AI is in recordtempo opgeschoven van experiment naar productiemiddel in klantcontact. Chatbots worden slimmer, agents krijgen realtime ondersteuning en managers kunnen gesprekken en prestaties sneller analyseren. Maar welke toepassingen leveren echt waarde op, wat kost het in de praktijk, en waar zitten de grootste risico’s?

 

In dit artikel lees je:

• Welke AI toepassingen bieden kansen voor klanten?
• Welke AI toepassingen bieden kansen voor agents?
• Welke AI toepassingen bieden kansen voor managers?
• Maakt AI het verschil? De opbrengsten van AI in klantcontact
• Wat zijn de kosten en valkuilen bij de inzet van AI in klantcontact?

Wat verwacht de klant?

Wie belt, mailt of chat met een bedrijf verwacht snelle, accurate en empathische support. Dat kan gaan om een snel antwoord of om uitgebreide hulp bij ingewikkelde problemen. In veel gevallen word je als klant eerst richting selfservice gestuurd, iets waar bedrijven de afgelopen jaren veel in hebben geïnvesteerd.

Daar hoort vanuit het bedrijf een grote verantwoordelijkheid bij: je verwacht dat je klant zichzelf kan redden met de middelen die jij als organisatie aanreikt. Dat is overigens ook wat de klant verwacht. Selfservice die vastloopt, is geen opsteker. De opkomst van generatieve AI, waarbij je in natuurlijke taal met een selfservice-oplossing kunt ‘praten’, versterkt de verwachtingen van klanten. Tegelijk is er veel scepsis over toepassingen zoals chatbots.

Verantwoordelijkheid nemen als bedrijf geldt ook voor AI die beschikbaar wordt gesteld aan je klantcontactmedewerkers. Die zijn erop gericht om het werk sneller en gemakkelijker te kunnen doen. Niet meer eindeloos zoeken, maar gerichter en sneller bij de juiste informatie komen. Of zinvolle tips ontvangen tijdens het gesprek, omdat AI ‘on the fly’ meeluistert, of aan het eind van het gesprek automatisch een samenvatting genereren.

Er zijn de laatste jaren allerlei oplossingen gebaseerd op generatieve AI beschikbaar gekomen. Toch bestaan er ook twijfels: chatbots werken soms slechter dan gedacht, emotionele intelligentie ontbreekt en de kosten voor data, infrastructuur en compliance lopen op. Dit artikel is bedoeld als gids voor contactcentermanagers, CIO’s en CTO’s die AI in klantcontact strategisch willen inzetten.

AI voor de klant, de medewerker en de manager

AI in klantcontact kan je op drie manieren inzetten: ter ondersteuning van de klant, de medewerker en de manager. Per ‘eindgebruiker’ belichten we concrete toepassingen en voordelen, bespreken we de verborgen kosten en valkuilen, en kijken we naar regelgeving en best practices.

AI voor de klant: ‘customer facing AI’

AI die bedoeld is om de klant te helpen, wordt ook wel customer facing AI genoemd. Het gaat dan bijvoorbeeld om digitale assistenten die klantvragen zelfstandig afhandelen of voorbereiden. Voorbeelden zijn chatbots op de website of in een app, maar je kunt ook denken aan voicebots. Die kunnen gericht zijn op intakes (uitvragen van de belreden of intent), op identificatie van de klant, op routering of op afhandeling van eenvoudige vragen. (Voice)bots kunnen ook worden ingezet om klanten te helpen in hun eigen taal (aan de hand van realtime vertalen) of klanten interactief te helpen bij het doorlopen van stappenplannen.

Deze oplossingen kunnen reactief en proactief ingezet worden. Ze maken gebruik van grote taalmodellen (LLM’s) en retrieval‑augmented generation (RAG) om relevante informatie te zoeken en in natuurlijke taal te presenteren.

De voordelen van dit soort oplossingen zijn dat ze meer rekening houden met de klant: die kan normaal communiceren in geschreven of gesproken woord en krijgt als het goed is vrijwel realtime een reactie. Als de klant goed geholpen wordt, kan dit tijd besparen. Voor het contactcenter kan zo’n toepassing leiden tot minder telefoontjes en dus een besparing op benodigde FTE. De genoemde AI-gebaseerde selfservicetoepassingen zijn vaak een vervanger van, of een aanvulling op bestaande voorzieningen zoals een FAQ of een eenvoudige, gescripte/rules based chatbot.

Uitbreiden van je dienstverlening

Andere voordelen zijn de 24×7 beschikbaarheid en schaalbaarheid van chatbots. Niet alleen ontlasten ze daarmee de klantcontactoperatie – zeker wanneer de bereikbaarheid onder druk staat van pieken – ze kunnen ook het service window vergroten. Geavanceerde AI-chatbots kunnen op basis van de input zowel intent als sentiment herkennen en op basis daarvan een gesprek eerder doorzetten naar een medewerker. Denk aan boze klanten of aan klanten waarbij de noodzaak van direct persoonlijk contact een rol speelt.

Verschillende bedrijven hebben inmiddels allerlei ervaringen opgedaan en het algemene beeld is dat succesvolle AI-gebaseerde chatbots kunnen zorgen voor een vermindering van het aantal telefoontjes. Succesfactoren voor een effectieve, klantgerichte toepassing zijn onder meer: duidelijkheid bij de klant over wat de chatbot kan (of waarvoor deze bedoeld is) en tijdige en gemakkelijke escalatie naar een live medewerker.

Die succesfactoren gelden ook voor voicebots die een deel van een klantgesprek kunnen voeren. Maar voordat een AI-gebaseerde chatbot goed werkt, zijn een goede kennishuishouding waar de chatbot mee kan werken en duidelijke guardrails (grenzen aan de werking van de chatbot) essentieel – en meestal ook de grootste uitdaging.

AI die niet goed werkt? Extra veel strafpunten

Als een chatbot-oplossing niet goed werkt, kan de inzet ervan contraproductief uitpakken. Klanten vragen dan te vaak en te snel om contact met een medewerker. Mogelijk hebben ze dan al de nodige tijd aan selfservice (website, mijn-omgeving, FAQ’s) besteed. Als ze vervolgens voor dat contact met een echte medewerker moeten wachten, is de kans groot dat de frustratie groeit.

Recent onderzoek naar klantfrustraties bij chatbots – Consumenten kunnen best waarderen dat chatbots 24/7 beschikbaar zijn, maar onderzoek laat zien dat de frustratie snel oploopt zodra de bot als blokkade richting een mens wordt ervaren. In een grote meting van HubSpot en SurveyMonkey (15.000 consumenten, meerdere landen) zegt 82% dat men liever door een medewerker wordt geholpen, zelfs als wachttijd en uitkomst gelijk zijn. Onderzoek van MaxContact wijst in dezelfde richting: 22% noemt ‘te veel stappen voordat je een mens te pakken hebt’ als frustratie, gevolgd door gebrek aan begrip in specifieke situaties (20%). Ook jezelf moeten herhalen nadat je er niet bent uitgekomen met een chatbot hoort bij de frustraties. In onderzoek van Deloitte noemt 57% accuratesse de belangrijkste eis ten aanzien van chatbots.

AI voor de medewerker: ‘agent assist’

Agent assist‑toepassingen ondersteunen medewerkers voorafgaand, tijdens en van het voeren van inkomende gesprekken. Bij outbound calls kunnen agent assist-oplossingen voorafgaand aan het gesprek aandachtspunten aanreiken: wat is belangrijk om op te letten bij deze klant?

Veel agent assist tools ‘luisteren’ realtime mee en daarmee komt een reeks van toepassingen beschikbaar. Live meeluisteren kan leiden tot realtime transcriberen en analyseren het gesprek, het verstrekken van suggesties voor het gesprek of voor relevante kennissnippets, en het ‘on the fly’ controleren van compliance-vereisten. Wat eveneens mogelijk is: het gesprek realtime vertalen.

Een andere oplossing is het na afloop van een gesprek transcriberen en genereren van een samenvatting die kan worden weggeschreven naar bijvoorbeeld een CRM-systeem. Een andere nawerk-toepassing is het geautomatiseerd opvolgen van vervolgacties die uit het gesprek voortkomen. Agent assist-oplossingen zijn er ook voor het geautomatiseerd opstellen van antwoorden op schriftelijke communicatie van klanten, al dan niet in combinatie met vertalingen.

Agent assist: bewezen besparingen

De besparingen van dit soort toepassingen lopen uiteen, maar de algemene teneur is dat gesprekken of doorlooptijden en nawerktijd korter worden. Agent assist-oplossingen vergroten met andere woorden de productiviteit van de klantcontactmedewerker, vooropgesteld dat de oplossing toegang heeft tot actuele, correcte informatie. Om agent assist-oplossingen goed te laten werken moeten medewerkers wel in staat zijn om de informatie die de oplossing aanreikt, te beoordelen. Het is namelijk de medewerker die, zeker in het begin, de kwaliteit van de agent assist tool moet bevorderen door feedback te geven.

AI is niet altijd of voor iedereen een hulpmiddel – Wie AI inzet voor medewerkers, moet rekening houden met weerstanden bij de implementatie en met verlies van autonomie in het werk. Het helpt als medewerkers zelf kunnen en mogen bepalen wanneer ze agent assist functies inschakelen en uitschakelen. Geautomatiseerd samenvatten is voor sommige medewerkers een zegen, voor anderen kom het neer op het afpakken van een rustmoment tussen de gesprekken.

 

AI als managementtool

Er zijn ook GenAI-toepassingen beschikbaar die zowel de manager als de medewerker ondersteunen. Het gaat dan om toepassingen gericht op opleiding, training, coaching, sturing, inzichten en planning.

Oplossingen voor geautomatiseerde quality monitoring kunnen registreren in hoeverre het gesprek voldoet aan bepaalde eisen. Denk aan compliance (verboden formuleringen, privacygevoelige data, of claims die niet mogen), het tonen van empathie, het volgen van bepaalde processtappen. De inzet van dit soort toepassingen vereist heldere definities van kwaliteit en standaarden en vaak is ook calibratie noodzakelijk. Als geautomatiseerde AI-systemen een rol spelen bij de beoordeling van medewerkers, is een audit-trail eveneens noodzakelijk. AI-toepassingen kunnen ook worden ingezet voor coaching rondom gespreksvoering.

Een andere toepassing is het gebruik van klantcases en persona’s die met behulp van AI worden gegenereerd. Medewerkers kunnen opgeleid worden en oefenen met virtuele klanten voor verschillende vaardigheden (spreken, systeemgebruik, gesprekssturing) scenario’s en gesprekstypen.

Analytics

AI-oplossingen zijn er ook voor analyse-vraagstukken. Als AI realtime meeluistert, kunnen analysetools live de contactredenen en nieuwe trends signaleren. Dat kan helpen om snel nieuwe issues te detecteren, nog voordat het contactcenter overbelast raakt. Dit soort oplossingen kan realtime trends op schermen laten zien voor medewerkers en periodieke ‘Voice-of-the-customer’-rapporteren genereren voor managers. Het voordeel van realtime (of eventueel achteraf) analyseren van alle gesprekken is dat inzichten gebaseerd zijn op volledige volumes in plaats van steekproeven. Dat geeft een betrouwbaarder beeld, verkleint de kans op cherry picking en bias en vergroot de mogelijkheden om perioden te vergelijken en patronen te herkennen. Je kunt hierbij denken aan het beter en diepgaander analyseren van problemen in processen of in kennisbanken of bij medewerkers.

In het verlengde van analyse kan je GenAI ook inzetten om op basis van reële data scenario’s door te rekenen. Denk aan het bepalen van de impact van veranderingen in de operatie: “Wat gebeurt er met servicelevel als de gemiddelde gespreksduur 10 seconden daalt?”

Maakt AI het verschil?

AI‑assistenten en chatbots nemen repeterende en eenvoudige taken over, waardoor medewerkers minder tijd kwijt zijn aan administratieve werkzaamheden en meer tijd overhouden voor complexe gesprekken of gesprekken die waarde toevoegen, zo wordt vaak geredeneerd. Over het algemeen gaan de besparingen op gespreksduur al snel richting enkele tientallen seconden; bij de nawerktijd gaat het meestal om een of enkele minuten. Daarnaast kunnen chatbots als selfserviceoplossing het aantal gesprekken dat bij medewerkers terecht komt, verder beperken.

Valkuilen en uitdagingen

Het enthousiasme over toepassingsmogelijkheden van generatieve AI in klantcontact is terecht, maar succes is niet gegarandeerd. Per toepassing moet je goed kijken naar de toegevoegde waarde – welk probleem wil je oplossen – en naar de randvoorwaarden op het gebied van interne kennis en skills, de datakwaliteit, de cultuur en de governance. De valkuilen bij AI (hallucinaties, privacyproblemen, bias, lock-in, verborgen kosten) zijn allesbehalve denkbeeldig.

Gebrekkige kennishuishouding

De kwaliteit van (trainings)data is bepalend voor de prestaties van AI. Als informatie onvolledig, verouderd of ambigue is, kunnen bots gaan hallucineren of verkeerde informatie geven. Bij de implementatie van generatieve AI moet vaak herstelwerk worden verricht. Daarnaast moet de organisatie de discipline opbouwen en vasthouden om de kwaliteit van data, informatie en kennis actief te managen. Een succesvolle pilot betekent nog geen succesvolle opschaling.

Directe kosten en verborgen kosten

Tegenover schaalbaarheid, snelheid en kostenbesparingen door kortere gespreksduur en meer selfservice staan verschillende soorten kosten die met de inzet van AI gepaard gaan. Afgezien van de ontwikkel- en implementatiekosten van AI-toepassingen (afhankelijk van zelf ontwikkelen of een ‘off the shelf’-toepassing) moet je rekening houden met de kosten van doorlopend aanpassen en verbeteren – hiervoor zijn in wat complexere omgevingen al snel een of meerdere specialisten nodig.

Hierbij moet je ook de tijd meetellen die medewerkers kwijt zijn aan het beoordelen van de output van AI en het doorgeven van verbeteracties. Schattingen uit de markt zijn 20-30% van je projectsom voor datavoorbereiding; daarna blijf je te maken hebben met kosten voor bijtrainen en finetuning van het model.

Ook moet er rekening worden gehouden met run-kosten voor hosting en computing, alsmede voor monitoring, compliance en beveiliging. De kosten voor de inzet van AI-toepassingen hebben betrekking op zowel mensen als tooling en op implementatie als beheer.

Kostenstijgingen verwacht

Met name de kosten voor het laten draaien van de technologie (opslag gesprekken, compute-capaciteit voor AI) zijn tot nu toe relatief gunstig, maar zullen de komende jaren gaan toenemen, zo is de verwachting. Dat heeft te maken met het terugverdienen van de enorme investeringen in de ontwikkeling van AI, zoals gedaan in de LLM’s. Ook datacenterkosten en connectiviteitskosten kunnen omhooggaan. Daarnaast waarschuwen experts voor de noodzaak van modelvernieuwing: wat nu werkt, werkt mogelijk over een jaar niet meer optimaal.

Omdat generatieve AI niet deterministisch is en de informatiehuishouding van organisaties ook doorlopend in ontwikkeling is, moet je ook rekening houden met de noodzaak van doorlopend aanpassen, testen en monitoren. Bovendien ontwikkelen AI-toepassingen zich doorlopend, waardoor oplossingen te maken krijgen met nieuwe versies, nieuwe integraties en nieuwe kostenstructuren.

En tot slot is vendor lockin een potentieel risico: kan je bij het wisselen van leverancier alle data, metadata en modellen meenemen?

Impact op medewerkers en ethische/juridische risico’s

AI kan leiden tot over‑surveillance van medewerkers. Doorlopend monitoren van bijvoorbeeld gesprekken en emoties, of het continu moeten werken met realtime alerts kunnen het arbeidsmoreel schaden. Medewerkers kunnen in verzet komen als ze merken dat de inzet van AI leidt tot besparingen in de bezetting, bijvoorbeeld omdat openvallende vacatures niet worden opgevuld.

Als leiders niet open zijn over hun intenties en de trends, ontstaat wantrouwen en angst binnen teams.

De veelgehoorde uitspraak dat medewerkers door de inzet van AI zich meer kunnen richten op de meer complexe, emotioneel zware gesprekken is niet alleen een risicofactor voor ziekteverzuim, maar kan ook leiden tot looneisen en verloop.

Verboden toepassingen

Daarnaast zijn toepassingen voor emotieherkenning bij medewerkers op de werkvloer straks verboden uit hoofde van de Europese AI‑Act – enkele uitzonderingen daargelaten; sentimentanalyse bij klanten is wel toegestaan. Ook workforce‑managementoplossingen die personeel selecteren of beoordelen vallen onder de hoog‑risico‑categorie binnen de AI-Act en moeten voldoen aan strenge vereisten voor data governance, transparantie, menselijke toezicht en traceerbaarheid.

De inzet van AI in klantcontact kan beslist leiden tot kostenbesparingen in het contactcenter. Maar wie geen gedegen businesscase maakt, kan de opbrengsten overschatten en de kosten op termijn zien stijgen door dataverzameling, hosting, compliance en personele inzet voor onderhoud.

(Ziptone/redactie)

Featured, Kennisbank, Technologie