Skip to main content
Jedes Mal, wenn du einen KI-Entwurf vor dem Absenden noch aufräumst — oder einen Vorschlag ablehnst und dazu sagst, warum — behandelt InboxMate das als Lektion. Es wird nicht bloß protokolliert, damit du es später nachlesen kannst: Die Korrektur wird zu einer kurzen, wiederverwendbaren Anweisung verdichtet und still in künftige Entwürfe für ähnliche E-Mails eingespeist, damit derselbe Fehler nicht immer wieder auftaucht. Das ist etwas anderes als Korrekturen am Kategorisierer: Die trainieren nach, wie E-Mails einsortiert werden, und verblassen nach 30 Tagen. Diese Lernschleife trainiert nach, wie Antworten geschrieben werden, und sie läuft nie ab — eine Lektion bleibt, bis du sie selbst entfernst.

​
Wie eine Lektion entsteht

Zwei Momente in Entscheidungen lösen das aus:

Mit Änderungen freigeben

Du änderst eine von der KI entworfene Antwort, bevor du sie abschickst. InboxMate vergleicht den Vorschlag mit dem, was du tatsächlich verschickt hast.

Mit Begründung ablehnen

Du lehnst einen Vorschlag ab und gibst eine Begründung an (z. B. „zu förmlich, wir duzen diese Kunden“). Die Begründung selbst ist das Signal.
Kleine Änderungen mit wenig Aussagekraft — ein korrigierter Tippfehler, ein einzelnes anderes Wort — werden automatisch herausgefiltert; daraus eine Regel zu machen lohnt sich nicht. Alles Substanziellere geht an einen KI-Klassifizierer, der die Änderung einer von fünf Arten zuordnet und daraus eine kurze, wiederverwendbare Anweisung formuliert: Der ursprüngliche Text vor und nach der Änderung sowie die interne Anweisung werden dir nie zurückgespielt — für die Oberfläche wird nur eine kurze, allgemeinverständliche deutsche Zusammenfassung des Gelernten aufbewahrt. Korrigierst du dieselbe Art von Sache noch einmal, erkennt InboxMate, dass es dieselbe Lektion ist, und zählt einfach einen Zähler hoch, statt ein Duplikat zu speichern.

​
Wo Lektionen greifen

Jede Lektion ist auf dein Konto zugeschnitten, auf das Postfach, in dem sie gelernt wurde, auf die Kategorie, in der die E-Mail lag, und — sofern relevant — auf die Domain des Absenders. Eine allgemein gelernte Ton-Korrektur fließt breit in Entwürfe ein; eine Fakten-Korrektur, die an @lieferant-x.at hängt, taucht vor allem bei Post aus dieser Domain wieder auf. Wenn InboxMate eine neue Antwort entwirft, sucht es die für diese E-Mail passendsten Lektionen heraus und wendet sie still an — im Entwurf werden sie nicht eigens ausgewiesen, aber die Formulierung sollte widerspiegeln, was du ihm beigebracht hast.

​
Nachsehen und löschen, was gelernt wurde

Öffne KI trainieren in der Seitenleiste und dort den Tab Gelernt (/knowledge?tab=learned). Jeder Eintrag zeigt:
  • Eine allgemeinverständliche Zusammenfassung der Lektion
  • Einen farbig codierten Art-Chip (Ton, Fakten, Struktur, Signatur, Sonstiges)
  • Die Absender-Domain, falls die Lektion darauf eingeschränkt ist
  • Ein Abzeichen {count}×, sobald dieselbe Lektion mehr als einmal bestätigt wurde
  • Wie lange es her ist, dass sie gelernt wurde
Hier wird weder der ursprüngliche E-Mail-Text angezeigt noch der genaue Wortlaut, den InboxMate stattdessen zu sagen gelernt hat — nur die Zusammenfassung, die für die Anzeige gedacht ist. Das hält die Liste lesbar und verhindert, dass absenderspezifische Formulierungen aus dem Zusammenhang gerissen auftauchen.
Klick auf das Papierkorb-Symbol eines Eintrags, um ihn zu entfernen. Das ist ein Soft Delete: Die Lektion wird sofort nicht mehr auf Entwürfe angewendet, und der Schritt lässt sich über die Oberfläche nicht rückgängig machen.
Stützt sich ein Entwurf plötzlich auf eine überholte Anweisung (ein Preis, der sich geändert hat, ein Ton, den du nicht mehr willst), such sie unter Gelernt und lösche sie — der nächste Entwurf in diesem Bereich verlässt sich dann wieder allein auf deine Wissensdatenbank und die Persönlichkeit deines Agenten.

​
Wie das zusammenpasst

Sowohl diese Lernschleife als auch Korrekturen an der Kategorisierung im Posteingang fließen darin zusammen, wie eigenständig InboxMate mit der Zeit wird — nachverfolgt unter KI-Reife. Änderungen an Entwürfen verbessern gezielt, was die KI schreibt; Korrekturen am Kategorisierer verbessern, wo eine E-Mail landet und welche Aktion ausgelöst wird.