Spam mit KI bekämpfen: Wenn klassische Filter nicht reichen

Ich nutze Fastmail seit Jahren. Ein hervorragender Dienst, vernünftige Preise, keine Werbung, kein Tracking. Aber der Spamfilter? Wahnsinnig unzuverlässig.

Das Problem ist nicht der klassische Spam. Den fängt Fastmail größtenteils problemlos. Falsche DKIM/SPF-Einträge? Blockiert. Domains auf der Blacklist? Gefiltert. Das klappt alles.

Das Problem ist alles andere, was durchrutscht. Eine Phishing-Mail von einer echten gmail.com-Adresse, die sich als Netflix ausgibt. Eine Marketingkampagne von irgendeiner Firma, von der ich noch nie gehört habe und die irgendwie an meine Adresse gekommen ist. Die bestehen alle technischen Prüfungen, saubere Authentifizierung, einwandfreier Ruf des Absenders, und trotzdem sind sie unerwünschter Müll, der meinen Posteingang verstopft.

Das moderne Spamproblem

Das landet regelmäßig bei mir:

„Wir haben Ihre Website neu gestaltet”-Spam von scheinbar seriösen Agenturen
SEO-Firmen, die versprechen, mein Ranking zu verbessern
Marketing-Mails, die ich garantiert nie abonniert habe
Newsletter-Spam, der professionell gestaltet und völlig irrelevant ist

Das löst keine klassischen Spamfilter aus. Die Mails kommen von gültigen Domains oder sogar von gmail.com- und outlook.com-Adressen. Sie haben korrekte SPF- und DKIM-Einträge. Die Grammatik stimmt. Nach allen technischen Maßstäben sind es legitime E-Mails, nur eben komplett unerwünscht.

Und jetzt wird es interessant: 89 Prozent der schädlichen E-Mails umgehen die Authentifizierung per SPF, DKIM und DMARC¹. Diese Protokolle sollten E-Mail-Betrug lösen, aber Spammer haben sich angepasst. Sie nutzen jetzt legitime Infrastruktur.

Was wirklich gefiltert werden muss

Es geht nicht nur um „weniger Spam”. Es ist differenzierter:

Phishing: Betrügerische E-Mails mit Links, die nicht zur angeblichen Marke passen. Ich bekomme einen stetigen Strom gefälschter „Netflix”- und „Spotify”-Mails, die mich bitten, Zahlungsdaten zu aktualisieren. Die werden besser: saubere Formatierung, überzeugende Sprache, Domains, die fast richtig aussehen. Klassische Filter erwischen einige, aber die raffinierten kommen durch. Fastmail fängt die überhaupt nicht ab.

Klassischer Spam: Domain-Spoofing, bei dem die Mail vorgibt, von einer Domain zu kommen, aber von einer anderen stammt. SPF/DKIM-Prüfungen fangen das leicht genug ab. Nicht das eigentliche Problem.

Junk: Hier bricht alles zusammen. Legitim wirkende Mails von echten Domains, tatsächlichen gmail.com- oder outlook.com-Adressen, die einfach unverlangter Marketingmüll sind. „Uns ist aufgefallen, dass Ihre Website eine Überarbeitung braucht.” „Wir kümmern uns um Ihr SEO.” „Exklusives Angebot für Unternehmer.” Sie bestehen die Authentifizierung, weil sie von echter Infrastruktur verschickt werden. Sie sind grammatikalisch korrekt. Sie sehen professionell aus. Aber ich habe sie nie angefordert, nie abonniert, und sie verstopfen meinen Posteingang. Das braucht eine Analyse des Inhalts, nicht nur der Header.

Die Zahlen erzählen die Geschichte

Das Ausmaß ist enorm. Rund 47 Prozent des gesamten E-Mail-Verkehrs sind Spam, Stand 2024². Das sind 160 Milliarden Spam-Mails jeden Tag weltweit³. Allein Gmail blockiert 15 Milliarden Spam-Mails täglich mit KI-gestützten Filtern und kommt auf eine Trefferquote von 99,9 Prozent⁴.

Aber jetzt kommt der Haken: Google hat 2024 265 Milliarden nicht authentifizierte Mails blockiert⁵, weil die leicht zu erkennen sind. Der authentifizierte Spam? Der ist schwerer zu fassen.

Nur 33,4 Prozent der Top-1-Million-Domains haben DMARC-Einträge, und davon nutzen 57,2 Prozent die zahnlose Richtlinie p=none, die gar nichts bewirkt⁶. Das heißt, 85,7 Prozent der Domains haben keinen wirksamen DMARC-Schutz. Spammer wissen das und nutzen es gnadenlos aus.

Aber jetzt kommt der Haken: 89 Prozent der schädlichen E-Mails umgehen die Authentifizierung per SPF, DKIM und DMARC¹. Diese Protokolle sollten E-Mail-Betrug lösen, aber Spammer haben sich angepasst. Sie nutzen jetzt legitime Infrastruktur.

Die Zahlen sind ernüchternd. Schaut man, was tatsächlich durchkommt, erzählt die Aufschlüsselung des Spams eine interessante Geschichte:

Fastmails Ansatz (und warum er nicht reicht)

Fastmail setzt SpamAssassin in Kombination mit dem eigenen Vade-Inhaltsfilter ein⁷. Ein solides Setup. SpamAssassin gibt es ewig und es funktioniert gut gegen klassischen Spam. Der Vade-Filter ergänzt Mustererkennung und aktualisiert seine Regeln laufend anhand aktueller Bedrohungen.

Aber hier hakt es: Die Lernfunktion ist verkehrt herum. Nutzt du einen Mail-Client wie iOS Mail, kannst du nicht einfach auf „Spam” tippen, um den Filter zu trainieren. Stattdessen musst du⁸:

Einen speziellen Ordner anlegen
In Einstellungen → Ordner „Diesen Ordner täglich scannen und neue Nachrichten lernen” aktivieren
Ihn auf Lernen „als Spam” stellen
Spam von Hand dorthin verschieben

Ich will nicht Fastmails Web-Client benutzen. Ich will ihr Hosting mit meinem eigenen Mail-Client. Bei dieser Reibung trainiere ich ihn am Ende einfach nicht. Und dann wird der Filter nie besser.

Warum KI hier tatsächlich Sinn ergibt

Klassische Spamfilter arbeiten mit Regeln und Mustern. Aber diese Grauzone verlangt, Kontext und Absicht zu verstehen, genau das, worin große Sprachmodelle gut sind.

KI kommt mit Mehrdeutigkeit gut zurecht. Sie kann eine Mail lesen und erkennen, ob es eine echte Geschäftsanfrage ist oder wieder ein generisches „wir gestalten Ihre Website neu”-Angebot. Sie versteht Dringlichkeitstaktiken, erkennt unpassenden Kontext und bemerkt die Feinheiten, die regelbasierte Systeme übersehen.

Der Bau

Ich wollte die Idee testen, bevor ich mich auf Infrastruktur festlege. Also habe ich ein paar hundert .eml-Dateien aus meinem Fastmail-Posteingang exportiert und einen Test-Harness mit Ollama gebaut, auf dem lokal Llama 3.1 8B läuft.

Der Ablauf hatte zwei Teile:

Manuelles Labeln: Ich bin meine exportierten Mails durchgegangen und habe sie von Hand kategorisiert: persönlich, transaktional, Newsletter, Marketing, Spam, Phishing und so weiter. Das lieferte mir eine Referenz, gegen die ich testen konnte.

Modellbewertung: Ich habe dieselben Mails mit einem sorgfältig formulierten Prompt durch das LLM laufen lassen, der es bat, jede zu kategorisieren und zu bewerten. Dann habe ich die Einstufungen des Modells mit meinen Labels verglichen, um zu sehen, wo es richtig lag und wo nicht.

So konnte ich den Prompt iterativ verbessern, ohne API-Guthaben zu verbrennen oder mich mit Deployment-Aufwand herumzuschlagen. Sobald die Genauigkeit über 85 Prozent und die False Positives unter 5 Prozent lagen, wusste ich, dass sich der Einsatz lohnt.

Die Produktivversion ist ein Cloudflare Worker, der:

Eingehende Mails über Cloudflare Email Routing abfängt
Absender, Betreff und Text extrahiert
Den Inhalt mit @cf/meta/llama-3.1-8b-instruct über Workers AI analysiert
Die Mail kategorisiert und einen Spam-Score (0-10) vergibt
Header ergänzt: X-Wh-Spamscore, X-Wh-Category und X-Wh-Reasoning
Mit intakten Headern an Fastmail weiterleitet

Ich nehme Llama 3.1 8B, weil es schnell ist (Inferenz unter einer Sekunde) und gut genug darin, legitime Kommunikation von Marketingmüll zu unterscheiden.

Kategorien und Bewertung

Die KI sortiert Mails in zehn Typen:

personal: Persönliche Korrespondenz
transactional: Bestellbestätigungen, Passwort-Resets, Quittungen
newsletter: Seriöse Newsletter, die ich abonniert habe
marketing: Werbemails, Verkaufsangebote
social: Benachrichtigungen aus sozialen Netzwerken
automated: Systemmeldungen, Monitoring-Alarme
phishing: Verdacht auf Abgreifen von Zugangsdaten
scam: Schnell-reich-Maschen, dringende Zahlungsaufforderungen
spam: Generische unerwünschte Massenmails
suspicious: Unklare Absicht, aber potenziell schädlich

Spam-Scores reichen von 0-10:

0-2: Saubere, legitime Mail
3-4: Wahrscheinlich legitim, aber kommerziell
5-6: Verdächtige Merkmale
7-8: Wahrscheinlich Phishing oder Scam
9-10: Eindeutige Bedrohung

Erste Ergebnisse

Ich habe das noch nicht produktiv ausgerollt, aber gegen aktuelle Nachrichten in meinem Posteingang laufen lassen, indem ich die Mails aus Mac Mail exportiert habe.

Das sind die vorläufigen Ergebnisse:

Kategorie	Anzahl	Ø Score	False Positives
Personal	326	0,88	1
Transactional	708	0,28	10
Newsletter	462	1,55	2
Marketing	353	2,91	9
Social	272	0,62	9
Automated	163	1,83	9
Phishing	272	9,32	1
Scam	82	8,69	2
Spam	54	7,63	0
Suspicious	27	5,76	2
Gesamt	2.719	-	45

Die Umsetzung

Der Worker übernimmt Abfangen, KI-Analyse und Weiterleitung. Die wichtigsten Merkmale:

Extrahiert den Mailtext sauber (kommt mit Multipart, Base64 und Quoted-Printable klar)
Kürzt aus Performance-Gründen auf 2.500 Zeichen (vollständige Links und Sätze bleiben erhalten)
Ausführliches Prompt Engineering, um die KI-Analyse zu steuern
Robuste Fehlerbehandlung: Fällt die KI aus, leitet er mit sicheren Standardwerten weiter
Validiert die Ausgaben, damit Scores zwischen 0 und 10 bleiben und Kategorien gültig sind

Der Prompt erklärt alle Kategorien, Bewertungsrichtlinien und Warnsignale. Er betont niedrige False-Positive-Raten bei persönlichen und transaktionalen Mails, denn das Letzte, was du willst, ist eine legitime Mail, die als Spam markiert wird.

Einen Schritt zur Erkennung von Prompt-Injection-Angriffen habe ich nicht eingebaut, aber eine kommerzielle Implementierung bräuchte diese Sicherheitsschicht, schätze ich.

Warum das wichtig ist

Google und Yahoo verlangen inzwischen DMARC von Massenversendern (5.000+ Mails am Tag)⁹. Sie erzwingen eine Schwelle von 0,3 Prozent Spam-Beschwerden¹⁰. Authentifizierung ist heute Mindeststandard.

Aber Authentifizierung allein reicht nicht. 89 Prozent der schädlichen E-Mails bestehen die Authentifizierungsprüfungen¹. Spammer nutzen legitime Infrastruktur. Sie kennen die Regeln und spielen innerhalb davon.

Das fehlende Stück ist die Analyse des Inhalts. Zu verstehen, was eine Mail eigentlich erreichen will, nicht nur, woher sie kommt. Hier kommt KI ins Spiel.

Das Repository liegt auf Github: willhackett/email-filtering, mit einer Anleitung, wie du es selbst deployst und gegen deinen eigenen Posteingang testest.

Keepnet, 2025 Phishing Statistics, August 2025 ↩ ↩² ↩³
Mailmodo, 23 Email Spam Statistics to Know in 2025, March 2025 ↩
EmailToolTester, Spam Statistics 2025, October 2024 ↩
SQ Magazine, Email Spam Statistics 2025, September 2025 ↩
Keepnet, 2025 Phishing Statistics, August 2025 ↩
DMARC Checker, SPF, DKIM, and DMARC in 2024: Analyzing the Top 1M Domains, 2024 ↩
Fastmail, Spam filtering ↩
Fastmail, Improving spam protection ↩
PowerDMARC, Google and Yahoo Email Authentication Requirements 2025, August 2025 ↩
Sinch Mailgun, State of email deliverability 2025, 2025 ↩