Perioden van zon afgewisseld met regenbuien: het weer was een goede metafoor van de inhoud van de 18^e editie van het Vlirdens WFM-congres. Ofwel: goed en minder goed nieuws voor de ruim 600 WFM’ers uit zorg en klantcontact. De vraag is hoeveel trafficers, trainers en coaches we straks nog nodig hebben in klantcontact. 

 

Het WFM-congres zelf begon met een fikse vertraging, waarna Bas Nieboer aftrapte met een oefening om de boel nog meer uit balans te krijgen. Hij liet het publiek voor een moment op één been staan met de ogen dicht. Dat is een lastige opdracht: je evenwichtsgevoel is mede afhankelijk van zicht.

Carmen Ekkerink brak daarna een lans voor het creëren van ruimte in je werk om de balans te bewaken. Wie zich met planning bezighoudt, kijkt per definitie met een oog naar de toekomst, maar die blik op de toekomst wordt vaak doorkruist met dingen die vandaag opgelost moeten worden. Ruimte creëren voor beiden, daar zit de balans, wat Ekkerink betreft.

Op naar AI-gebaseerd skillsbased werken

De keynote was dit jaar bijzonder. Laurens Waling (chief evangelist bij 8Vance) had een relevant en interessant verhaal over AI-gebaseerde matching van skills: wat wordt er gevraagd en wat heb je in huis? Waling, die tijdens zijn presentatie herhaaldelijk werd geconfronteerd met congresdeelnemers die langdurig en hard door zijn verhaal heen praatten, vindt dat er géén arbeidsmarktprobleem is. We moeten het werk alleen anders organiseren en verdelen. AI kan uitstekend helpen bij het leggen van de puzzel: hoe koppel je competenties en voorkeuren aan de vraag, waarbij je bijvoorbeeld ook let op culturele fit en timing? Waling benadrukte in zijn verhaal dat de mens ‘on the loop’ (niet ‘in de loop’ – dan ben je onderdeel van het proces) blijft. Dat is noodzakelijk om vertrouwen in AI-gebaseerde matching te krijgen.

Matchen op skills

Maar voordat je gaat matchen op skills, zal je moeten analyseren wat je in huis hebt en wat je nodig hebt. Daarmee krijg je inzicht in overlap en in gaps. Het betekent wel dat je functies moet ontrafelen tot op skills-niveau. Hoe mensen worden aangestuurd op skills en hoe ze fysiek moeten schakelen, dat kwam niet helemaal uit de verf. Denkt Waling aan een app die zegt wie wat moet doen op welk moment? Wat verliezen we dan aan tijd voor omschakelen, afstemmen en overdragen? Wat betekent het als je bij bepaalde functies de skills van anderen inzet, terwijl jij verantwoordelijk bent? Dit soort vragen speelt in gereguleerde sectoren.

Toch is het skills-vraagstuk interessant en tegelijkertijd al lang uitgevonden in klantcontact. Er zijn niet veel bedrijven die het toepassen, maar slim routeren op basis van skills, al dan niet in combinatie met voorkeuren en eigenschappen van de klant, de medewerker en de context. Ook is er al een bedrijf dat software levert voor die orkestratie, waarin triage (de beste behandeling voor elke interactie) centraal staat. Desalniettemin is zo’n gap-analyse ook interessant voor grote klantcontactorganisaties die moeten reorganiseren als natuurlijk verloop niet toereikend is op weg naar AI-gebaseerd klantcontact. De methoden die Waling beschreef kunnen je dan helpen om talent aan boord te houden door het anders in te zetten.

Goed was dat Waling duidelijk uitlegde dat AI-gebaseerde matching op skills werkt op basis van machine learning – dat is een deterministisch systeem dat niet hallucineert. Ook goed was dat hij wees op de EU AI Act: matching op basis van AI behoort tot de categorie AI-toepassingen met een hoog risico. Die risico’s hebben te maken met bias en uitsluiting en dat heeft weer te maken met ongewenste patronen in je dataset. Er worden dus hoge eisen gesteld aan je uitlegbaarheid.

Hoe kan je GenAI gebruiken binnen je WFM-proces?

Dave Hooijmans, WFM-expert van Vlirdens, gaf een heldere presentatie over de inzet van GenAI in WFM-vraagstukken. Daarmee sloot hij goed aan op het verhaal van Waling: beiden zijn het erover eens dat generatieve AI niet goed bruikbaar is als je exacte uitkomsten wil hebben.

Niet helemaal duidelijk was wie welke AI-vorm gebruikt, maar Hooijmans kwam met een mooi rijtje voorbeelden. NN gebruikte AI om de omslag te maken van gespecialiseerde teams naar skillsgebaseerde teams, zodat de werkvoorraad slimmer verdeeld wordt over de beschikbare medewerkers. Boodschap: WFM begint niet altijd bij een aangepast rooster. Rijkswaterstaat werkt aan de hand van datagedreven inzichten (data, live camerabeelden, locaties van hulpverleners) en voorspellingen en zet AI in om de inzet van hulpverleningsvoertuigen (op het juiste moment op de juiste plek) te organiseren. OLVG gebruikt een slimme capaciteitsmonitor om de personeelsplanning, die maanden vooraf wordt vastgelegd, tot enkele dagen vooraf beter te kunnen afstemmen op wat er echt nodig is.

Ook Hooijmans ging dieper in op het skills-vraagstuk: de complexiteit in klantcontact neemt toe. We hebben meer kanalen, ingewikkelder klantvragen, strengere wet- en regelgeving over personeelsplanning, uiteenlopende arbeidsrelaties, en een klantvraag die steeds grilliger wordt. In die nieuwe realiteit zijn functies te rigide: skills worden belangrijker bij complexe klantvragen. WFM-leveranciers zijn dan ook hard bezig om AI in hun systemen te injecteren.

Zelfs bij een Excel-gebaseerde planning kan AI helpen

Maar skills-based routing op basis van AI in combinatie met Excel? Dat wordt lastig, gaf Hooijmans toe. Het goede nieuws: ook voor de Excel-gebruikers zijn er laagdrempelige AI-toepassingen mogelijk.

Je kunt een bot inzetten als WFM-assistent, zodat deze voor medewerkers en/of voor de WFM’ers snel antwoord kan geven op vragen over bijvoorbeeld beleid of uitzonderingen, iets wat Evidensia heeft gedaan. Zo komen WFM en kennismanagement bij elkaar. Een tweede toepassing – een beetje gezocht – is het finetunen van de communicatie vanuit het WFM-team richting medewerkers. Denk aan de juiste tone of voice van al dan niet geautomatiseerde beantwoording van wijzigingsverzoeken.

Ook is GenAI inzetbaar voor data-analyse: wie grote bestanden aanbiedt, kan daarna de dataset ‘bevragen’ en inzichten laten vertalen naar mogelijke acties. Denk aan het ontrafelen van dienstpatronen en bezettingen over verschillende locaties.

Hoe verandert de rol van de WFM-professional?

Speciale aandacht was er voor de veranderende rol van de WFM-professional onder de invloed van AI. Wat Hooijmans betreft kan AI analyses maken en voorstellen doen, maar de mens moet in control blijven en bijsturen waar nodig – ook de kunst van balans. Maar dat WFM’ers in bezit moeten zijn van goede AI-skills, staat buiten kijf. Typische WFM-taken zoals forecasten of het opvullen van openstaande diensten verdwijnen geleidelijk, aldus Hooijmans. De WFM’er zal steeds minder zelf doen en steeds meer samenwerken met AI. De opkomst van vibe coding is wat dat betreft een uitnodiging: ga zelf aan de slag. Vlirdens geeft wel een duidelijke bijsluiter: laat zelfgemaakte code altijd controleren. En als afsluiter een aankondiging van Vlirdens; het bedrijf werkt aan de ontwikkeling van een webgebaseerde WFM-volwassenheidsscan waarmee klantcontactprofessionals inzicht kunnen krijgen op verschillende dimensies.

Calabrio laat zien: WFM wordt AI-aangedreven

De veranderende rol van de WFM’er kwam ook aan de orde in het staartje van de presentatie van Calabrio/Verint – waarbij Verint het bedrijf is en Calabrio een van de producten. Arjan Speksnijder (solutions consultant bij Verint) gaf een sales pitch en product demo waarin duidelijk werd dat de WFM-oplossing van Calabrio ‘geladen’ wordt met AI. Dat begint met dagsturing ofwel traffic management, maar gaat ook over een AI-assistent waar iedereen vragen aan kan stellen – ook op het vlak van WFM-data. Of predictive actions, waarbij het systeem monitort wat er gebeurt en met analyses en adviezen komt over zowel oorzaak als oplossing. Dit alles is de eerste fase in de AI-revolutie in WFM, aldus Speksnijder.

Zorgen over veranderende rol – heb je straks nog een trafficer nodig?

De zorgen over veranderende of zelfs verdwijnende WFM-rollen kwamen bij het vragenrondje, wellicht getriggerd door onderzoekscijfers van Calabrio die Speksnijder zelf liet zien. De helft van de WFM’ers is door de opkomst van AI bezorgd over het veranderen of verdwijnen van de eigen rol. Uit het publiek: de voorbeelden laten toch zien dat de trafficer grotendeels overbodig wordt? Dat er meer ruimte ontstaat voor data-analyse, overleg en coaching ontlokte de reactie “data-analyse wordt toch ook iets wat AI kan doen?” Speksnijder benadrukte twee dingen: professionals moeten blijven begrijpen hoe het proces werkt en moeten dit kunnen bijsturen. Maar ook: de manier waarop gewerkt wordt, gaat veranderen. En vergeet niet hoe groot de betekenis is van menselijke interpretatie en communicatie bij dagsturing. Maar dat is nu – misschien zit dagsturing straks op een beeldscherm en is het een bot.

Ook de refresher kan worden opgepakt door AI

Dan tot slot Kathelijne Baauw, managing director van Lirin, over AI in leertrajecten. Ze ging in op de mogelijkheden die AI kan bieden bij leerprocessen van mensen. Haar boodschap: AI kan leerprocessen versnellen, leuker maken en personaliseren. Een van de voorbeelden die ze aanhaalde, liet onbedoeld zien in welke rare wereld we terecht zijn gekomen. AI kan uitstekend helpen bij het trainen op soft skills. Hoe ga je bijvoorbeeld om met boze en gefrustreerde klanten die, zonder dichter bij een oplossing te zijn gekomen, flink wat tijd met een chatbot hebben lopen stoeien? Baauw liet een demo zien waarin Lirin-trainer Marco was ‘gekloond’ in een AI-gebaseerde klantcontactsimulator – in bedrijf bij ABN Amro. Als een klantcontactmedewerker een behoefte formuleert (‘ik vind het ingewikkeld om goed te reageren op een klant die boos zijn over de chatbot’) kan de AI-coach die behoefte direct omzetten in een microlearning waarmee de agent kan oefenen. Daarna komt er meteen feedback van de AI-trainer. Als de refresher training voortaan door AI kan worden gedaan, hebben we niet alleen minder coaches, maar ook minder trainers nodig.

(Ziptone/Erik Bouwer)

Event, Featured, Human Resources, Kennispartners Coniche, Vlirdens