Wie automatisiere ich Kundenanfragen?

Schritt-für-Schritt: Kundenanfragen automatisieren

1. 01

   Anfrage-Quellen inventarisieren

   Ziel: Verstehen, wo überall Anfragen reinkommen — und in welcher Form.

   Bevor du Automation baust, brauchst du eine ehrliche Liste aller Kanäle. Typische Quellen bei DACH-KMU: Outlook-Inbox(en) (oft mehrere — info@, kontakt@, vertrieb@), Website-Kontaktformulare, WhatsApp-Business-Account, LinkedIn-DMs, Telefonnotizen, gelegentlich Faxe (Kanzleien, Behörden).

   Erfasse pro Kanal: durchschnittliche Anfragen/Woche, typische Bearbeitungszeit, wer aktuell zuständig ist, ob Anfragen DSGVO-sensitiv sind (PII, Vertragsdaten). Diese Liste wird die Grundlage für Step 2 und definiert den Scope deiner ersten Automation.

   Dauer: 1-2 Werktage

   Tools: Outlook · WhatsApp Business · LinkedIn

2. 02

   Klassifizierungs-Kategorien festlegen

   Ziel: Definieren, in welche Buckets Anfragen sortiert werden müssen, damit Routing möglich wird.

   Schau dir 100 echte Anfragen der letzten 4 Wochen an und gruppiere sie. Typisches Set: (1) Neukundenanfrage, (2) Bestandskunden-Support, (3) Angebotsanfrage konkret, (4) allgemeine Info-Anfrage, (5) Rechnungsfrage, (6) Beschwerde/Eskalation, (7) Spam/irrelevant.

   Pro Kategorie definierst du: Welche Person/Abteilung übernimmt? Welche SLA gilt (Antwort innerhalb 4 h, 1 Werktag, 3 Werktage)? Welche Standard-Antwort-Vorlage existiert bereits? Diese Mapping wird in Schritt 5 zum Routing-Tree.

   Dauer: 1 Werktag

   Tools: Excel oder Notion für Mapping-Tabelle

3. 03

   Tool-Stack entscheiden

   Ziel: Entscheiden, mit welchen Bausteinen du die Automation aufbaust — DSGVO-konform, EU-hosted, kein Vendor-Lock-in.

   Empfohlener Stack für DACH-KMU: Outlook 365 (Mail-Quelle) + n8n self-hosted auf Hetzner Wien oder Falkenstein (Workflow-Engine) + Claude API von Anthropic oder GPT-4 API von OpenAI (Klassifizierung) + Pipedrive (CRM-Ziel) + Microsoft Teams oder Slack (Eskalations-Channel).

   Warum n8n self-hosted statt Make oder Zapier: Daten verlassen die EU nicht, du zahlst keine Per-Execution-Credits, du behältst die volle Kontrolle über Workflow-Logik. Vergleichsdetails siehe /vergleich/n8n-vs-make. Microsoft Teams + Outlook stellst du via Microsoft Graph API an, nicht via Email-Forwarding-Tricks.

   Dauer: 2-3 Werktage Setup

   Tools: n8n self-hosted · Hetzner Wien/Falkenstein · Claude API oder GPT-4 · Pipedrive · Microsoft Graph API

4. 04

   Klassifizierungs-Prompt entwickeln und testen

   Ziel: LLM beibringen, eingehende Mails zuverlässig in die Kategorien aus Schritt 2 zu sortieren.

   Der Prompt enthält: Liste der Kategorien aus Schritt 2 mit konkreten Beispielen je Kategorie, Anweisung Output als strukturiertes JSON zu liefern (category + confidence + extracted_entities), Edge-Case-Anweisungen (Mehrfach-Kategorien, mehrsprachige Anfragen, signature-Block ignorieren).

   Teste den Prompt mit den 100 echten Anfragen aus Schritt 2. Ziel: ≥90 % Treffergenauigkeit bei high-confidence (>0.85) Klassifizierungen. Bei eecs-green und der Vergaberecht-Kanzlei (referenz-cases) liegt die Live-Genauigkeit aktuell bei 95-97 %. Bei <90 % schärfst du den Prompt nach oder reduzierst Kategorien.

   Dauer: 2-3 Werktage Iteration

   Tools: Claude oder GPT Playground für Iteration · JSON-Schema-Validator

5. 05

   Routing-Workflow in n8n bauen

   Ziel: End-to-End-Workflow von Mail-Eingang bis Routing-Aktion implementieren.

   Workflow-Struktur in n8n: (a) Microsoft Outlook Trigger Node lauscht auf neue Mails, (b) HTTP Request Node ruft Claude oder GPT API mit dem Klassifizierungs-Prompt, (c) Switch Node routet basierend auf category, (d) je Branch eine Aktion: Pipedrive Lead anlegen + Slack/Teams-Notification + ggf. Auto-Reply mit Empfangsbestätigung, (e) Fallback-Branch für low-confidence-Fälle → manuelle Triage-Inbox.

   Wichtig: Logging-Node, der jeden Workflow-Run mit Input + Output + Confidence in eine Postgres-DB oder n8n-internen Workflow-Storage schreibt. Das brauchst du für (1) DSGVO-Audit-Trail, (2) Prompt-Verbesserung in Schritt 7, (3) Monitoring der Live-Genauigkeit.

   Dauer: 3-5 Werktage Build + Test

   Tools: n8n Editor · Microsoft Outlook Node · HTTP Request Node · Switch Node · Pipedrive Node · Slack/Teams Node

6. 06

   Shadow-Mode und Live-Rollout

   Ziel: Workflow risikoarm einführen — erst beobachten, dann scharf schalten.

   Shadow-Mode (Woche 1 live): Workflow läuft auf jede neue Mail, schreibt Klassifizierung ins Log, sendet KEINE automatischen Aktionen. Das Team bearbeitet weiter manuell. Du vergleichst LLM-Klassifizierung vs. manuelle Bearbeitung — Differenzen sind echte Schwachstellen, nicht Theorie.

   Live-Rollout (Woche 2-3): Bei ≥90 % Match-Rate aktivierst du erst die niedrigrisiko-Aktionen (Notification an Team, Auto-Reply mit Bestätigung). Routing in Pipedrive folgt in Woche 3, wenn das Team Vertrauen aufgebaut hat. Eskalations-Mails (Beschwerde, Vertragskündigung) bleiben in der manuellen Triage-Inbox — automatische Aktionen hier wären Reputations-Risiko.

   Dauer: Woche 1: Shadow · Woche 2-3: Stufenweise Live

   Tools: n8n Workflow-Versionierung · Diff-Report Excel oder Notion

7. 07

   Monitoring und kontinuierliche Verbesserung

   Ziel: Sicherstellen, dass die Genauigkeit über Zeit nicht erodiert und neue Anfragen-Typen erkannt werden.

   Wöchentliches 15-Minuten-Review: Wie viele Mails wurden klassifiziert? Welche Kategorien dominieren? Wie viele low-confidence Cases? Hat sich die Match-Rate vs. Shadow-Baseline verändert? Niedrige Match-Rate → meist neuer Anfrage-Typ, der nicht im Original-Prompt war.

   Monatlicher Prompt-Refresh: Neue Edge-Cases aus dem Log integrierst du in den Klassifizierungs-Prompt. Bei der Vergaberecht-Kanzlei wird der Prompt alle 2 Monate angepasst — Vergabe-Ausschreibungen sind saisonal verschieden formuliert. Klassifizierungs-Genauigkeit bleibt dadurch konstant bei 95-97 %.

   Dauer: Laufend: 1 h/Woche · 4 h/Monat

   Tools: n8n Workflow-Stats · Log-Aggregation (Postgres oder ELK) · Prompt-Versionskontrolle

Häufige Fragen zur Kundenanfragen-Automatisierung