Progettare un sistema di automazione email: architettura e componenti
Come progettare una pipeline email automatizzata: ingestion, classificazione AI, routing, CRM e revisione umana. Guida per responsabili operativi.
15/06/2025 · 8 min di lettura
Un sistema di elaborazione email non è "collegare Gmail a ChatGPT". È una pipeline event-driven con classificazione, routing, persistenza e fallback umano. Questo articolo descrive l'architettura che uso per progetti B2B con 100–500 email operative al giorno.
Per il report completo con metriche, vedi il case study CS-001.
Componenti del sistema
1. Ingestion layer
Opzioni per ricevere email:
- IMAP polling — semplice, adatto a volumi fino a ~300/giorno
- Webhook via servizio intermedio (Mailgun Inbound, SendGrid Parse) — più scalabile
- Microsoft Graph / Gmail API — per tenant enterprise con OAuth
Regola: l'ingestion deve normalizzare ogni messaggio in un payload standard (from, to, subject, body_text, body_html, attachments[], message_id).
2. Classification layer
Il classificatore AI riceve testo pulito e restituisce JSON strutturato:
{
"intent": "fattura | reclamo | richiesta_info | spam | unknown",
"urgency": "alta | media | bassa",
"confidence": 0.92,
"entities": { "cliente": "...", "importo": null }
}
Soglia operativa: sotto 0.75 di confidenza → coda revisione umana. Mai instradare automaticamente decisioni ad alto impatto con confidenza bassa.
3. Routing layer
Switch condizionale basato su intent + urgency:
- Reclamo + urgenza alta → ticket prioritario + Slack immediato
- Fattura → estrazione metadati + archivio contabilità
- Richiesta info → bozze risposta (non invio automatico) → assegnazione commerciale
- Unknown → digest giornaliero al responsabile
4. Persistence layer
Ogni email processata scrive un record:
| Campo | Scopo | |-------|-------| | message_id | Deduplicazione | | classified_at | Audit trail | | intent, confidence | Debug e calibrazione | | assigned_to | Accountability | | status | pending / processed / needs_review |
PostgreSQL o Airtable per MVP. PostgreSQL per produzione.
5. Human review queue
Interfaccia minima (anche Airtable/Notion) dove operatori vedono messaggi sotto soglia, correggono classificazione e il sistema impara dalle correzioni (log per fine-tuning futuro).
Flusso end-to-end
Email → Parse → Classify (AI) → Route → [CRM | DB | Notify] → Log
↓ (low confidence)
Review Queue → Human → Update + Re-route
Metriche da monitorare
- Tasso auto-processed — target 80–90% dopo calibrazione
- Tempo medio triage — prima vs dopo
- False positive rate — su campione settimanale
- Dimensione coda review — alert se > 20 messaggi
Stack tecnico consigliato
- n8n per orchestrazione (vedi guida n8n)
- OpenAI / Anthropic per classificazione (con DPA firmato)
- PostgreSQL per persistenza
- Slack per notifiche operative
Prossimi passi
Mappa il volume email per casella condivisa. Classifica manualmente 50 email campione per intent. Se almeno 3 intent ricorrenti emergono con pattern chiari, il sistema ha senso.
Per implementazione, vedi servizi o contattaci.