Hoe organisaties hun dienstverlening versnellen met AI-gestuurde classificatie en procesautomatisering

Organisaties ontvangen dagelijks grote aantallen e-mails via algemene mailboxen zoals info@, sales@, support@ en service@. Deze mailboxen fungeren vaak als centraal aanspreekpunt voor klanten, leveranciers, ketenpartners en interne gebruikers. De verwerking van deze berichten is doorgaans arbeidsintensief, foutgevoelig en afhankelijk van handmatige beoordeling, classificatie en routering naar de juiste afdeling of medewerker.
De opkomst van Artificial Intelligence (AI) biedt nieuwe mogelijkheden om deze processen efficiënter, consistenter en schaalbaarder in te richten. Met name voor gedeelde functionele mailboxen kan AI een belangrijke rol spelen bij het automatisch interpreteren, categoriseren en afhandelen van binnenkomende berichten.
In deze white paper beschrijven wij een praktische en toekomstbestendige aanpak voor het automatiseren van mailboxverwerking met behulp van AI. De voorgestelde oplossing combineert moderne AI-technologie met bestaande bedrijfsprocessen en legt nadrukkelijk de focus op controle, transparantie, betrouwbaarheid en compliance.

De uitdaging

Veel organisaties hebben vergelijkbare uitdagingen en herkennen dezelfde knelpunten:
• Grote volumes aan inkomende e-mails.
• Tijdrovende handmatige classificatie/verwerking.
• Fouten in routering naar afdelingen of behandelaars.
• Gebrek aan inzicht en auditmogelijkheden.
• Toenemende eisen op het gebied van compliance en transparantie.

Traditionele automatiseringsoplossingen bieden hiervoor vaak onvoldoende ondersteuning. E-mails bevatten immers ongestructureerde informatie en vereisen contextuele interpretatie. Hierdoor is een intelligente oplossing noodzakelijk die niet alleen huidige processen ondersteunt, maar ook kan meegroeien met de organisatie.

De oplossing

In plaats van menselijke tussenkomst volledig te vervangen, wordt gekozen voor een AI-ondersteunde aanpak waarin mens en technologie elkaar versterken.

Taken van de AI-oplossing
De AI verzorgt onder andere:
• Het analyseren en interpreteren van inkomende e-mails;
• Het classificeren en toewijzen van berichten aan de juiste afdeling of processtroom;
• Het initiëren van vervolgacties;
• Het ondersteunen of automatiseren van verdere procesafhandeling.

Menselijke controle
Medewerkers behouden hierbij de regie en kunnen:
• Beslissingen van het systeem beoordelen;
• Correcties doorvoeren waar nodig;
• Feedback aanleveren voor verdere optimalisatie van het model.

Deze werkwijze zorgt voor een optimale balans tussen efficiëntie, betrouwbaarheid en controle. Organisaties profiteren van aanzienlijke procesverbeteringen zonder in te leveren op kwaliteit of bestuurbaarheid.

Werking van de oplossing

De voorgestelde oplossing bestaat uit twee kerncomponenten:
AI-classificatiemodel

Het model
De eerste component betreft een specifiek getraind classificatiemodel voor het analyseren van inkomende e-mails en het bepalen van de meest passende categorie, afdeling of workflow.

Het model wordt afgestemd op de context en terminologie van de organisatie. Omdat het hier gaat om een classificatievraagstuk, wordt gebruikgemaakt van een BERT-gebaseerde architectuur (Bidirectional Encoder Representations from Transformers).

BERT werd in 2018 door Google geïntroduceerd en betekende een belangrijke doorbraak binnen Natural Language Processing (NLP). Latere ontwikkelingen resulteerden onder meer in RoBERTa (Robustly Optimized BERT Approach), een verbeterde variant die op diverse NLP-taken betere prestaties levert.

In tegenstelling tot Large Language Models (LLM’s) zoals ChatGPT of GPT-5 zijn BERT-modellen niet generatief. Zij genereren geen nieuwe tekst en formuleren geen antwoorden, maar zijn gespecialiseerd in het begrijpen, interpreteren en classificeren van bestaande tekst.

Voor Nederlandstalige toepassingen kan daarnaast gebruik worden gemaakt van domein specifieke modellen zoals RobBERT, een RoBERTa-variant die specifiek is getraind op Nederlandse taaldata. Dergelijke gespecialiseerde modellen leveren doorgaans betere prestaties binnen hun specifieke taal- of domeingebied dan generieke alternatieven.

Data als succesfactor
De kwaliteit van AI-modellen staat of valt met data. Het opbouwen van een representatieve dataset vormt daarom een cruciale stap binnen het implementatietraject. Hierbij gelden onder meer de volgende uitgangspunten:
• E-mails worden gekoppeld aan vooraf gedefinieerde categorieën.
• Historische data wordt benut om initiële trainingssets op te bouwen.
•Nieuwe gebruikersfeedback wordt gebruikt voor continue verbetering van het model.

Idealiter bevat iedere categorie circa 10.000 representatieve voorbeelden. Daarbij is het essentieel dat de dataset een realistische afspiegeling vormt van de dagelijkse praktijk. Naast standaard- of “happy-flow”-scenario’s dienen ook spelfouten, onvolledige berichten, informele taal en afwijkende formuleringen te worden opgenomen.

Een model dat uitsluitend wordt getraind op ideale voorbeelden zal in een productieomgeving aanzienlijk minder nauwkeurig presteren.

Webapplicatie

AI als hulpmiddel
Hoewel AI een krachtige technologie is, vormt het slechts één onderdeel van de totale oplossing. Daarom wordt aanvullend een webapplicatie ingezet die verantwoordelijk is voor de procesmatige aansturing rondom het AI-model.

De webapplicatie verzorgt onder meer:
• Het ophalen van e-mails uit één of meerdere bronnen.
• Het opschonen en normaliseren van gegevens.
• Het aanroepen van het AI-model.
• Het verwerken van classificatieresultaten.
• Het uitvoeren van geautomatiseerde vervolgacties.

Afhankelijk van de classificatie kunnen acties worden uitgevoerd zoals:

• Doorsturen naar de juiste afdeling.
• Aanmaken van werkopdrachten.
• Registratie in backoffice-systemen.
• Versturen van geautomatiseerde ontvangst- of antwoordberichten.

Daarnaast biedt de webapplicatie uitgebreide mogelijkheden voor logging, monitoring en auditregistratie. Hierdoor ontstaat volledige inzichtelijkheid in alle acties die door het systeem worden uitgevoerd.
Via een gebruiksvriendelijke interface krijgen medewerkers overzicht over de genomen beslissingen en uitgevoerde acties. Functionaliteiten zoals handmatige correcties, her-classificatie en het terugdraaien van acties kunnen eenvoudig worden geïntegreerd.

Hierdoor blijft de mens nadrukkelijk onderdeel van het besluitvormingsproces en vinden AI-beslissingen niet plaats binnen een oncontroleerbare “black box”. Dit maakt de oplossing bijzonder geschikt voor organisaties waar transparantie, verantwoording en compliance van essentieel belang zijn, zoals overheidsinstanties en gereguleerde sectoren

Technische architectuur

De oplossing wordt doorgaans gerealiseerd binnen een Microsoft Azure-omgeving, maar kan afhankelijk van de technische strategie, bestaande architectuur en organisatorische voorkeuren ook worden ingericht op andere cloudplatformen, zoals Amazon Web Services (AWS), Google Cloud Platform (GCP), of een andere hostingoplossing. De oplossing is verder niet platformafhankelijk. De oplossing bestaat (afgestemd op een Azure omgeving) uit de volgende componenten:

• Een Virtual Machine waarop het AI-model draait.
• Azure Blob Storage voor datasets en documentopslag.
• Een App Service voor hosting van de webapplicatie.
• Een relationele database voor logging, configuratie en operationele gegevens.

Er is bewust gekozen voor een zelf gehost AI-model op een Virtual Machine, in plaats van uitsluitend gebruik te maken van generatieve AI-platformen zoals Azure AI Foundry en GPT-modellen.

Deze keuze biedt verschillende voordelen:
• Volledige controle over prestaties en capaciteit.
• Voorspelbare operationele kosten.
• Vrijheid in modelkeuze en modelbeheer.
• Onafhankelijkheid van externe modellevenscycli.
• Mogelijkheid om gespecialiseerde modellen te gebruiken die optimaal aansluiten op de bedrijfscontext.

Waar generatieve AI-oplossingen vaak gebaseerd zijn op gebruiksafhankelijke kosten, biedt een zelf gehost model meer voorspelbaarheid door middel van vaste infrastructuurkosten. Bovendien behoudt de organisatie volledige controle over het moment waarop modelupdates of migraties plaatsvinden.

Implementatieaanpak

De implementatie verloopt gefaseerd, waardoor de oplossing gecontroleerd kan groeien.

Stap 1: Use cases definiëren
In deze fase worden de functionele uitgangspunten vastgesteld:
• Welke e-mailstromen komen in aanmerking voor automatisering?
• Welke categorieën moeten worden onderscheiden?
• Welke kenmerken bepalen de classificatie van een e-mail?

Stap 2: Technische omgeving opzetten
Vervolgens wordt de basisinfrastructuur ingericht:
• Opzetten van de technische architectuur.
• Implementatie van de webapplicatie.
• Configuratie van opslag- en databaseservices.
• Implementatie van het initiële AI-model.
• Verzamelen en structureren van trainingsdata.

Stap 3: Iteratieve verbetering
Na de eerste ingebruikname wordt de oplossing stapsgewijs uitgebreid:
• Toevoegen van nieuwe use cases.
• Verbeteren en her-trainen van modellen.
• Optimaliseren van classificatienauwkeurigheid.
• Uitbreiden van functionaliteit op basis van gebruikerservaringen.

Stap 4: Beheer en opschaling
In de laatste fase verschuift de focus naar continu beheer en doorontwikkeling:
• Monitoring van prestaties en kwaliteit;
• Onderhoud en modelbeheer;
• Capaciteitsuitbreiding;
• Toepassing van dezelfde aanpak op aanvullende bedrijfsprocessen.

Datasoevereiniteit en gegevensbescherming

Bij de inzet van AI voor mailboxverwerking zijn datasoevereiniteit, privacy en informatiebeveiliging essentiële uitgangspunten. Organisaties moeten erop kunnen vertrouwen dat hun gegevens te allen tijde onder eigen controle blijven en niet worden gebruikt voor andere doeleinden dan de overeengekomen dienstverlening.

De voorgestelde oplossing is daarom ontworpen volgens het principe van datacontrole door de organisatie. Alle verwerkte e-mails, metadata, classificaties, auditgegevens en eventuele procesresultaten worden opgeslagen in door de organisatie beheerde databases en opslagvoorzieningen. Hierdoor blijft de organisatie eigenaar van haar gegevens en behoudt zij volledige controle over bewaartermijnen, toegangsrechten, monitoring en compliance-eisen.

Voor de AI-functionaliteit wordt gebruikgemaakt van private modelinstanties binnen de gekozen cloudomgeving. De aangeleverde gegevens worden uitsluitend verwerkt ten behoeve van de specifieke aanvraag en worden niet beschikbaar gesteld aan andere klanten of gebruikers van het platform. Daarnaast worden de verwerkte gegevens niet gebruikt voor het trainen of verbeteren van publieke AI-modellen.

Deze architectuur biedt belangrijke voordelen op het gebied van vertrouwelijkheid en compliance:

• Gegevens blijven binnen de afgeschermde omgeving van de organisatie.
• Verwerkte informatie wordt niet opgenomen in publieke trainingsdatasets.
• Toegang tot gegevens en AI-diensten kan worden geïntegreerd met bestaande autorisatie- en beveiligingsmaatregelen.
• Audit- en loggingfunctionaliteit maakt verwerkingen inzichtelijk en controleerbaar.
• Ondersteuning van relevante wet- en regelgeving, zoals de AVG/GDPR en interne governance-richtlijnen.

Door deze combinatie van private dataopslag en afgeschermde AI-diensten kunnen organisaties profiteren van de voordelen van AI-gestuurde automatisering, zonder concessies te doen aan gegevensbescherming, vertrouwelijkheid en controle over bedrijfskritische informatie

Conclusie

AI biedt organisaties de mogelijkheid om de verwerking van inkomende e-mails aanzienlijk efficiënter en consistenter in te richten, zonder concessies te doen aan controle, transparantie of compliance

Door te kiezen voor een gefaseerde implementatie, ondersteund door een combinatie van een gespecialiseerd AI-classificatiemodel en een beheersbare webapplicatie, ontstaat een oplossing die direct operationele waarde levert en tegelijkertijd een solide fundament vormt voor verdere digitalisering.

De combinatie van menselijke controle, transparante besluitvorming en schaalbare technologie zorgt ervoor dat organisaties de voordelen van AI kunnen benutten, terwijl zij volledige regie behouden over hun processen en dienstverlening.