En AI-e-postassistent skriver i din ton genom att kombinera två separata system: tonmatchning, som lär sig ditt ordval, meningslängd och avslutningsstil från mejl du redan har skickat, och RAG (retrieval-augmented generation), som hämtar de konkreta fakta ett svar behöver från en kunskapsbas du själv styr. Tonmatchning avgör hur ett utkast låter; RAG avgör vad det säger. Ett utkast som får båda delarna rätt läses som om du skrivit det själv, i ett svep, med rätt svar redan i handen.
Tonmatchning: lär sig din röst från skickad post
Tonmatchning utgår från ett urval av mejl du faktiskt har skickat — inte en stil du beskriver i ett inställningsformulär, utan den text du redan har producerat. Modellen tittar på mönster: hur långa dina meningar brukar vara, om du öppnar med "Hej" eller ett namn, hur formell din avslutning är, om du använder utropstecken eller håller det mer neutralt, och hur mycket du mildrar kontra säger saker rakt på sak.
Inget av detta kopieras ordagrant från ett enda mejl — det är en profil byggd över många meddelanden, så assistenten citerar inte ditt tidigare jag, den skriver nya meningar som följer samma mönster. Ju mer skickad post den har lärt sig av, desto mer konsekvent låter ett utkast som du i stället för den generiska "hjälpsam assistent"-ton som dyker upp i de flesta AI-skrivverktyg.
RAG: hämtar fakta i stället för att gissa dem
Ton ensam löser inte det svårare problemet: att få innehållet i svaret rätt. Om en kund frågar om din returtid eller en specifik produktspecifikation kommer en modell utan förankring att producera ett flytande, självsäkert svar som helt enkelt kan vara fel — det är det välkända felmönstret som ofta kallas hallucination. RAG löser det genom att ge modellen ett verkligt ställe att titta på innan den skriver något alls.
I praktiken innebär RAG att din kunskapsbas — produktdokumentation, ett prisblad, policyer, en FAQ du laddat upp — delas upp i mindre delar och lagras som embeddings, en numerisk representation av betydelse snarare än exakt ordalydelse. När ett nytt mejl kommer in söker assistenten i dessa embeddings efter de delar som är mest relevanta för frågan som ställs, och lämnar bara dem vidare till den skrivande modellen som kontext. Utkastet skrivs sedan utifrån det hämtade materialet, inte utifrån modellens allmänna träningsdata.
Varför sökning slår modellens minne
En generell språkmodell har ingen aning om vad din returpolicy faktiskt säger i dag — den är inte tränad på din verksamhet. RAG täpper till det gapet utan att träna om något: du uppdaterar din kunskapsbas när en policy eller ett pris ändras, och redan nästa svar återspeglar det, eftersom sökningen sker på nytt när utkastet skrivs, i stället för att ha bakats in i modellen månader tidigare.
Så samverkar de två systemen kring ett utkast
När ett meddelande som behöver ett svar kommer in kör assistenten båda processerna innan den skriver ett enda ord: den hämtar de relevanta delarna från kunskapsbasen för det mejlet frågar om, och den laddar tonprofilen som byggts från din skickade post. Själva utkaststeget kombinerar sedan båda — de hämtade fakta avgränsar vad svaret korrekt kan säga, och tonprofilen formar hur det formuleras. Resultatet blir ett svar som både är korrekt och märkbart ditt.
- Tonmatchning: inlärd från dina egna skickade mejl, inte en stilbeskrivning
- RAG: hämtar fakta från din kunskapsbas i stället för att gissa
- Sökningen sker på nytt när utkastet skrivs, så ändringar i kunskapsbasen slår igenom direkt
- Inget av systemen skickar något — varje utkast väntar fortfarande på ditt godkännande
Vad en kunskapsbas faktiskt tillför
Hoppar du över kunskapsbasen helt kan assistenten fortfarande matcha din ton — det är inte beroende av den — men den kommer att skriva svar utifrån enbart allmän kunskap när en fråga kräver ett konkret faktum om din verksamhet. Redan ett kort dokumentset (en prissida, ett policydokument, en produkt-FAQ) är det som gör att assistenten kan svara korrekt i stället för bara troligt. Ju mer aktuell och specifik kunskapsbasen är, desto färre redigeringar behöver ett utkast innan du skickar det.
Inget av detta ändrar vem som har kontrollen. Sökning och tonmatchning formar bara det utkast som hamnar i din Gmail- eller Outlook-utkastmapp — en person läser det fortfarande, rättar det som inte stämmer, och avgör om det ska skickas.
DraftKite kör precis den här kombinationen — ton inlärd från din skickade post, fakta hämtade från din egen kunskapsbas — på varje svar den skriver utkast till. Starta den 7 dagar långa gratis provperioden, inget kort krävs, och se hur nära de första utkasten redan låter något du själv skulle skriva.