Triage en routering
De agent leest inkomende mails, classificeert ze (sales, support, billing, complaint) en stuurt ze door naar de juiste afdeling of inbox. Niemand sorteert nog handmatig.
AI email automation in één dag
Inkomende mail kost tijd. Vragen die teruggeven kunnen, verzoeken die routering nodig hebben, antwoorden die telkens dezelfde basis hebben. Bij OneDayBuild bouwen we in één werkdag een AI-agent die je inbox leest, classificeert en het meeste voorbereidingswerk doet. Mens stuurt de finale acties.
01
/
04
Drie soorten email-automation die we bouwen
Per use case verschilt de juiste vorm. Drie patronen die vaak terugkomen.
Antwoord-voorbereiding
Voor herhalende vragen schrijft de agent een conceptantwoord op basis van je documenten of FAQ. De medewerker controleert en verstuurt. Tijd per mail krimpt drastisch.
Actie-automation
Voor specifieke verzoeken (afspraak verzetten, factuur opvragen, status checken) voert de agent direct de actie uit, vraagt bevestiging waar nodig, en mailt het resultaat terug.
02
/
04
Wat past wel en niet in één dag
Eén werkdag is genoeg voor een werkende email-agent voor één gebruikersgroep en één type taak. Niet voor een complete inbox-vervangende workflow voor de hele organisatie.
Binnen scope
- Eén type email-taak: triage, antwoord, of actie.
- Eén inbox of feed van mails (samen op te zetten).
- Twee tot vier tool-aanroepen (CRM, kalender, ticketing).
- Eval-set van 20 historische mails om kwaliteit te meten.
- Mens-goedkeuring voor versturen, betalen of contract-acties.
Buiten scope
- Volledige inbox-vervanging voor meerdere teams tegelijk.
- Real-time productie-deployment met monitoring en SLA.
- Integratie met legacy mail-servers zonder API.
- Voice-transcriptie of stem-routering.
- GDPR-audit voor productie (apart traject).
03
/
04
Hoe een email-automation-dag verloopt
Vast ritme: scope, koppeling, eval, polish.
-
09:00
Use-case scherp
Welk type mail, welke actie, welke gebruikersgroep? We kiezen 20 voorbeeld-mails uit je historie.
-
10:00
Inbox-koppeling
Verbinding maken met je mail-systeem (Gmail, Outlook, IMAP) in een test-omgeving.
-
11:30
Eerste classificatie/respons
Agent leest de 20 voorbeelden en geeft eerste output. We kijken samen wat klopt en wat niet.
-
13:30
Tool-design en approval
Welke tools mag de agent aanroepen? Welke acties vereisen mens-goedkeuring?
-
15:30
Polish en edge-cases
Boze mails, ambigue mails, spam, mails buiten scope. Hoe gaat de agent ermee om?
-
17:00
Walkthrough en oplevering
Demo op je eigen mails, eval-rapport, plan voor productie-uitrol naar één team.
04
/
04
Eerlijk over email-automation
Vier dingen die we vooraf vertellen.
- Niet alle mail leent zich. Complexe klachten, juridisch gevoelige correspondentie of persoonlijke gesprekken doet een mens beter. We bouwen voor het deel waar volume en herhaling zit.
- Mens-goedkeuring blijft cruciaal bij versturen. We bouwen de agent zo dat het concept klaarstaat maar de mens op verzenden klikt. Volledig autonoom mailen kan, maar pas na productie-validatie.
- GDPR en data-residency vereisen aandacht. We bespreken in de intake of we via cloud-modellen werken of self-hosted Llama op je eigen infrastructuur.
- Het effect zien duurt een paar weken. De agent kost tijd om bij te leren op jullie specifieke patronen. We bouwen de eval-loop zodat verbetering meetbaar is.
05
/
05
Veelgestelde vragen
Welke mail-systemen ondersteunen jullie?
Gmail, Microsoft 365 en standaard IMAP-systemen werken direct. Voor exotische enterprise-systemen (Lotus Notes, custom-hosted Exchange) kan een extra koppeling nodig zijn die we vooraf in de intake bespreken.
Kunnen we de agent op echte mail laten draaien in productie?
Ja, na de bouw-dag. We bouwen tijdens de dag in test-modus met read-only access en concept-mails. Productie-uitrol komt na de dag, met monitoring en gefaseerde rollout: eerst één team, dan breder.
Wat gebeurt er als de agent een mail verkeerd classificeert?
Voor concept-werk: niemand merkt het tot de mens het controleert. Voor auto-routering: we bouwen een feedback-loop waar verkeerde routering door de ontvanger gemarkeerd kan worden en de agent ervan leert. Het eval-rapport laat zien hoe vaak misroutering voorkomt.
Welke modellen gebruiken jullie?
Voor mail-classificatie meestal GPT-4o-mini of vergelijkbaar (snel, goedkoop, goed genoeg). Voor complexe context Claude of GPT-4. Voor gevoelige data self-hosted Llama. We laten in het oplever-rapport zien wat we kozen en waarom.
Wat na de bouwdag?
Twee routes. Eén: jullie team neemt het over voor productie-uitrol. Twee: we rollen door naar een Appfront-traject voor full productie-versie met monitoring, security en gefaseerde rollout.
