Een volle inbox is meestal geen kwestie van te veel werk, maar van te veel willekeur. Iedereen kijkt in dezelfde bak, mailtjes verdwijnen in de verkeerde draad, een offerte komt pas drie dagen later boven water. AI die binnenkomende mail classificeert en routeert, maakt daar een voorspelbare stroom van. De voorwaarde is dat je vooraf helder hebt welke categorieën je onderscheidt en welke actie bij elke categorie hoort.
Wat AI-categorisatie in een mailbox wel en niet doet
AI die mails categoriseert, doet drie dingen beter dan een eenvoudige regel: het begrijpt de intentie van een bericht, het werkt op basis van inhoud in plaats van trefwoorden, en het leert bij op basis van correcties. Daarmee is het een aanvulling op, geen vervanging van, vaste routeringsregels.
Wat het niet doet: het neemt geen zakelijke beslissingen. Of een offerte doorgaat, of een klacht escaleert, of een factuur betaald wordt, dat blijft mensenwerk. AI-categorisatie stuurt de mail naar de juiste plek; de rest volgt vanzelf.
Typische categorieën: offerte, support, factuur, klacht, spam
De kracht zit in een beperkte, scherpe set categorieën. Voor de meeste MKB-inboxen werkt deze selectie:
- Offerte-aanvraag: iemand wil een voorstel, prijs of offerte. Typisch signaal: vragen over kosten, beschikbaarheid, voorwaarden.
- Bestaande klant of support: vraag over een lopende opdracht, factuur, levering of toegang.
- Nieuwe factuur of boekhoudkundig: inkomende factuur, betalingsherinnering, btw-nummer of bankgegevens in de bijlage.
- Klacht of escalatie: ontevreden toon, dreiging, expliciete klacht. Vraagt om snelle menselijke opvolging.
- Intern of collega: berichten van eigen teamleden, vaak via mail in plaats van chat.
- Spam, nieuwsbrief of low-value: marketing, nieuwsbrieven, automatische notificaties die je niet per se hoeft te lezen.
Het is verleidelijk om nog twintig subcategorieën te maken, maar dat maakt het systeem fragiel. Begin met zes tot acht hoofdcategorieën en wacht af welke subverdeling echt nodig is.
Routingregels per categorie en wanneer een mens moet meekijken
Elke categorie hoort bij een eigenaar of een vervolgactie. Een paar voorbeelden uit de praktijk:
- Offerteaanvragen gaan naar de verkoopbox of de juiste accountmanager op basis van regio of onderwerp.
- Supportvragen belanden in de support-wachtrij, eventueel met prioriteit op basis van trefwoorden als "storing" of "urgent".
- Facturen gaan direct naar de boekhouding of het factuurverwerkingssysteem, vergelijkbaar met AI-factuurverwerking voor het MKB.
- Klachten krijgen een vlag en gaan direct naar een senior of een klein team dat escalaties oppakt. Niet eerst de helpdesk.
- Spam en nieuwsbrieven verdwijnen in een aparte map of worden automatisch gearchiveerd, met wekelijkse controle.
Het punt waarop een mens altijd meekijkt, is niet bij elke mail hetzelfde. Bij support is het bij twijfel. Bij klachten is het altijd. Bij facturen is het alleen bij afwijkingen van de standaard. Dat onderscheid maak je vooraf, niet pas als het misgaat.
Context ophalen uit CRM, eerdere mails en documenten
Categorisatie wordt pas echt waardevol als AI niet alleen naar het losse bericht kijkt, maar ook naar de context eromheen. Stuur je een mailtje over "de factuur van vorige maand" binnen, dan is het handig als het systeem weet bij welke klant dat hoort en welke factuur bedoeld wordt.
Die context haal je uit een paar bronnen:
- CRM: klantgegevens, lopende opdrachten, eerdere contactmomenten.
- Eerdere correspondentie: heeft deze afzender eerder een vergelijkbare vraag gesteld, en hoe is die afgehandeld.
- Documenten en bijlagen: gaat het over een offerte, een contract of een rapport, dan is dat sterke input voor zowel categorie als route.
Wie dit goed inricht, kan niet alleen categoriseren maar ook relevante suggesties meegeven: een conceptantwoord, een link naar de juiste klant in het CRM of een directe doorverwijzing naar de collega die het eerder heeft opgepakt. De combinatie van slimme inbox en werkstroomorkestratie is hier de logische keuze.
Meten of de inbox echt rustiger wordt
Het doel van categorisatie is niet een mooi dashboard met labels, het is een inbox die minder drukt. Drie cijfers die je in de gaten houdt:
- Doorlooptijd per categorie: hoe snel reageert iemand op een mail in die categorie. Voor offertes en klachten is dit de belangrijkste maatstaf.
- Aantal mails dat door AI correct is gelabeld: niet als doel op zich, maar als kwaliteitsindicator. Onder de 90% is meestal een teken dat de categorieën niet scherp genoeg zijn.
- Tijd die een collega besteedt aan triëren: voor de start een ruwe inschatting, daarna opnieuw meten. Als dat niet omlaag gaat, heeft de AI niet het juiste werk uit handen genomen.
Een maand na livegang weet je of de aanpak werkt. Wat je dan ziet is niet alleen een schonere inbox, maar ook een voorspelbaarder proces: dezelfde soort mail belandt elke keer op dezelfde plek, en je hoeft er niet meer over na te denken.
Veelgestelde vragen
Hoeveel trainingsmails heeft een categorisatiemodel nodig?
In de praktijk heb je met een paar honderd voorbeelden per categorie al een redelijke start. Belangrijker is dat je het systeem regelmatig laat bijleren op basis van correcties, anders glijdt het binnen een paar maanden af.
Kan AI ook conceptantwoorden maken, of alleen categoriseren?
Het kan allebei, maar het is verstandig om het gescheiden te houden. Eerst categoriseren en routeren, pas later conceptantwoorden. Stapelen maakt het lastiger om te beoordelen waar iets misgaat.
Wat doe ik met mailtjes die in geen enkele categorie passen?
Die horen in een restcategorie met lage prioriteit. Bekijk wekelijks wat erin zit. Als er steeds dezelfde soort mail in de restcategorie valt, is dat een aanwijzing dat er een nieuwe categorie nodig is.
Hoe voorkom ik dat gevoelige mails in de verkeerde map belanden?
Stel een whitelist in voor mails die altijd door een mens gelezen moeten worden, ongeacht de categorie. Denk aan berichten met bijlagen over contracten, specifieke klantnamen of bepaalde trefwoorden. Dat is een vangnet voor de gevallen waar het model het niet kan weten.