E-mail automatiseren met AI: hoe onze mailbox zichzelf sorteert

Een mailbox waar vier op de vijf mails geen werk zijn

Bij HAI kwamen er in augustus 2026 een veertigtal mails per dag binnen. Vier op de vijf daarvan waren geen werk: nieuwsbrieven, meldingen van tools, kopieën van formulieren op klantsites, facturen, robots van leveranciers. Daartussen zat het echte werk: een klant die iets vraagt, een partner die een opdracht doorstuurt, een lead. Onze mailbox had welgeteld één eigen label en nul filters, en de inbox stond op 17.611 mails.

De reflex is dan: laat een AI alles lezen en sorteren. Dat hebben we niet gedaan, en dit stuk legt uit waarom. Wat er wel staat, is een assistent (intern heet hij de Postbode) die elke ronde de nieuwe mail bekijkt en in lagen werkt: regels voor wat voorspelbaar is, een taalmodel voor wat een oordeel vraagt, en een mens voor alles waar het systeem niet zeker van is. Hoe we breder met AI werken staat in Hoe HAI zelf met AI werkt, achter de schermen.

Twee stromen: wat weg mag en wat moet blijven staan

Elke mail krijgt hoogstens twee labels: één dat zegt wat het is, en één dat zegt van wie het komt. Daarna is er maar één vraag: weg of blijven.

Weg is alles wat we niet hoeven te zien: reclame, nieuwsbrieven, meldingen van systemen, de kopie van een formulier dat de klant zelf ook kreeg, privé-aankopen, robots van leveranciers. Die mails krijgen hun label, worden als gelezen gemarkeerd en verdwijnen uit de inbox. Ze zijn niet weg, ze staan in de juiste doos.

Blijven is alles wat een antwoord of een actie kan vragen: facturen en betalingen, de boekhouder, elke mail van een mens bij een klant of een partner, leads, alles wat werk is. Die mails krijgen hun label en verder niets. Ze blijven ongelezen staan, want ongelezen is ons eigen signaal dat we er nog naar moeten kijken. Het systeem raakt dat nooit aan.

De regels: wie het is, niet wat ermee moet

De eerste laag is een tabel met regels. Geen code, gewone rijen die je kan lezen, tellen en uitzetten. Op het moment van schrijven zijn het er 466: 282 op een mailadres, 139 op een domein, 45 op een onderwerp. Elke regel draagt een reden in één zin en de datum en de bron waar ze vandaan komt.

De volgorde is belangrijker dan het aantal. Bovenaan staan de dwingende onderwerpregels: gaat het onderwerp over een factuur, een betaling of een verificatiecode, dan wint dat van elke afzender. Een factuur komt van overal, ook van een leverancier die je nog niet kende, dus een lijst met bekende facturatieplatformen mist precies die ene. Daaronder komt de regel op het adres, dan die op het domein, en helemaal onderaan de losse onderwerpregels.

Wat een regel niet doet: beslissen wat er met de mail van een mens moet gebeuren. Bij een medewerker van een partner zegt de regel enkel dat het die partner is. Stuurt die persoon een factuur, dan komt daar het facturatielabel bij en blijft de mail staan. Stuurt die persoon werk, dan beslist de inhoud, niet het adres. Dat staat ook in de code vastgelegd als harde grens: een regel op een mens haalt de mail nooit uit de inbox. Een robot bij diezelfde klant, zoals het adres dat formulierkopieën verstuurt, mag wel weg.

Waar het taalmodel wel aan bod komt

Ongeveer 28 van de 40 mails per dag stoppen bij de regels, zonder dat er een taalmodel aan te pas komt. De rest is de mail die er echt toe doet, en die gaat wel naar het model.

Komt er mail van een mens bij een klant of een partner, dan leest het model de hele thread en beslist wat het is: iets doen, antwoorden, een lead, of gewoon weten. Moet er iets gebeuren, dan maakt het een taak aan in ons werksysteem, met een titel, een deadline en een inschatting van de tijd. Eén thread krijgt precies één taak, ook na tien berichten heen en weer. Bestaat er al een taak voor die thread, dan wordt die bijgewerkt in plaats van verdubbeld.

Bij de partner waarvoor we in onderaanneming werken, komt daar nog iets bij. Eén projectleider mailt daar voor tien verschillende eindklanten. Welke eindklant het is, staat dus nooit in het adres, alleen in de inhoud. Dat leerden we hard: één mail naar de verkeerde eindklant slepen maakte even een regel voor het hele adres van die projectleider, en de zeven mails erna kregen allemaal die ene eindklant. Sindsdien hoort een eindklantlabel bij de thread, nooit bij het afzenderadres.

Ook een handvol robots die soms werk sturen, zoals Search Console of een bestandsoverdracht, gaan langs het model, want daar beslist de inhoud. Twijfelt het model, dan kijkt een zwaarder model nog eens. Blijft dat twijfelen, dan gebeurt er niets: de mail blijft staan zoals ze is en verschijnt de volgende ochtend in het twijfelblok van het dagrapport, met de vraag wat het is.

Nieuwe afzenders, correcties en de wekelijkse controle

Komt er mail van een adres zonder regel en zonder plek in onze klantenlijst, dan krijgt het model niet die ene mail. Het krijgt een dossier: de laatste tien mails van dat adres, of er een uitschrijflink in zit, of we er ooit op antwoordden, en wat er al bekend is over het domein. Daaruit schrijft het model een regel, met een reden en een inschatting van hoe zeker het is. Te onzeker, dan komt er geen regel en staat de vraag in het dagrapport. Ons antwoord wordt dan de regel. Dat gebeurt twee tot vier keer per dag, en daarna nooit meer voor dat adres.

Corrigeren kost geen extra handeling. Slepen we een mail naar een ander label, of zetten we ze terug in de inbox, dan ziet het systeem dat en wordt die toestand de regel voor dat adres. Er zijn ook twee expliciete labels, voor "hier had een taak moeten staan" en "dit is ruis", en het kan gewoon in de chat. Elke correctie doet twee dingen: de fout rechtzetten en een regel wegschrijven. Wil een correctie iets doen dat tegen een harde grens ingaat, zoals de mail van een mens bij een klant wegzetten, dan gebeurt het niet en meldt het dagrapport waarom.

Eén keer per week krijgt het model het hele plaatje: welke regels hoe vaak vuurden, de twijfelstapel, de nieuwe regels van die week, en een tegencheck zoals "mails onder Nieuwsbrief zonder uitschrijflink". Het antwoord is een lijst voorstellen, geen wijzigingen. Een regel die te breed staat, valt zo op in plaats van stil te blijven werken.

Zo ruimden we in één dag 17.611 oude mails op

Op 25 augustus 2026 zetten we diezelfde logica los op de achterstand. Niet door 17.611 mails één voor één aan een taalmodel te laten lezen. Dat had duizenden aanroepen gekost, en het had taken willen aanmaken voor werk dat allang voorbij is. Voor mail van drie maanden oud bestaat "iets doen" niet meer. Het enige doel was: elke mail op een plek waar je ze terugvindt.

Dat is een sorteervraag, en die pakten we aan zoals het systeem het nu doet, alleen met de AI aan het stuur van het geheel. De AI kreeg een overzicht per afzender voor zich, met aantallen en onderwerpen, en schreef daaruit de regels: ruim 380 afzenders en domeinen, 30 onderwerppatronen. Eén nieuwsbrief bleek 439 keer in de inbox te staan. Dat is één beslissing, geen 439. Een adres dat tussen zijn fietspromo een klacht over een website stuurde, viel op omdat je alle onderwerpen naast elkaar ziet. Mail voor mail zie je dat niet.

Dan de tegencheck, dezelfde als de wekelijkse: welke mail staat onder Nieuwsbrief maar heeft geen uitschrijflink? Dat waren 104 afzenders die helemaal geen nieuwsbrief waren. Zonder die vraag waren 1.211 mails die eigenlijk werk waren, stil tussen de reclame verdwenen. In drie rondes ging alles door de regels: eerst de 14.377 mails ouder dan drie maanden, dan 3.157 uit de maanden ervoor, dan de rest. Elke plaatsing staat in een logboek waarmee je ze per regel kan terugdraaien. De regels uit die dag werden de eerste rijen van de tabel waar de assistent nu elke ronde mee werkt.

Wat dit betekent voor je eigen mailbox of aanvragenstroom

Wij noemen onszelf een AI-first bureau, maar AI-first betekent hier niet dat een taalmodel alles leest. Het betekent dat je kiest waar oordeel nodig is. Wie een mail stuurt, is bijna altijd voorspelbaar, en daar volstaat een regel die je kan nalezen en uitzetten. Wat er met de mail van een mens moet gebeuren, is een oordeel, en daar hoort het model. En alles wat het model niet zeker weet, komt bij een mens terecht in plaats van stil verkeerd te lopen.

Voor een KMO met een overvolle mailbox of een drukke aanvragenstroom is de volgorde dezelfde. Kijk eerst welke afzenders en onderwerpen zich herhalen, want dat is het grootste deel van het volume en dat vraagt geen AI. Hou het oordeel over voor het deel dat echt verschilt van geval tot geval, zoals uitmaken welke aanvraag een echte lead is. Dezelfde denkwijze zit in hoe we meten wat een aanvraag waard is, zie Google Ads telt aanvragen, niet euro's. Wil je weten welk deel van jouw mailbox of aanvraagstroom zich zo laat sorteren, dan bekijken we dat via Automatisaties.