n8n + GPT: Routing Emaila Biurowego Krok po Kroku

Skrzynka info@firma.pl to czarna dziura każdego biura SMB. 50–150 maili dziennie. Większość to nie pilne sprawy, ale ktoś musi je posortować: oferty do handlowca, faktury do księgowej, reklamacje do menedżera, prośby o termin do recepcji. W praktyce: 60–120 minut dziennie jednej osoby, której kompetencje są warte więcej niż klikanie "przenieś do folderu".

To pierwszy workflow, który stawiamy klientom w ramach Sprint AI · 30 dni. Zwraca się w 2 tygodnie. Działa od 4 godzin po wdrożeniu. Ten artykuł to kompletna instrukcja — node po node, z promptami, kosztami i znanymi pułapkami.

Co Konkretnie Robi Ten Workflow

Wejście: nowy mail trafia na info@firma.pl (IMAP). Wyjście:

• •OFERTA → forward do handlowca + DM w Slack + tag w HubSpot.
• •FAKTURA → folder "Księgowość" + ping do Anny + dopisek do arkusza księgowego.
• •TERMIN → ekstrakcja daty i godziny → automatyczna propozycja w Cal.com.
• •REKLAMACJA → forward do menedżera + ticket w Trello/Linear z severity.
• •PYTANIE INFORMACYJNE → auto-odpowiedź z linkiem do FAQ + kolejka do CS.
• •SPAM/MARKETING → archiwizacja.

Klasyfikator: GPT-4o-mini (~$0.15/1M tokens input). Średni koszt: ~$0.001 na maila. Przy 100 mailach/dziennie to $3/msc — czyli pomijalnie.

Stos Technologiczny

• •n8n — self-hosted na Hetzner CX22 (30 PLN/msc), wersja Community.
• •OpenAI API — model gpt-4o-mini (tańszy niż gpt-4o, w zupełności wystarczy do klasyfikacji).
• •PostgreSQL — n8n trzyma tu egzekucje + dane workflow.
• •IMAP — Gmail/Office365/własny mailserver, wszystkie wspierane.

Jeśli pierwszy raz słyszysz o n8n — zacznij od pillara o n8n + GPT dla polskich firm, gdzie wyjaśniamy, czemu n8n bije Make.com i Zapier kosztowo przy 100+ egzekucjach dziennie.

Krok 1 — IMAP Trigger Node

n8n ma natywny Email Trigger (IMAP) node. Konfiguracja:

Credentials:    info@firma.pl + hasło aplikacji
Host:           imap.gmail.com (lub mailserver klienta)
Port:           993 (SSL)
Mailbox:        INBOX
Polling:        every 1 minute
Action on read: Mark Seen (po przeczytaniu workflow oznacza)

Uwaga praktyczna: dla Gmaila trzeba wygenerować hasło aplikacji (App Password) — nie działa bez 2FA. Dla Office365 użyj OAuth2 zamiast IMAP, bo Microsoft blokuje Basic Auth.

Krok 2 — Preprocessing (Function Node)

Surowy mail z IMAP zawiera HTML, podpisy, threading. Przed wysłaniem do GPT czyszczę:

// Function Node: clean-email
const html = $input.item.json.text || $input.item.json.html || '';
const cleaned = html
  .replace(/<[^>]+>/g, ' ')        // strip HTML
  .replace(/\s+/g, ' ')            // collapse whitespace
  .replace(/On .+ wrote:[\s\S]+/i, '') // strip quoted reply
  .replace(/-- ?\n[\s\S]+/, '')   // strip signature
  .trim()
  .slice(0, 2000);                 // GPT-4o-mini context budget

return [{
  json: {
    from: $input.item.json.from,
    subject: $input.item.json.subject,
    body: cleaned,
    messageId: $input.item.json.messageId,
    receivedAt: new Date().toISOString()
  }
}];

Dlaczego slice na 2000 znaków? Bo dla klasyfikacji GPT-4o-mini nie potrzebuje pełnego maila. Pierwsze 2000 znaków + subject = wystarczy w 99% przypadków, a koszt spada 10×.

Krok 3 — Klasyfikacja OpenAI Node

To serce workflow. Prompt jest structured output JSON, żeby Switch Node mógł routować bez błędów:

{
  "model": "gpt-4o-mini",
  "messages": [
    {
      "role": "system",
      "content": "Jesteś klasyfikatorem maili przychodzących do biura. Zwracasz wyłącznie JSON w formacie: {\"category\": \"OFERTA|FAKTURA|TERMIN|REKLAMACJA|INFORMACYJNE|SPAM\", \"urgency\": \"high|medium|low\", \"language\": \"pl|en|other\", \"summary\": \"max 15 słów\"}. Definicje: OFERTA = pytanie o produkt/usługę/cenę. FAKTURA = załącznik PDF/zapytanie księgowe/przypomnienie płatności. TERMIN = prośba o spotkanie/kalendarz. REKLAMACJA = niezadowolenie/błąd/zwrot. INFORMACYJNE = pytanie ogólne bez intencji kupna. SPAM = newsletter/marketing/phishing."
    },
    {
      "role": "user",
      "content": "Od: {{ $json.from }}\nTemat: {{ $json.subject }}\nTreść: {{ $json.body }}"
    }
  ],
  "response_format": { "type": "json_object" },
  "temperature": 0.1
}

Dlaczego temperature 0.1? Bo klasyfikacja ma być deterministyczna. Wyższe temperature → workflow zaczyna kreatywnie wymyślać kategorie typu "OFERTA-REKLAMACJA" i Switch Node leci w default.

Dlaczego response_format: json_object? Bo bez tego GPT raz na 50 odpowiedzi zwróci JSON owinięty w \\\json ... \\\, co rozbije parser w n8n.

Krok 4 — Switch Node z 6 Wyjściami

Switch routuje na podstawie {{ $json.message.content.category }}:

| Wyjście | Warunek | Następny Node | |---------|---------|---------------| | 0 | category == "OFERTA" | HubSpot + Slack | | 1 | category == "FAKTURA" | Google Sheets + Slack | | 2 | category == "TERMIN" | Cal.com + GPT date extractor | | 3 | category == "REKLAMACJA" | Linear/Trello + Slack | | 4 | category == "INFORMACYJNE" | Gmail auto-reply + CS queue | | 5 | fallback (SPAM/INNE) | Move to archive |

Krok 5 — Branch OFERTA: HubSpot + Slack

Tutaj robi się ciekawie. Drugi GPT call ekstraktuje strukturalnie dane leada:

{
  "model": "gpt-4o-mini",
  "messages": [{
    "role": "user",
    "content": "Z tego maila wyciągnij JSON: {\"company\": \"...\", \"contact_name\": \"...\", \"phone\": \"...\", \"product_interest\": \"...\", \"budget_signal\": \"yes|no|unclear\", \"timeline\": \"...\"}. Treść: {{ $json.body }}"
  }],
  "response_format": { "type": "json_object" }
}

Następnie:

1. 01HubSpot Node → createContact z extraktem + tag source:info-inbox.
2. 02HubSpot Node → createDeal w stage "Inbound Inquiry" przypisany do handlowca z roundrobina.
3. 03Slack Node → DM do handlowca: "Nowy lead od [company]. Interesuje go [product]. Budget signal: [yes/no]. Mail: [link do oryginału]."
4. 04Gmail Node → forward oryginalnego maila do handlowca z zachowanym threading.

Czas reakcji handlowca: z 4 godzin do 30 sekund. Konwersja leadów (statystyki branżowe): pierwsza odpowiedź w 5 min daje 21× wyższą szansę zamknięcia.

Krok 6 — Branch TERMIN: Cal.com Integration

Najbardziej "magiczna" gałąź. Ekstraktor daty:

{
  "messages": [{
    "role": "system",
    "content": "Zwracasz JSON: {\"proposed_date\": \"YYYY-MM-DDTHH:mm\", \"duration_min\": 30|60, \"timezone\": \"Europe/Warsaw\", \"flexibility\": \"firm|flexible\"}. Jeśli klient nie podał konkretnej daty, ustaw proposed_date na null."
  }, {
    "role": "user",
    "content": "Dzisiaj: {{ $now.toISO() }}. Treść: {{ $json.body }}"
  }],
  "response_format": { "type": "json_object" }
}

Dlaczego przekazujemy $now? Bo bez tego GPT halucynuje rok i wpisuje 2024 dla maila z "w przyszłą środę". Z kontekstem aktualnej daty halucynacje spadają do ~2%.

Następnie:

1. 01Jeśli proposed_date != null → Cal.com API sprawdza dostępność.
2. 02Dostępne → utwórz rezerwację + wyślij confirmation do klienta i AM.
3. 03Niedostępne → Gmail auto-reply z linkiem do publicznego booking page Cal.com.

Krok 7 — Logging i Observability

Każda egzekucja workflow loguje się do PostgreSQL:

INSERT INTO email_routing_log
  (message_id, category, urgency, action_taken, latency_ms, cost_cents, created_at)
VALUES (...);

Dashboard w Metabase pokazuje:

• •Średni koszt per mail (powinien być < $0.002).
• •Rozkład kategorii (jeśli FAKTURA > 60% — w workflow brakuje preklasyfikacji po nadawcy).
• •Latencję end-to-end (cel: < 8 sekund od IMAP do akcji).
• •Klasyfikacje "INNE" — to feedback loop do iteracji promptu.

Znane Pułapki i Jak Je Obejść

1. Threading maili. Gdy GPT klasyfikuje pojedynczego maila w wątku, nie zna kontekstu wcześniejszych odpowiedzi. Rozwiązanie: w Function Node dołączaj ostatnie 2 wiadomości w threadzie jako kontekst (In-Reply-To header).

2. Załączniki PDF. Workflow nie czyta załączników domyślnie. Jeśli FAKTURA przychodzi tylko jako PDF bez tekstu w body — dodaj PDF.co lub Tesseract OCR w gałęzi FAKTURA przed zapisem do Sheets.

3. Polskie znaki w GPT response. GPT-4o-mini czasem koduje "ą" jako \u0105. Dodaj JSON.parse(content) w Function Node — automatycznie dekoduje.

4. Rate limity OpenAI. Konto Tier 1 ma 200 RPM dla GPT-4o-mini. Przy 100 mailach/dziennie nie ma problemu. Przy 1000+ — Tier 2 (50$ wpłaty) lub kolejkowanie w Redis.

5. False positives w klasyfikacji SPAM. Reklamacje czasem mają "ofertowy" subject ("Dostałem złą ofertę"). Rozwiązanie: dodaj w prompcie "REKLAMACJA ma pierwszeństwo nad OFERTA jeśli ton jest negatywny."

Koszt 30-Dniowy w Praktyce

| Pozycja | Koszt | |---------|-------| | n8n self-hosted (Hetzner CX22) | 30 PLN | | PostgreSQL (na tym samym serwerze) | 0 PLN | | OpenAI API (100 maili/dziennie × 30 dni × $0.001) | $3 (~12 PLN) | | Cal.com self-hosted (opcjonalnie) | 0 PLN | | Razem | ~42 PLN/msc |

Vs. Make.com Pro dla tego samego workflow: ~$29/msc (limity operacji), nie self-hosted, dane lecą przez chmurę Make. Vs. Zapier Team: $69/msc.

Kiedy Wdrożyć Sam, a Kiedy Zlecić

Wdroż sam jeśli:

• •Masz w zespole kogoś, kto kliknie 5 GodzinTutorial n8n na YouTube.
• •Akceptujesz 1–2 tygodnie iteracji (każdy biuro ma swoje edge cases).
• •100 maili/dziennie to dla Ciebie max obciążenie.

Zleć jeśli:

• •Chcesz workflow + monitoring + dokumentację + handover w 30 dni.
• •Masz mailbox 500+ dziennie i potrzebujesz przemyślanego rate-limitingu.
• •Łączysz to z innymi automatyzacjami (faktury, leady, raporty) — wtedy Sprint AI · 30 dni jest tańszy w skali niż sklejanie pojedynczo.

Podsumowanie

Workflow email routing to najlepszy entry point do automatyzacji biura. Zwraca się szybko, jest mało ryzykowny (zawsze masz oryginał w INBOX), a uwalnia czas, który dotąd ginął na sortowaniu skrzynki.

Stos: n8n + GPT-4o-mini + IMAP. Koszt: ~42 PLN/msc. Oszczędność: 5–7 godzin tygodniowo. ROI: 2 tygodnie.

Chcesz przejść z teorii do działającego workflow w 30 dni? Zobacz Sprint AI albo napisz o wycenę — odpowiadamy w 24h, bez umowy rocznej.