Arbetsflöden, jämförelser och tekniska anteckningar från byggandet av Inboxer.
Outlook-användare var andra klassens medborgare under första AI-inkorgsvågen. Gapet har till stor del slutits — här är de fem alternativen värda att känna till, ordnade efter vad de faktiskt gör.
Läs mer →Helautomatiserad AI-e-post låter bra tills modellen skickar något du inte hade skickat. Varför varje trovärdig produkt 2026 behåller ett mänskligt godkännande-klick mellan utkast och skick.
Läs mer →Transkription är löst. Extraktion — att förvandla transkript till användbara, icke-uppblåsta uppgifter — är där de flesta möte-AI-verktyg fortfarande brister. Så här ser bra extraktion ut.
Läs mer →AI-utkast har ett igenkänningsproblem. Röstmatchning är det tekniska svaret — färre ”Jag hoppas det här finner dig väl”-öppningar, fler utkast som inte går att skilja från det mail du själv skulle ha skrivit.
Läs mer →Varje ”AI-e-post”-produkt påstår sig ha smart triage. Nästan ingen förklarar mekaniken. Här är den avförtrollade nedbrytningen: hur klassificeraren bestämmer, vilka kategorier som betyder något, och felmoderna ingen pratar om.
Läs mer →De flesta kunskapsarbetare tolererar dysfunktionell e-post som vi tolererar långsam wifi: genom att anpassa oss. Här är de fem mest pålitliga tecknen på att du passerat tröskeln där ett verktyg börjar löna sig.
Läs mer →Ett praktiskt arbetsflöde för att hålla vilken inkorg som helst på noll — triage, utkast och mötesuppföljningar, allt AI-drivet men under mänsklig kontroll.
Läs mer →Att bygga Inboxer för både Gmail och Outlook avslöjade verkliga skillnader i hur de två leverantörerna exponerar sina API:er. Här är vad som spelar roll för användaren.
Läs mer →Inboxers vanligaste användare är en grundare som drunknar i 200+ olästa mail. Här är den exakta lekboken som de mest upptagna följer för att komma till noll.
Läs mer →