Een gedeeld postvak - info@, klantenservice@, planning@ - krijgt de hele dag mail binnen. Iemand leest die mail, bepaalt waar het over gaat en zet hem door naar de juiste behandelaar of afdeling. Vaak gaat dit via een e-mailsysteem gekoppeld aan een ticketsysteem. De vraag is niet of AI mail kan lezen - dat kan het al lang - maar of AI de categorisering en doorzending zelfstandig kan doen, of dat een mens moet blijven meekijken.
Deze taak scoort hoog op volume: een postvak met tientallen of honderden mails per dag is precies het soort herhalend werk waar automatisering zich op richt. Hoge volumes maken het rendabel om een systeem te trainen of regels op te stellen, ook als niet elke mail perfect wordt afgehandeld.
De gestructureerdheid van de taak is echter laag (2 van de 5). Een e-mail is vrije tekst, geschreven door een klant, leverancier of collega die zich niet aan een vast format houdt. De ene mail is een klacht verpakt als vraag, de andere is een offerteverzoek met drie bijvragen erin, de derde is spam die toevallig relevant klinkt. Waar een formulier met vaste velden makkelijk te classificeren is, moet een AI-model bij vrije tekst eerst de intentie herkennen voordat het kan categoriseren. Dat kan, maar het gaat vaker mis dan bij gestructureerde input.
Klantcontact scoort ook laag (2 van de 5), en dat is een reden voor voorzichtigheid: veel van deze mails komen van klanten of partners. Een verkeerd doorgezette mail van een boze klant die twee dagen wacht op een reactie, kost meer dan de tijd die de triage had moeten besparen. Hoe hoger het klantcontact, hoe voorzichtiger je met volledige automatisering moet zijn - dat is een patroon dat u ook terugziet bij taken op de HR-afdeling, waar persoonsgevoelige communicatie vaak net iets meer toezicht vraagt dan verwacht (zie welk werk kan AI overnemen op de HR-afdeling).
Stel: een mail komt binnen met als onderwerp "vraag over factuur 2024-1187". Een classificatieregel of getraind model herkent het patroon (factuurnummer, trefwoord "vraag") en stuurt de mail door naar de financiële administratie. Dat gaat in de meeste gevallen goed en is een schoolvoorbeeld van tekstherkenning die AI vandaag aankan.
Maar stel dat dezelfde mail begint met "ik ben al drie keer gebeld en nog steeds niet geholpen, dit is nu de laatste keer dat ik..." en pas daarna de factuur noemt. Een model dat alleen op trefwoorden of intentie-categorieën stuurt, mist mogelijk de urgentie en de escalatiebehoefte. Hier komt de oordeelsruimte (3 van de 5) om de hoek kijken: inschatten hoe dringend of gevoelig iets is, is minder eenduidig dan alleen een onderwerp herkennen.
De uitkomst hangt sterk af van wat er in het postvak binnenkomt. Een postvak dat vooral geautomatiseerde bevestigingen, bestelstatussen en standaardvragen ontvangt, heeft een veel hogere gestructureerdheid dan hier beoordeeld. Denk aan een postvak dat gekoppeld is aan een webshop met een beperkt aantal terugkerende vraagtypes - daar kan classificatie vrijwel foutloos werken, en ligt de uitkomst dichter bij categorie 1.
Omgekeerd: een postvak van een advocatenkantoor of een klachtenafdeling, waar iedere mail juridisch of emotioneel gevoelig kan zijn, heeft een lagere klantcontact-score en hogere foutkosten dan het gemiddelde hier. Daar verschuift de uitkomst richting categorie 3, mensenwerk met AI als hulpmiddel voor het voorsorteren.
Dit is precies waarom een taakspecifieke scan meer zegt dan een algemene uitspraak over "e-mailtriage". Dezelfde taaknaam kan bij het ene bedrijf grotendeels automatiseerbaar zijn en bij het andere vooral mensenwerk blijven, afhankelijk van het soort mail, de gevoeligheid van de afzenders en de gevolgen van een misser.
Voor een gemiddeld gedeeld postvak met gemengde inhoud valt e-mailtriage in categorie 2: deels automatiseerbaar, met menselijk toezicht. AI kan op basis van classificatieregels of een getraind model een eerste indeling maken en de meeste routineberichten direct doorzetten. Bij twijfel - een onduidelijk onderwerp, een emotionele toon, een onbekende afzender - moet het systeem escaleren naar een mens die goedkeurt of corrigeert. Volledige overname (categorie 1) is alleen realistisch bij postvakken met sterk voorspelbare, herhalende inhoud en laag klantcontact. Zuiver mensenwerk (categorie 3) is aan de orde bij postvakken waar vrijwel elke mail gevoelig, juridisch beladen of relatiekritisch is.
Deze indeling raakt overigens niet aan personeelsbeslissingen: of en hoe een organisatie de vrijgekomen uren herverdeelt, valt buiten deze beoordeling en kent eigen wettelijke vereisten. Vergelijkbare afwegingen tussen volume en gevoeligheid speelt ook bij planningstaken, waar u kunt lezen welk werk kan AI overnemen op de planning (/welk-werk-kan-ai-overnemen-op-de-planning), of bij documentprocessen zoals te zien op de pagina over het ondertekeningsproces van documenten.
Of triage in uw eigen postvak dichter bij categorie 1 of categorie 3 uitvalt, hangt af van het soort mail dat binnenkomt en wie de afzenders zijn - dat leest u niet af aan een taaknaam alleen. De gratis quickscan van ftetoai.com geeft met twaalf vragen, zonder account, een eerste indicatie van welk deel van de uren in uw functieprofiel vandaag door AI is over te nemen. De volledige werkscan die op taakniveau doorrekent, is nog in aanbouw; die bieden we hier dus nog niet aan, maar de quickscan geeft alvast een eerlijk beginpunt.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.