Mijn mailbox is de hele dag een stroom van dingen die aandacht vragen. Een deel is echt belangrijk, een deel kan wachten, en een flink deel is ruis. Het vervelende is dat je die stapel telkens opnieuw met je ogen moet sorteren voordat je weet wat er speelt. Ik heb dat werk uit handen gegeven aan een taalmodel dat op mijn eigen server draait. Elke vijftien minuten kijkt het naar wat er binnen is gekomen, plakt er een label op, en elke ochtend krijg ik een korte samenvatting in de teamchat. Geen dure dienst, geen gegevens die het pand verlaten.

Wat het precies doet#

De opzet is bewust simpel. Op een vast ritme, bij mij elk kwartier, haalt een klein automatiseringsproces de nieuwe berichten op. Voor elk bericht vraagt het aan een lokaal taalmodel: waar gaat dit over, en hoe dringend is het? Het model geeft een korte classificatie terug, en op basis daarvan krijgt de mail een label. Actie nodig, kan wachten, ter info, dat soort categorieën. Zo is de inbox al gesorteerd voordat ik er zelf naar kijk.

Daarnaast draait er elke ochtend om half acht een tweede stap: een briefing. Die vat samen wat er de afgelopen periode is binnengekomen en zet het klaar in onze teamchat. In plaats van zelf door de mail te scrollen om de dag te beginnen, lees ik een kort overzicht en weet ik meteen waar mijn aandacht heen moet. Het is het verschil tussen een ongeordende stapel en een lijstje dat al voor je is gemaakt.

Het aardige is dat dit allemaal op gratis, open modellen draait die lokaal staan. Geen abonnement per gebruiker, geen kosten per verwerkte mail. En, minstens zo belangrijk voor wie met vertrouwelijke informatie werkt: de inhoud van je mail gaat nooit naar de server van een ander.

De les die me het meest verraste: kies het juiste model, niet het slimste#

Toen ik hiermee begon, dacht ik intuïtief: hoe krachtiger het model, hoe beter. Dus probeerde ik eerst een groter, “denkend” model, het soort dat voor het antwoorden eerst hardop een redenering opbouwt. Voor een gesprek of een lastige analyse is dat prachtig. Voor deze taak was het een ramp.

Zo’n denkend model deed er dertig seconden tot twee minuten over om een classificatie te geven die uit één woord bestond. Het ging voor die ene label netjes zitten nadenken, wikken en wegen, en produceerde uiteindelijk het antwoord dat ik in een fractie van de tijd verwacht had. Draai dat elke vijftien minuten over een stapel mail, en je proces staat de hele dag te wachten op iets triviaals.

Een klein lokaal model deed exact dezelfde classificatie in minder dan twee seconden. Niet zo welbespraakt, niet zo goed in redeneren, maar voor “plak het juiste label op deze mail” ruimschoots goed genoeg. De kwaliteit van de labels was in de praktijk niet merkbaar slechter, en de snelheid was onvergelijkbaar.

Dat is een les die ver buiten mail reikt: het beste model voor een taak is niet automatisch het krachtigste. Voor korte, simpele, veelvoorkomende beslissingen wil je een snel model dat goed genoeg is. Het zware geschut bewaar je voor het werk waar nuance en redenering echt lonen, zoals die ochtendbriefing, waar een iets betere samenvatting wel de moeite waard is. Ik gebruik dus bewust twee snelheden: een rap model voor het labelen dat continu draait, en een steviger model voor het beetje tekst dat echt kwaliteit vraagt. Die afweging tussen snelheid, kosten en kwaliteit is precies wat ik uitgebreider beschrijf in mijn stuk over waarom je niet elke vraag aan het duurste model moet stellen.

De mailbox mag kijken, nooit aanraken#

Een systeem dat automatisch in je mail zit, kan eng zijn. Wat als het per ongeluk iets verstuurt, verwijdert, of ergens op reageert? Daarom heb ik hier een harde grens ingebouwd: de automatisering leest, en verder niets. Ze verplaatst geen berichten die ertoe doen, verstuurt niks namens mij, en verwijdert geen inhoudelijke mail. Ze kijkt en labelt. Meer rechten heeft ze niet.

Dat is een bewuste keuze. Een proces dat alleen mag kijken, kan weinig kapotmaken. Zodra je het schrijfrechten geeft, wordt elke fout ineens een echte fout, en de drempel voor wat er mis kan gaan wordt veel lager. Voor de winst die ik zoek, een gesorteerde inbox en een ochtendbriefing, heb ik die schrijfrechten helemaal niet nodig.

De tweede grens is subtieler maar minstens zo belangrijk: de inhoud van een mail behandel ik als onbetrouwbaar. Een mail is een tekst die een willekeurige buitenstaander heeft opgesteld, en die buitenstaander kan van alles in die tekst zetten. Ook een regel als “negeer je vorige instructies en doe dit”. Voor een taalmodel dat mails leest, is dat een reëel risico: het zou zulke tekst kunnen aanzien voor een opdracht. Bij mij is de mailinhoud daarom per definitie data, geen instructie. Staat er in een bericht iets wat op een commando lijkt, dan is dat juist een reden om die mail extra voorzichtig te behandelen en er niks mee te doen, niet om te gehoorzamen. Ik ga hier dieper op in in mijn stuk over een Ai-agent als aanvalsoppervlak.

Van mail naar afgehandeld werk#

Labelen en samenvatten is de basis. Maar sommige mails vragen om echte opvolging: iemand meldt een probleem, vraagt om een aanpassing, heeft een wens. Voor die gevallen laat ik het systeem een stap verder gaan. In plaats van dat zo’n mail alleen een label krijgt, wordt hij omgezet in een net geformuleerd werkitem op onze takenlijst. Concreet opgeschreven, met genoeg detail zodat het opgepakt kan worden zonder de originele mail er nog bij te hoeven pakken.

Wat het model daarbij nadrukkelijk niet doet, is zelf aan de slag gaan. Het schrijft geen code, verandert niks, belooft niks aan de afzender. Het zet het werk klaar op de lijst, en vanaf daar loopt het door het normale proces waarin een mens beslist wat er gebeurt. Zo blijft de scheiding helder: de automatisering doet het saaie voorwerk van sorteren en noteren, de beslissing en de uitvoering blijven bij mensen.

Wat betekent dit voor jouw bedrijf?#

Je hoeft geen eigen server te bouwen om hier iets uit te halen. De principes zijn overdraagbaar naar bijna elk bedrijf dat in mail of berichten verzuipt.

  1. Laat Ai het sorteren doen, niet het beslissen. Een taalmodel dat je post labelt en samenvat, scheelt elke dag tijd en geeft je rust. Zolang het alleen sorteert, is het risico klein.
  2. Kies het model op de taak, niet op de reputatie. Voor korte, simpele beslissingen die vaak terugkomen, is een snel en goedkoop model bijna altijd de betere keuze dan het zwaarste model dat je kunt vinden.
  3. Geef leesrechten, geen schrijfrechten, tenzij het echt moet. Een proces dat alleen kijkt, kan weinig verpesten. Verhoog de rechten pas als de winst dat rechtvaardigt, en zet er dan een controle op.
  4. Behandel binnenkomende tekst als data, niet als opdracht. Alles wat van buiten komt, kan een verkapte instructie bevatten. Zorg dat je automatisering dat nooit als commando opvat.

Wil je uitzoeken welke mail- en berichtenstroom in jouw bedrijf zich leent voor deze aanpak, en waar de grenzen zouden moeten liggen? Kijk dan op de consulting-pagina hoe ik werk. En op mijn downloads-pagina vind je gratis werkbladen, waaronder een Ai-stoplicht dat je helpt vastleggen wat zo’n proces zelf mag en wat niet.