# n8n + GPT Routing Emaila Biurowego — Pełny Workflow 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](/uslugi/automatyzacja). 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](/uslugi/n8n), 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:
```javascript // 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:
```json { "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:
```json { "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. HubSpot Node → `createContact` z extraktem + tag `source:info-inbox`. 2. HubSpot Node → `createDeal` w stage "Inbound Inquiry" przypisany do handlowca z roundrobina. 3. Slack Node → DM do handlowca: "Nowy lead od [company]. Interesuje go [product]. Budget signal: [yes/no]. Mail: [link do oryginału]." 4. Gmail 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:
```json { "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. Jeśli `proposed_date` != null → Cal.com API sprawdza dostępność. 2. Dostępne → utwórz rezerwację + wyślij confirmation do klienta i AM. 3. Niedostępne → Gmail auto-reply z linkiem do publicznego booking page Cal.com.
## Krok 7 — Logging i Observability
Każda egzekucja workflow loguje się do PostgreSQL:
```sql 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](/uslugi/automatyzacja) 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](/uslugi/automatyzacja) albo [napisz o wycenę](/kontakt) — odpowiadamy w 24h, bez umowy rocznej.
