Den heliga gralen eller totalt kaos i inkorgen? AI-agenter för e-post och kalender 2025

Tänk om du bara kunde säga till datorn:
”Du tar mejlen idag, jag drar till London” - och det faktiskt funkade. ✈️📧

I den här bloggposten tar jag dig med bakom kulisserna på mitt experiment med en egen AI-orkestrator som försöker sköta mejlbox och kalender åt mig. Vi går igenom:

vad jag byggt (och varför),
hur tre riktiga testmejl hanterades,
vad som faktiskt finns på marknaden 2025,
varför 100 % autonom mejlhantering fortfarande är knepigt,
och vad små och medelstora företag praktiskt kan göra redan idag.

Allt kryddat med ordentligt researchat nuläge - så vi slipper AI-fluffet och landar i vad som faktiskt stämmer.

Drömmen om den autonoma mejlboxen

Att låta AI sköta mejlen har blivit en slags ”helig graal” i den generativa AI-världen. Det är inte konstigt - nästan alla kunskapsjobb kretsar kring inkorgen.

Vad kan verktygen faktiskt idag?

Tittar vi på de stora spelarna 2024-2025 ser vi att:

Microsoft Copilot i Outlook kan:
- sammanfatta långa mejltrådar,
- föreslå svar,
- hjälpa till att schemalägga möten genom att analysera kalendern,
Gemini i Gmail kan:
- skriva och förbättra mejl åt dig (”Help me write”),
- omskriva ton, korta ner och förtydliga,
- sammanfatta långa mejltrådar i en sidopanel,
- och de har precis släppt information om agenter som kan skapas med en prompt inuti deras workspace.
Flera dedikerade AI-mejlklienter (som Shortwave, Spike m.fl.):
- använder AI för att dela upp inkorgen i ”viktigt/oviktigt”,
- buntar nyhetsbrev och utskick,
- skriver svar i din ton,
- söker i hela mejlhistoriken som en kunskapsdatabas.

Det finns till och med premiumtjänster som Perplexitys Email Assistant, som för runt 200 dollar i månaden erbjuder en AI-agent som kan hantera Gmail eller Outlook: sortera mejl, boka möten och skriva svar i din stil - men med ett viktigt tillägg: den väntar på ditt godkännande innan något skickas.

Med andra ord:
AI för mejl och kalender finns här, är kraftfullt och blir snabbt bättre. Men det är fortfarande designat mer som co-pilot än autopilot.

Mitt experiment: Orkestratorn som skulle ”ta mejlen idag”

Denna video går igenom experimentet i detalj.

Som jag berättade i LinkedIn-inlägget och videon ville jag se hur långt jag kunde komma med en egen AI-agent som:

kopplar mot Gmail (testinkorg),
har tillgång till Google Kalender,
kan slå mot webben vid behov (t.ex. Sveriges Radio, hotellwebb),
och jobbar i ett litet ”team” av specialiserade under-agenter.

Jag kallar huvudagenten för Orkestratorn.

Arkitekturen i korthet

Så här tänkte jag:

Orkestratorn (huvudagenten)
- Läser inkommande mejl.
- Bestämmer vad mejlet handlar om.
- Skickar ärendet till rätt under-agent.
- Sätter etiketter (t.ex. ”Barnens aktiviteter”, ”Svara”, ”Info”).
Kalenderagenten
- Läser datum, tider och plats ur mejlet.
- Kollar om det krockar med något i kalendern.
- Skapar eller uppdaterar kalenderhändelser.
Research-agenten
- Får luddiga frågor (typ ”vem var det som sommarpratade om X?”).
- Söker brett på nätet för att förstå vad frågan egentligen gäller.
Radio-agenten
- Använder ett verktyg mot Sveriges Radio/Pod-API för att hitta rätt Sommar i P1-avsnitt, med datum och länk.
Långtidsminnes-agenten
- Har åtkomst till 20 år av gammal, ganska ostädad Gmail-historik.
- Letar kvitton, bokningsbekräftelser, gamla konversationer.
Webb-agenten
- Dubbelkollar fakta på webben (t.ex. ”finns hotellet kvar?”).
Svarsgeneratorn
- Skapar färdiga utkast till mejlsvar i ”min stil”.
- Orkestratorn sätter etiketten ”Svara” så jag ser vad som är redo.

Tekniskt sett bygger allt på moderna språkmodeller + färdiga agentmoduler som kan prata med mejl, kalender och webbtjänster via API:er - samma typ av pusselbitar som används i många kommersiella lösningar idag, bara sammanfogade i en hemmabyggd variant.

Tre skarpa test - och den oväntade twisten

Jag satte upp tre realistiska testmejl, precis som i videon.

1️⃣ Familjelogistiken: körövning och kalendern

Inkommande mejl:
Från körledaren, med info om barnens körsamling:

Samling kl. 13.00
Konsertstart kl. 13.30
Plats, datum, praktisk info

Vad jag ville att agenten skulle göra:

Skapa en kalenderhändelse i vår familjekalender.
Lägga in både samlingstid och starttid (13.30) tydligt.
Tagga mejlet som ”Barnens aktiviteter”.

Resultat:

Kalendern: ✔️
- Händelsen skapades, med rätt datum och tid, plus extra info om att konserten börjar 13.30 - perfekt för oss som föräldrar.
Etiketten: ❌
- Mejlet fick en etikett som visade att AI:n hade processat det, men inte etiketten ”Barnens aktiviteter”.

Det låter löjligt… men är också talande:
Det ”svåra” (tolka text, skapa kalenderhändelse) funkade, medan det ”enkla” (etikettering) fallerade.

2️⃣ Det luddiga minnet: Sommar i P1

Inkommande mejl (grovt förenklat):

”Du, vem var det som sommarpratade i Leif & Billy och pratade om sin mamma som gick bort i cancer i somras?”

Inga länkar, ingen referens - bara ett vagt minne.

Flödet blev:

Orkestratorn ser att det här kräver research.
Skickar frågan till research-agenten, som försöker lista ut vad mejlet egentligen syftar på.
När det finns en kandidat (Klas Eriksson) går frågan vidare till radio-agenten, som:
- använder ett verktyg mot Sveriges Radio (MCP)
- hittar rätt Sommar i P1-avsnitt,
- returnerar datum och länk.
Orkestratorn skapar ett utkast:

”Jag har hittat sommarpratet du letar efter - det är Klas Eriksson, Sommar i P1 den 29 juni 2025, här är länken …”

Mejlet får etiketten ”Svara” i alla mina tester men inte live....

I testerna kände jag verkligen: ”Oj, det här är faktiskt användbart.”

3️⃣ Nostalgitrippen: ”Vad hette hotellet i London?”

Inkommande mejl:

”Var inte du i London för länge sedan? Vad hette hotellet, har du kvar kontaktuppgifter - och finns det ens kvar?”

Flödet:

Orkestratorn skickar frågan till långtidsminnes-agenten.
Agenten går igenom 20 års mejl (hej, rörig Gmail 📥) och hittar:
- gammal bokningsbekräftelse,
- hotellets namn, adress och telefonnummer.
Orkestratorn inser att informationen är gammal, så frågan skickas vidare till webb-agenten, som kollar om hotellet fortfarande existerar.
Allt skickas tillbaka till Orkestratorn, som skapar ett utkast:

”Jag bodde på London House Hotel, här är adress och nummer. Jag har dubbelkollat - det verkar fortfarande vara öppet.”

Även här märks etiketten ”Svara” (Ja, förutom i Live demon då).

Återigen: det här är uppgifter jag själv hade fått leta länge efter.

Sammanfattning av experimentet

De två saker jag trodde skulle vara svårast (Sommar i P1 + Londonhotellet) klarade agenten förvånansvärt bra.
Det jag trodde var lätt (etikettering/klassificering) blev mer svajigt.
Allt fungerade bäst när agenten:
- förberedde jobbet åt mig,
- och jag fortfarande var den som tryckte på ”Skicka”.

Och det är ganska mycket samma mönster vi ser i de kommersiella verktygen just nu.

Vad visar resten av världen? Lägesbild 2025

Låt oss zooma ut från mitt lilla labb till vad som händer globalt.

AI i Gmail och Outlook - tydligt co-pilot-läge

I Outlook är Copilot idag djupt integrerat med e-post och kalender:
- sammanfattar långa trådar,
- föreslår svar,
- och blir mer ”personlig” efterhand.
  Samtidigt betonar dokumentation och guider att Copilot är ett stöd - inte en full ersättare, och att användaren fortfarande ansvarar för vad som skickas.
I Gmail har AI-resan pågått länge: Smart Reply, Smart Compose och senare ”Help me write” har successivt byggts ut med Gemini. Nu finns:
- sidopanel med Q&A över hela inkorgen,
- AI-sök som letar svar i mejlhistoriken,
- och automatiska AI-sammanfattningar av långa mejltrådar i mobilappen för Workspace-konton.

Flera genomgångar och artiklar lyfter samtidigt samma sak som jag sett i mitt projekt:
AI:n är stark på sammanfattning och utkast, men kräver mänsklig övervakning när det gäller nyanser, känsliga beslut och ”edge cases”.

Tredjepartsappar: mer agentiskt, men snävt

Specialiserade AI-mejlappar tar ofta ett steg längre:

Shortwave, Spike, SaneBox m.fl. kan:
- auto-splitta inkorgen (viktigt / nyhetsbrev / system),
- bunta promote-/info-mejl,
- koppla in AI-assistenter som kan söka i hela teamets mejl och skriva svar.
Agent-lösningar för sälj- och supportinkorgar (t.ex. Wordware, Jeeva och liknande plattformar) pratar öppet om ”inbox autopilot”:
- läser inkommande mejl,
- klassar (t.ex. lead, support, spam),
- auto-svarar på standardärenden,
- eskalerar bara de svåra till människa.

Det är viktigt att notera:
De här systemen fungerar bäst i väldigt tydligt definierade domäner - t.ex. en säljinbox, ett supportflöde eller support@företag.se - där:

frågorna återkommer,
svaren kan styras hårt,
och risken är hanterbar.

För en personlig inkorg med kunder, chefer, familj, myndigheter och allt möjligt blandat, är problemet fortfarande mycket mer komplext.

Integritet, säkerhet och nya angreppssätt

Samtidigt som AI flyttar in i mejlboxen har det dykt upp tre riskområden som är viktiga att känna till:

Prompt injection mot mejl-sammanfattningar
Forskare har visat hur AI-sammanfattningar i Gmail (Gemini) kan manipuleras med gömt HTML/CSS-innehåll i mejlen - AI:n kan då presentera en falsk, men trovärdig ”sammanfattning”, t.ex. med falska säkerhetsvarningar och fejkade supportnummer.
Oro kring träningsdata
Det har förekommit virala påståenden om att Gmail-innehåll används för att träna generella AI-modeller. Google har uttryckligen gått ut och sagt att Gmail-innehåll inte används för att träna deras Gemini-modeller, men att innehållet används för att personanpassa smarta funktioner (som sammanfattningar, smarta svar osv.).
Ökad ”attackyta”
Ju fler kopplingar vi bygger - AI-lager ovanpå mejl, kalender, CRM, intranät, Teams/Slack - desto fler ställen där något kan gå snett:
- prompt injection,
- feltolkade avtalsvillkor,
- eller bara rena missförstånd.

Det här är inget argument mot AI - men det är ett argument för klar riskanalys innan man går från ”AI hjälper” till ”AI agerar själv”.

Varför 100 % autonom mejlhantering fortfarande är svårt

Efter både mitt eget experiment och researchen landar jag i fyra stora knutar.

1. Kontext: vem är du, vem är mottagaren, vad är historiken?

Det räcker inte att kunna skriva ”snygga mejl”. En AI-agent måste förstå:

vilken roll du har (VD, säljare, konsult, handläggare),
relationen till mottagaren (varmt, svalt, känsligt, nytt),
vad ni har sagt tidigare (gamla trådar, konflikter, löften),
företagets policy, ton och förväntningar.
Övrig relaterad kontext

De stora verktygen försöker lära sig ”din stil” baserat på tidigare mejl, men både Microsoft och Google betonar att AI-förslagen måste granskas, just för att modellen ibland missar nyanser.

I mitt experiment såg jag samma sak:
AI:n kunde hitta rätt hotell i London - men missade en så mänsklig detalj som att sätta etiketten ”Barnens aktiviteter”.

2. Hallucinationer och beslut med konsekvenser

Alla moderna språkmodeller kan:

fylla i luckor,
dra slutsatser,
och ibland helt enkelt hitta på detaljer (”hallucinera”).

Det kan se övertygande ut, men vara fel.

I mejlsammanhang kan ett hallucinerat påstående om:

pris,
leveranstid,
juridiska villkor,
eller en persons situation (sjukdom, anställning osv.)

få riktiga konsekvenser.

Det är därför de seriösaste aktörerna (både stora plattformar och dyra ”autopilot”-lösningar) fortfarande bygger in en ”human-in-the-loop” - AI:n sorterar, skriver utkast, förbereder, men en människa godkänner.

3. Säkerhet: AI-lagret kan hackas lika mycket som mejlen

Prompt-injection-exemplen från Gemini i Gmail visar en obekväm sanning:
När AI:n får ta beslut utifrån mejlinnehåll räcker det inte att själva mejlen är ”snälla”. Även dold text kan instruera AI:n att:

visa felaktiga sammanfattningar,
prioritera fel meddelanden,
eller förstärka en phishing-attack genom att se ”trovärdig” ut.

Översatt till ”autonoma e-postagenter” betyder det:

Du måste inte bara lita på agenten - du måste också lita på att ingen kan lura agenten att göra dumma saker.

4. Juridik och integritet (GDPR, avtal, loggning)

För svenska SME-företag är det här extra viktigt:

Var lagras datan?
Kräver lösningen tredjepartsleverantörer utanför EU/EES?
Finns biträdesavtal, loggning och raderingsrutiner?
Är det tydligt vad som används för personalisering versus modellträning?

Det här behöver vara på plats innan man låter en AI-agent springa fritt i mejlboxen - särskilt om det finns känsliga kunduppgifter, personuppgifter eller affärskritisk information i inkorgen (vilket det nästan alltid gör).

Vad funkar redan idag? Praktiska case för SME-företag

Trots alla utmaningar finns det massor du kan göra idag - utan att släppa kontrollen.

Här är några konkreta case där jag ser att AI ger stor nytta med begränsad risk:

1. Support- eller info-mejl (info@, support@)

Tydligt avgränsad inbox med relativt standardiserade frågor? Perfekt:

AI kan ge förslag på svar baserat på FAQ eller era policydokument.
En enkel agent kan:
- sortera mejl i kategorier (”felanmälan”, ”prisfråga”, ”återkoppling”),
- föreslå svar för återkommande frågor,
- markera det som kräver mänsklig handläggning.

Det här liknar hur verktyg som Wordware och agentplattformar för sälj/support redan används för att auto-triagera ärenden.

2. Säljinbox: leads, förfrågningar och uppföljningar

För en säljinbox kan en AI-agent:

extrahera viktiga datapunkter (företagsnamn, storlek, behov, tidsram),
föreslå ett första svar med rätt ton och budskap,
skapa en uppföljningslista: ”De här tre mejlen är heta - ring idag.”

Det finns redan specialiserade ”inbox-agenter” som riktar in sig på just detta: läsa inkommande säljmejl, klassificera dem och boka möten när förutsättningarna är rätt.

3. Personlig inkorg: sammanfattningar, utkast, prioritering

För din egen mejl:

använd AI till:
- sammanfattningar av långa trådar (Outlook, Gmail, tredjepartsappar),
- omskrivning av svar (mer formellt, mer kort, mer vänligt),
- utkast på engelska,
- berättelser i efterhand: ”Vad lovade jag den här kunden egentligen förra gången?”
låt AI:n föreslå:
- ”Idag borde du titta på de här 10 mejlen först”, baserat på avsändare, ämne och trådlängd.

Men: Du trycker fortfarande på ”Skicka”.

Det var också där min egen orkestrator kändes mest trygg - som en superassistent i bakgrunden, inte som en ersättare.

Gör det tråkiga först: struktur slår magi

Innan du bygger en avancerad AI-lösning för mejlen vill jag verkligen upprepa den kanske minst sexiga men mest värdefulla poängen:

Det tråkiga är det viktigaste. Struktur slår magi i början.

Konkreta ”tråk-jobb” som ger maximal effekt

✅ Rensa mappar & etiketter
Skapa 5-10 huvudkategorier, t.ex.:

Kunder
Leverantörer
Projekt
HR / personal
Ekonomi
Privat

✅ Bestäm CC-kultur
Sätt enklare interna ”spelregler”:

När ska man CC:a?
När ska man inte CC:a?
Vem ansvarar för svar i olika trådar?

✅ Skapa regler/filter i mejlklienten

flytta nyhetsbrev till en egen mapp,
etikett/flagga viktiga avsändare,
auto-etikettera fakturor, orderbekräftelser, systemmejl.

✅ Tydliggör roller för olika inkorgar

info@ - vem äger?
ekonomi@ - vad ska dit, vad ska inte dit?
support@ - vilka svar ska vara standardiserade?

Ju mer du gör här, desto enklare blir nästa steg: att låta AI bli den där orkestratorn du drömmer om.

En stegvis väg mot AI-agenter i mejlboxen

Om jag fick rita upp en enkel roadmap för ett typiskt SME-företag skulle den se ut så här:

Steg 1 - Grundhygien

Städa strukturen i mejlboxen.
Bestäm enkla, skriftliga mejlprinciper internt.
Identifiera 2-3 tydliga mejlflöden (support, sälj, info@).

Steg 2 - Klassisk ”co-pilot”

Börja använda ChatGPT/Copilot/Gemini parallellt med mejlen:
- skriv om, korta ner, översätt, förtydliga,
- gör sammanfattningar av långa trådar.
Låt medarbetare testa och dela bra exempel.

Steg 3 - Små agentflöden

Automatisera ett eller två snäva flöden:
- t.ex. triage av supportmejl eller bokningsmejl,
- AI sätter etiketter, förbereder utkast, uppdaterar kalender.
Bygg in tydliga ”staket”:
- AI får sätta etiketter och skapa utkast,
- AI får inte skicka något själv.

Steg 4 - Utvärdera, skala, justera

Mät:
- hur mycket tid ni sparar,
- hur många misstag som uppstår,
- hur nöjda medarbetarna är.
Lägg till fler flöden där effekten är tydlig - och där riskerna är låga.
Se över avtal, loggning och riktlinjer när AI börjar röra sig närmare kunddialoger.

Det här är också exakt det vi brukar jobba med i AI Olle:
konkreta, genomförbara steg - inte bara visioner.

Key Takeaway

AI-agenter för e-post och kalender har tagit enorma kliv framåt. 2025 är inte längre frågan om AI kan hjälpa dig med inkorgen, utan hur mycket ansvar du vågar släppa - och i vilka delar.

Mitt eget experiment med en AI-orkestrator visar samma sak som de stora verktygen: AI är redan fantastisk på att hitta, sammanfatta, föreslå och förbereda, men 100 % autonom mejlhantering i en personlig inkorg är fortfarande både tekniskt och mänskligt riskabelt.

Den klokaste vägen framåt för de flesta företag är därför att kombinera bra grundstruktur + co-pilot-läge + små, tydligt avgränsade agentflöden, där människan fortfarande håller i ratten.

Vill du veta mer?

Om du är nyfiken på hur AI-agenter för mejl, kalender och vardagsflöden skulle kunna se ut i ditt företag:

Jag hjälper gärna till med inspirationsföreläsning, workshop eller konkret rådgivning kring AI, generativ AI och automation - särskilt för små och medelstora industriföretag.
Tillsammans kan vi titta på era befintliga mejlflöden, identifiera ”lågt hängande frukt” och skissa på en första, trygg AI-lösning som ger verklig nytta utan att skapa kaos.

Hör av dig via aiolle.se eller mejla mig direkt - så tar vi första steget mot en lite smartare (och lite lugnare) inkorg. 🚀