Intelligente verwerking van commerciele e-mails
Een KMO ontving 80 e-mails per week. Leads verdronken in de stroom. Niemand had tijd om snel te antwoorden. We plaatsten een AI-pipeline tussen de inbox en het team.
Representatief scenario gebaseerd op echte opdrachten. Namen, cijfers en contexten zijn aangepast om vertrouwelijkheidsredenen.
Het probleem
Een B2B-dienstenbedrijf, 6 mensen. Geen dedicated commercieel team - aanvragen komen binnen in een gedeelde mailbox, en iedereen wordt geacht te bewaken.
In de praktijk: niemand bewaakt echt. E-mails stapelen zich op. Urgente leads gaan verloren tussen nieuwsbrieven, leveranciersherinneringen en supportaanvragen. Een prospect die dinsdag een vraag stelt wacht soms tot donderdag op een antwoord. Sommigen krijgen helemaal nooit een antwoord.
80 inkomende e-mails per week. 20% zijn potentiele leads. 60% is ruis. De rest is opvolging van bestaande dossiers. Alles komt gemengd binnen, zonder structuur.
Wat we gebouwd hebben
Een AI-pipeline rechtstreeks gekoppeld aan de inbox.
Classificatie in real-time - elke e-mail wordt geanalyseerd en gecategoriseerd: nieuwe lead, klantopvolging, support, administratief, spam. Leads worden onmiddellijk naar boven gehaald.
Extractie van sleutelinformatie - uitgedrukte behoefte, sector, geschatte urgentie, contactgegevens. Een gestructureerde briefing klaar in 10 seconden.
Opstelling van concepten - voor standaardaanvragen wordt een gepersonaliseerd concept ter validatie voorgelegd. Het team herleest, past aan, verzendt. Geen schrijven from scratch.
Automatische herinneringen - leads zonder antwoord na 24u worden gesignaleerd. Prospects die niet gereageerd hebben ontvangen op het juiste moment een herinnering.
De classificatie vereiste 3 weken bijsturing. De eerste modellen verwarden regelmatig bepaalde soorten supportaanvragen met leads. We bouwden een correctiedataset specifiek voor de sector van het bedrijf - sindsdien is de fout-positiefrate gedaald onder de 5%.
De resultaten
- Gemiddelde responstijd: 2,5 dagen → 6 uur
- Responsrate op leads: ~60% → 87%
- Tijd besteed aan e-mails: met ca. 60% verminderd voor het team
- Meerdere kansen geidentificeerd die het team de vorige 3 maanden niet had gezien
Stack
- Python - LLM-classificatie en -generatiepipeline
- IMAP-verbinding met de bestaande mailbox
- Validatie-interface voor concepten (web, mobiel)
- Geen toolmigratie - gekoppeld aan wat ze al gebruikten