Vai al contenuto
Simoneiasimoneia.it
Sistemi · ART-004

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.