KI-Labels für E-Mails in Gmail mit OpenAI
· Von AI Compare
Lassen Sie KI Ihren Posteingang in Vertrieb, Support, Rechnungen und mehr sortieren, mit einem sofort einsetzbaren Prompt.
Was Sie bauen
Eine Automatisierung, die neue Gmail-Nachrichten liest, ein KI-Modell fragt, zu welcher Kategorie jede gehört, und das passende Gmail-Label setzt: zum Beispiel Sales, Support, Invoices, Newsletters, Personal, Needs reply. Sie läuft alle paar Minuten und hält Ihren Posteingang sortiert, ohne dass Sie Filter pflegen müssen.
Das folgt der Idee der n8n-Vorlage „Basic automatic Gmail email labelling with OpenAI and Gmail API“.
Warum KI statt Gmail-Filter
Gmail-Filter erkennen exakte Wörter und Absender. KI versteht die Bedeutung: „Können Sie mir ein Angebot für 50 Stück schicken?“ landet bei Sales, auch ohne das Wort „Angebot“ im Betreff. Der Preis dafür sind geringe Kosten pro E-Mail und gelegentliche Fehler, die Sie mit klaren Label-Beschreibungen reduzieren.
Aufbau des Workflows in n8n
| # | Node | Zweck |
|---|---|---|
| 1 | Gmail Trigger (Abfrage alle 5–15 Min.) | Neue E-Mails im Posteingang |
| 2 | Gmail: Get labels | Label-IDs abrufen (oder fest eintragen) |
| 3 | AI Agent oder Basic LLM Chain + OpenAI Chat Model | E-Mail klassifizieren |
| 4 | Structured Output Parser | Antwort im Format {"labels": ["Sales"]} erzwingen |
| 5 | Gmail: Add Labels | Label-IDs auf die Nachricht anwenden |
Der Klassifizierungs-Prompt
Classify this email into one or more of these labels:
- Sales: questions about buying, pricing, quotes, demos
- Support: problems from existing customers
- Invoices: bills, receipts, payment confirmations
- Newsletters: marketing emails and subscriptions
- Needs reply: a person is waiting for my answer
Return JSON: {"labels": [...]}. Use only these labels.
From: {{ $json.from }}
Subject: {{ $json.subject }}
Body: {{ $json.text.slice(0, 3000) }}
Durch das Kürzen des Textes bleiben die Kosten niedrig. Für eine Klassifizierung reicht meist ein kleines, günstiges Modell. Sie können den Prompt auch auf Deutsch schreiben; die Label-Namen müssen nur exakt mit denen in Gmail übereinstimmen.
Dieselbe Idee in Zapier und Make
- Zapier: Gmail New Email → AI by Zapier oder ChatGPT-Schritt „classify text“ → Paths pro Label → Gmail Add Label. Jede E-Mail verbraucht mehrere Tasks.
- Make: Gmail Watch Emails → OpenAI „Create a completion“ mit JSON-Ausgabe → Router → Gmail Add a Label. Etwa 3–4 Credits pro E-Mail plus KI-Tokens.
- n8n: eine Ausführung pro Abfrage, egal wie viele E-Mails verarbeitet werden (oder kostenlos selbst gehostet), plus KI-Tokens.
Tipps
- Legen Sie die Labels zuerst in Gmail an.
- Beginnen Sie mit 5–7 Labels; mehr Kategorien bedeuten mehr Fehler.
- Nutzen Sie einen Text Classifier-Node statt eines Agenten, wenn Sie die integrierte Klassifizierung von n8n mit einem Ausgang pro Kategorie möchten.
- Protokollieren Sie die Entscheidungen eine Woche lang in einer Tabelle und schärfen Sie die Label-Beschreibungen dort nach, wo das Modell danebenliegt.
- Lassen Sie die KI keine E-Mails archivieren oder löschen, bevor Sie ihren Labels vertrauen.
Verwandte Artikel
- Gmail- und Outlook-Automatisierung
- Lokale LLMs mit Ollama betreiben, um zu klassifizieren, ohne E-Mails an eine externe API zu senden
