CtrlGmail
Local-first CLI die meerdere Gmail-accounts synchroniseert naar SQLite, mail categoriseert, taken extraheert met een uitwisselbaar taalmodel en opruimt, standaard als dry-run.
Lees de case study: CtrlGmailsys://automation
AI Automation
Veel werk volgt een vast patroon: iets komt binnen, iemand leest het, beslist, en zet gegevens ergens anders neer. Dat patroon is te automatiseren. Taalmodellen maken het mogelijk om ook het lees- en beslisdeel te automatiseren, mits je het bouwt als software en niet als experiment.
wat we bouwen
Wat we bouwen
Documentverwerking
Facturen, offertes, contracten en formulieren uitlezen naar gestructureerde data, gevalideerd tegen een schema voordat het een ander systeem in gaat.
Leadkwalificatie
Inkomende aanvragen automatisch verrijken, scoren en doorzetten naar CRM of agenda, met de redenering erbij zodat je kunt zien waarom.
Support-automatisering
Berichten classificeren, conceptantwoorden schrijven op basis van je eigen kennis, en escaleren naar een mens bij twijfel.
Multi-step AI-workflows en agents
Ketens van stappen waarin een model tools aanroept, tussenresultaten controleert en pas handelt als de uitkomst aan de regels voldoet.
Data- en contentpijplijnen
Periodieke jobs die data ophalen, opschonen, samenvatten en publiceren of rapporteren.
engineering
Hoe het gebouwd wordt
De keuzes die bepalen of iets na maanden nog steeds werkt.
Gebruikte technologie
- Event-driven
- Triggers via webhooks, mailboxen of geplande jobs. Elke run krijgt een ID en is terug te vinden.
- Structured outputs
- Modellen leveren JSON tegen een schema. Wat niet valideert, gaat terug of naar een mens, niet stilletjes door.
- Queues en retries
- Werk gaat via een wachtrij met retries en backoff, zodat een time-out bij een API geen verloren taak betekent.
- Observability
- Logging per stap, tokengebruik en kosten per run, en meldingen bij fouten.
- Human-in-the-loop
- Goedkeuringsstappen voor acties met impact: versturen, boeken, verwijderen.
past dit bij jou?
Voor wie
- Je team besteedt elke week uren aan hetzelfde type handwerk.
- Gegevens worden overgetypt tussen systemen die niet met elkaar praten.
- Je wilt AI inzetten, maar met controle over wat er gebeurt.
in de praktijk
Gerelateerde projecten
Attentiv AI
Multi-tenant SaaS voor financieel adviseurs met dossiers, Wft-compliancecontroles, leads en rapportages, en een AI-laag die persoonsgegevens pseudonimiseert vóór elk modelverzoek.
Lees de case study: Attentiv AI
insights
Verder lezen
Dry-run als standaard: CLI-tools die je durft te draaien
Waarom een CLI die mail verwijdert, records bijwerkt of bestanden verplaatst standaard alleen moet laten zien wat hij zou doen, en hoe je dat netjes bouwt.
Lees het artikel: Dry-run als standaard: CLI-tools die je durft te draaienStructured outputs: LLM-antwoorden waar je software op kan bouwen
Hoe je met structured outputs en een JSON-schema LLM-antwoorden krijgt die je software kan verwerken, en waarom je daarna nog steeds moet valideren.
Lees het artikel: Structured outputs: LLM-antwoorden waar je software op kan bouwen
faq
Veelgestelde vragen
Wanneer kies je een platform als n8n of Zapier, en wanneer maatwerk?
Een platform is vaak sneller en goedkoper voor koppelingen tussen standaard-apps. Maatwerk wordt zinvol bij hoge volumes, complexe validatie, gevoelige data of wanneer het platform de logica niet meer overzichtelijk houdt.
Wat gebeurt er als het model een fout maakt?
Uitkomsten worden gevalideerd tegen een schema en regels. Onzekere of ongeldige resultaten gaan naar een controle-wachtrij in plaats van door naar het volgende systeem.
Waar staat mijn data?
Dat leggen we per workflow vast: welke gegevens een model te zien krijgt, via welke API, en hoe lang iets bewaard wordt. Gevoelige stappen kunnen buiten het model blijven.
sys://contact
Wat wil je automatiseren of bouwen?
Beschrijf het proces, de tool of het product in een paar zinnen. Je krijgt een concreet antwoord: wat haalbaar is, hoe je het zou bouwen en waar de risico’s zitten.