Spam und Standardfälle nie durch das teure Modell laufen.
• Slack für dringende Fälle. Eine als dringend markierte Beschwerde wartet nicht im Postfach, sie pingt uns an.

Die laufenden Kosten sind überschaubar: ein kleiner Server plus API-Kosten je nach Volumen, zusammen eine niedrige zweistellige Summe pro Monat. Der eigentliche Preis ist die Aufbauzeit, nicht der Betrieb.

Ein Detail noch, das uns viel Ärger erspart hat: Jeder KI-Aufruf wird geloggt, also mit Eingabe und Ausgabe gespeichert. Wenn ein Entwurf komisch ist, sehen wir, was das Modell gesehen hat. Ohne diese Protokolle ist jede Fehlersuche Raterei.

Die Grenzen des Setups

Damit du das richtig einordnest, drei Einschränkungen.

Es ist keine Vollautomatisierung. Ein Mensch liest weiterhin jede Antwort vor dem Senden. Das ist Absicht, kostet aber täglich Zeit. Wer null Aufwand erwartet, wird enttäuscht.

Der Aufbau hat gedauert. Prompts schreiben, Richtlinien sauber dokumentieren, Pannen ausbügeln: Das waren mehrere Wochen Iteration, keine Wochenend-Installation. Vor allem die Richtlinien-Doku hat uns überrascht. Die KI kann nur wissen, was irgendwo steht.

Es braucht laufende Pflege. Wir prüfen monatlich stichprobenartig die Klassifizierungen und Entwürfe. Neue Produkte, neue Aktionen, neue Fragen: Ohne Pflege wird jede KI-Sortierung langsam schlechter.

Für wen sich das lohnt

Ab etwa 100 Anfragen pro Woche rechnet sich der Aufbau schnell. Darunter würde ich erst mit einer guten Vorlagen-Bibliothek arbeiten und die KI später dazunehmen. Und wenn dein eigentliches Problem die schiere Menge an Statusfragen ist, starte dort: Der Guide zum Automatisieren des Kundenservice zeigt die ganze Landkarte.

Fazit

Vorsortieren statt vollautomatisch antworten: Das ist der Kern unseres Setups bei nano. Die KI übernimmt Lesen, Einordnen und den ersten Entwurf. Der Mensch behält die Entscheidung. Die drei Pannen haben uns gezeigt, warum genau diese Reihenfolge richtig ist. Jede davon wäre als vollautomatische Antwort beim Kunden gelandet.

Wenn du so ein Setup für deinen Shop willst, oder erst mal wissen willst, ob es sich bei deinem Volumen lohnt: Schreib uns bei Flowhouse. Wir zeigen dir gerne, wie das bei nano konkret läuft.