Jak AI klasyfikuje e-maile firmowe: które trafiają do działu, które dostają autoresponder, a które czekają na człowieka?

Model AI analizuje treść każdej przychodzącej wiadomości i w ciągu sekund przypisuje ją do zdefiniowanej kategorii: reklamacja, pytanie handlowe, faktura, spam albo inny typ, który regularnie wpada na biurową skrzynkę. Na tej podstawie e-mail trafia automatycznie do odpowiedniej skrzynki działowej, dostaje gotową odpowiedź albo ląduje w kolejce dla konkretnej osoby. Przy dobrze ustawionym schemacie zdecydowana większość codziennej korespondencji obsługiwana jest bez angażowania pracownika.

Jak wygląda cały schemat od przychodzącego e-maila do reakcji?

Wiadomość trafia na firmowy serwer pocztowy, na przykład Exchange, Postfix albo dowolny serwer obsługujący IMAP. Stamtąd agent AI pobiera ją automatycznie, zaraz po dostarczeniu. Czyta temat, treść wiadomości i metadane: adres nadawcy, domenę, obecność załączników. Wszystko to trafia do modelu językowego.

Model zwraca jedną etykietę. Nie analizę, nie listę prawdopodobieństw: jedną konkretną etykietę kategorii. Reklamacja. Faktura. Pytanie handlowe. Ta etykieta decyduje, co stanie się z e-mailem w następnym kroku.

Cały przepływ obsługuje n8n, otwarty silnik do automatyzacji procesów, który można postawić na własnym serwerze. Każda kategoria ma osobną gałąź workflow: reklamacja uruchamia jeden zestaw kroków, faktura inny, pytanie handlowe jeszcze inny. Zmiana reguły to edycja jednego węzła, nie przepisywanie logiki od zera.

Istotne: cały schemat może zamknąć się w infrastrukturze firmy. Żaden e-mail nie opuszcza sieci, jeśli tego nie chcesz. Do kwestii RODO wrócimy w osobnej sekcji, bo dla części firm to jest właśnie ten argument, który odblokuje całe wdrożenie.

Jakie kategorie warto zdefiniować na start?

Większość biurowych skrzynek daje się opisać kilkoma grupami. Zestaw startowy, który sprawdza się w typowych firmach handlowo-usługowych:

• Reklamacja lub zgłoszenie usterki: klient pisze, że coś nie działa, przesyłka nie dotarła, produkt jest wadliwy, usługa nie spełniła oczekiwań
• Pytanie handlowe lub zapytanie ofertowe: ktoś prosi o wycenę, pyta o dostępność, chce warunki współpracy albo próbki
• Faktura lub dokument finansowy: wpada PDF z numerem FV, nota korygująca, wezwanie do zapłaty, potwierdzenie przelewu
• Korespondencja kadrowa: zwolnienie lekarskie L4, wniosek urlopowy, pytanie o treść umowy o pracę
• Spam i niechciany marketing: masowe wysyłki, oferty od niezamówionych dostawców, phishing
• Nierozpoznane: model nie jest pewny i przekazuje wiadomość człowiekowi z informacją o niskim współczynniku pewności

U jednego z klientów, firmy z branży budowlanej, zaczęliśmy od czterech kategorii. Ponad połowa e-maili lądowała w "nierozpoznane", bo schemat był zbyt ogólny. Zamówienia materiałów, potwierdzenia dostaw i korespondencja z podwykonawcami wyglądają podobnie powierzchownie, więc model gubił się bez bardziej szczegółowych etykiet. Dopiero po zmapowaniu dwóch miesięcy realnej korespondencji i wyodrębnieniu ośmiu kategorii system zaczął działać stabilnie. Warto poświęcić czas na ten etap, zanim się ustawi pierwszą regułę automatyczną.

Który e-mail dostaje autoresponder, który trafia do działu, a który czeka na człowieka?

Podział, który obserwujemy po wdrożeniach, wygląda mniej więcej tak, przy czym proporcje zależą od branży:

Około sześćdziesięciu procent wiadomości to korespondencja rutynowa. Prośby o fakturę VAT, pytania o status zamówienia, potwierdzenia odbioru, standardowe wnioski o dokumenty, pytania o godziny pracy. Te obsługuje autoresponder z gotowym szablonem albo workflow, który pobiera aktualne dane z systemu i odsyła odpowiedź z konkretnymi informacjami. Pracownik nie musi nawet wiedzieć, że e-mail przyszedł.

Mniej więcej dwadzieścia pięć procent wymaga działania konkretnego działu, ale bez osobistej decyzji managera. Pytanie handlowe trafia na skrzynkę handlową, faktura do finansów, zgłoszenie serwisowe do helpdesku. AI sortuje i ewentualnie zakłada zgłoszenie w odpowiednim systemie: CRM, ticketing, arkusz.

Pozostałe piętnaście procent to wiadomości, których nie warto obsługiwać automatycznie. Eskalacja od ważnego klienta, wiadomość z treścią prawną, coś niejednoznacznego, co model oznaczył niskim współczynnikiem pewności. Te trafiają bezpośrednio do wskazanej osoby z wyróżnieniem w temacie lub powiadomieniem przez Slack, że czekają na uwagę.

Firma e-commerce z powtarzalną korespondencją obsługową będzie miała więcej rutyny niż kancelaria prawna. Ale trójpodział: autoresponder, dział, człowiek, sprawdza się jako punkt wyjścia niemal niezależnie od branży.

Jak AI łączy się z n8n i co się dzieje w każdej gałęzi workflow?

n8n pełni rolę centralnego rozdzielacza. Klasyfikacja AI zwraca etykietę, a n8n na jej podstawie uruchamia konkretną sekwencję kroków. Każda kategoria to osobna gałąź z przypisanym zestawem akcji. Kilka przykładów z działających wdrożeń:

• Reklamacja: założenie zgłoszenia w CRM z automatycznie wypełnionym polem "źródło: e-mail", przypisanie opiekuna według klucza rotacyjnego, wysłanie autorespondera z numerem zgłoszenia, powiadomienie na Slacku dla kierownika obsługi
• Faktura: przekierowanie do folderu IMAP "Do zaksięgowania", powiadomienie do księgowości, opcjonalnie: wyciągnięcie numeru faktury, daty i kwoty przez OCR i zapisanie do arkusza kontrolnego
• Pytanie handlowe: przekierowanie na skrzynkę handlową, dodanie kontaktu do CRM jeśli nadawca jest nowy, powiadomienie przypisanego handlowca z treścią wiadomości w podglądzie
• Spam: przeniesienie do folderu spam, brak powiadomień, opcjonalnie: automatyczna blokada domeny nadawcy po trzecim trafieniu

Zmiana reguły, na przykład nowy szablon autorespondera albo inny opiekun dla danej kategorii, wymaga edycji jednego węzła w n8n. Nie ma potrzeby angażowania programisty przy każdej korekcie operacyjnej. To ważne, bo w pierwszych tygodniach takich korekt jest sporo.

RODO a klasyfikacja e-maili: dlaczego model lokalny to nie kompromis

Standardowe narzędzia AI do poczty, czy to plug-iny do Gmaila, czy do Outlooka, wysyłają treść wiadomości do zewnętrznych serwerów w celu przetworzenia. Dla firm z branży prawnej, finansowej, medycznej albo HR to konkretny problem. E-mail firmowy może zawierać dane wrażliwe: warunki ugody, wynagrodzenie pracownika, diagnozę pacjenta, treść pełnomocnictwa. Przesłanie takiej wiadomości do zewnętrznego API klasyfikującego to co najmniej szara strefa z perspektywy RODO i umów o poufności z klientami.

Przy lokalnym modelu językowym postawionym na serwerze firmy treść e-maila nie opuszcza infrastruktury. Model analizuje wiadomości wewnątrz sieci firmowej, przypisuje etykietę i zapisuje tylko tę etykietę, nie treść. Żadne dane nie trafiają do zewnętrznego dostawcy.

Mamy klientów z kancelarii prawnych i firm świadczących usługi finansowe, którzy przez lata nie mogli wdrożyć żadnego narzędzia do automatyzacji poczty. Dopiero kiedy zobaczyli, że cały przepływ zamknięty jest na ich własnym serwerze, temat ruszył. Lokalne modele z rodziny Mistral lub Llama dają wystarczającą jakość klasyfikacji dla zdecydowanej większości firmowych zastosowań. Przy czystym zadaniu klasyfikacyjnym, gdzie model wybiera etykietę z zamkniętej listy, różnica względem dużych modeli chmurowych jest minimalna.

Umowa powierzenia przetwarzania danych jest dużo łatwiejsza do skonstruowania, gdy podmiotem przetwarzającym jest własna infrastruktura. Ten argument pojawia się coraz częściej w przetargach i zapytaniach ofertowych, szczególnie w sektorze publicznym, finansach i ochronie zdrowia.

Od czego zaczynamy, jeśli firma chce wdrożyć klasyfikację e-maili AI?

Pierwsze pytanie brzmi: jakie typy e-maili regularnie wpływają i które z nich pochłaniają najwięcej czasu? To mapowanie wyznacza zakres pierwszego etapu i listę kategorii, od których warto zacząć.

Następny krok to zebranie próbki: kilkadziesiąt albo kilkaset e-maili z przypisanymi ręcznie etykietami kategorii. Ten zestaw służy jako materiał do konfiguracji modelu i testu jakości klasyfikacji przed uruchomieniem produkcyjnym. Bez takiej próbki trudno ocenić, gdzie model popełnia błędy.

Potem uruchamiamy workflow w n8n i testujemy na realnym ruchu. Typowo pierwsze dwa, trzy tygodnie to czas korekt: kategorie za szerokie, kategorie nakładające się, wiadomości, które model konsekwentnie błędnie klasyfikuje ze względu na niestandardowy język klientów. Po tym okresie schemat stabilizuje się i zaczyna działać bez bieżącej interwencji.

Jeśli chcesz zobaczyć, które e-maile w Twojej firmie nadają się do automatyzacji już teraz, zacznij od bezpłatnego audytu. Przeprowadzimy mapowanie korespondencji i pokażemy, jak mógłby wyglądać schemat dla Waszej skrzynki. Możesz też zajrzeć na realne wdrożenia i sprawdzić, jak automatyczna obsługa korespondencji AI działa u firm z podobnych branż.