Einen E-Mail-Agenten erstellen: Eine Reise in die Automatisierung

Der KI-Agent muss E-Mails senden. Nicht weiterleiten, nicht zusammenfassen — tatsächlich verfassen und senden, basierend auf dem Kontext. Ein Kunde schreibt wegen einer verspäteten Bestellung? Der Agent sollte den Bestellstatus überprüfen, eine angemessene Antwort entwerfen und sie senden (oder zur Genehmigung in eine Warteschlange stellen).

Der Aufbau hat mich drei Iterationen gekostet. Die erste war peinlich schlecht. Die zweite funktionierte, war aber gruselig. Die dritte ist das, was ich tatsächlich benutze.

Iteration 1: Der Überzeugte E-Mail-Bot

Mein erster Versuch gab dem Agenten vollen E-Mail-Zugriff mit einfachen Anweisungen: “Überwache den Posteingang, antworte auf Kunden-E-Mails basierend auf dem Kontext.” Technisch funktionierte es — er las E-Mails, generierte Antworten und versendete sie.

Das Problem: Er sendete eine Antwort auf eine wütende Kundenbeschwerde, die mit “Ich verstehe Ihren Frust.” begann. Der Kunde war nicht frustriert — sie war leicht verärgert über eine kleine Abweichung bei der Rechnungsstellung. Der Agent eskalierte ein geringfügiges Problem in eine emotionale Reaktion, die den Kunden tatsächlich frustriert machte.

Fazit: KI-Agenten sind schlecht im Lesen emotionaler Töne in E-Mails. Sie neigen zur dramatischsten Interpretation und antworten entsprechend.

Iteration 2: Der Übervorsichtige E-Mail-Bot

Nach dem ersten Desaster schwenkte ich zu weit in die andere Richtung. Der Agent entwarf E-Mails, versendete sie aber nie — alles ging in eine Genehmigungswarteschlange. Ich musste jede einzelne Antwort überprüfen und genehmigen.

Das erzeugte mehr Arbeit, als es manuell zu erledigen. Anstatt die E-Mail zu lesen und eine Antwort zu schreiben, las ich die E-Mail, las den Entwurf des Agenten, entschied, ob der Entwurf angemessen war, bearbeitete ihn 60 % der Zeit und genehmigte ihn dann. Was Zeit sparen sollte, wurde zu einem zusätzlichen Schritt.

Fazit: Eine Genehmigungswarteschlange für jede E-Mail verfehlt den Zweck. Man braucht selektive Automatisierung.

Iteration 3: Was Tatsächlich Funktioniert

Das aktuelle System kategorisiert eingehende E-Mails und behandelt jede Kategorie unterschiedlich:

Kategorie A: Routine und sicher (automatisch antworten). Meeting-Bestätigungen, Empfangsbestätigungen, einfache Informationsanfragen mit klaren Antworten. Der Agent antwortet automatisch. Diese machen etwa 40 % der eingehenden E-Mails aus und sind fast unmöglich zu vermasseln.

Kategorie B: Standard, aber nuanciert (Entwurf + Genehmigung). Kundenfragen, die das Überprüfen von Daten erfordern, Folgeanfragen, moderat komplexe Anfragen. Der Agent entwirft eine Antwort, fügt den relevanten Kontext (Bestellstatus, Kontodetails) hinzu und stellt sie in meine Genehmigungswarteschlange. Ich überprüfe und sende mit einem Klick. In der Regel sind keine Änderungen erforderlich. Etwa 45 % der E-Mails.

Kategorie C: Sensibel (nur markieren). Beschwerden, rechtliche Erwähnungen, finanzielle Streitigkeiten, alles von einem wichtigen Kontakt. Der Agent markiert diese zur persönlichen Aufmerksamkeit und entwirft keine Antwort. Etwa 15 % der E-Mails.

Das Klassifizierungssystem

Die Kategorisierung basiert auf einer Reihe von Regeln in den Anweisungen des Agenten:

– Enthält Wörter wie “stornieren,” “Rückerstattung,” “Rechtsanwalt,” “enttäuscht” → Kategorie C
– Von einer VIP-Kontaktliste → Kategorie C
– Einfache Frage mit einer faktischen Antwort → Kategorie A
– Alles andere → Kategorie B

Dieser regelbasierte Ansatz ist zuverlässiger als die KI zu fragen, “wie wichtig diese E-Mail ist.” Das Urteil der KI über die Wichtigkeit von E-Mails ist inkonsistent. Einfache Regeln sind vorhersehbar und fehlerbereinigbar.

Der Ansatz Mit E-Mail-Vorlagen

Für die automatischen Antworten der Kategorie A lasse ich den Agenten nicht frei schreiben. Stattdessen stelle ich Antwortvorlagen mit Variablen zur Verfügung:

“Meeting-Bestätigung: Hi [Name], bestätigt für [Datum] um [Uhrzeit]. Bis dann.”

Der Agent füllt die Variablen basierend auf dem E-Mail-Kontext aus. Das eliminiert das Risiko, dass der Agent in automatischen Antworten etwas Unerwartetes sagt. Langweilig? Ja. Zuverlässig? Vollkommen.

Für die Entwürfe der Kategorie B hat der Agent mehr Freiheit, folgt aber strukturellen Richtlinien: die Frage anerkennen, die relevanten Informationen bereitstellen, nächste Schritte anbieten, professionell abschließen. Die Entwürfe sind durchweg gut, weil die Struktur auch bei variierendem Inhalt eingeschränkt ist.

Was Ich Über KI und E-Mail Gelernt Habe

KI ist gut in: Informationen aus E-Mails extrahieren (Daten, Namen, Anfragen), relevante Daten (Bestellstatus, Kontohistorie) nachschlagen und strukturell einwandfreie Antworten generieren.

KI ist schlecht in: Emotionale Feinheiten lesen, Beziehungen und Politik verstehen, zu wissen, wann man jemanden in CC setzen sollte, und das richtige Maß an Formalität für einen bestimmten Empfänger zu entscheiden.

Die ideale Aufteilung: Lass die KI die Informationsverarbeitung übernehmen (worum geht es in dieser E-Mail? Welche Daten sind relevant?) und das Entwerfen (eine Antwort mit diesen Fakten schreiben). Halte den Menschen im Loop für Ton, Urteil und Send-/Nicht-Send-Entscheidungen bei allem, was über routinemäßige Korrespondenz hinausgeht.

Die Zahlen

Vor dem E-Mail-Agenten: Ich verbringe etwa 90 Minuten pro Tag mit E-Mails.
Nach dem E-Mail-Agenten: etwa 35 Minuten pro Tag.

Die 55 Minuten Einsparung stammen von: automatischen Antworten, die routinemäßige E-Mails bearbeiten (20 Minuten eingespart), schnelleren Entwurf-Bewertungen im Vergleich zum Schreiben von Grund auf (25 Minuten eingespart) und dem Vorladen von Kontext, sodass ich nicht manuell nachschlagen muss (10 Minuten eingespart).

Das sind 4,5 Stunden pro Woche, die zurückgewonnen wurden. Für 0,20 $/Tag an API-Kosten ist es eine der automatisierten Lösungen mit dem höchsten ROI, die ich entwickelt habe.

🕒 Published: March 27, 2026