Skip to main content

Een klantenserviceteam erbij, zonder extra medewerkers

Een digitaal klantenserviceteam achter de schermen

Wanneer een bedrijf groeit, groeit de klantenservice meestal vanzelf mee. Niet alleen in aantallen, maar ook in complexiteit.

Er komen dagelijks vragen binnen over producten, bestellingen, levertijden en facturen. Soms gaat het om een eenvoudige vraag die snel kan worden beantwoord. In andere gevallen stuurt een klant foto’s mee, verwijst die naar een eerder telefoongesprek of blijkt er eerst iets met een leverancier, transporteur of collega te moeten worden afgestemd.

Voor een klein team betekent dat veel schakelen.

De informatie die nodig is voor een antwoord staat namelijk zelden op één plek. De bestelling staat in Shopify, eerdere communicatie in Gmail, productinformatie op de website en telefoongesprekken in het telefoniesysteem. Daarnaast zijn er interne afspraken en uitzonderingen die medewerkers uit ervaring kennen.

Daardoor bestaat een groot deel van klantenservice niet uit het beantwoorden van de vraag zelf, maar uit het verzamelen van context:

  • Wat heeft de klant precies besteld?
  • Wat is eerder afgesproken?
  • Is er al telefonisch contact geweest?
  • Welke productinformatie is van toepassing?
  • Kan deze vraag direct worden beantwoord of moet eerst iemand actie ondernemen?

De voor de hand liggende oplossing lijkt één AI-agent die alle binnenkomende e-mails beantwoordt. Maar dat zou in de praktijk te simpel zijn.

Een algemene productvraag vraagt om een ander proces dan een verkeerd geleverde bestelling. En bij een klacht over beschadigd materiaal is een nette conceptmail niet altijd het belangrijkste. Een medewerker heeft dan vooral behoefte aan een overzicht van de feiten, de voorgeschiedenis en mogelijke vervolgstappen.

De strategische uitdaging was daarom niet:

Hoe kunnen we zoveel mogelijk klantmails automatisch beantwoorden?

Maar:

Hoe kan AI het klantenserviceteam ondersteunen, zodat medewerkers minder tijd kwijt zijn aan zoek- en schrijfwerk en meer tijd overhouden voor persoonlijk advies en het oplossen van problemen?

AI moest daarbij geen vervanging worden van medewerkers, maar een extra laag ondersteuning achter de schermen.

Aanpak: AI Agents met een eigen specialisme ontwikkelen

Platform

Shopify, Voys, Make.com, OpenAI, etc.

Marketing

–

Eerst bepalen wat er werkelijk nodig is

In plaats van één allesomvattende chatbot ontwikkelde ik een systeem met meerdere AI-agents. Iedere agent heeft een eigen specialisme en krijgt alleen de taken waarvoor hij geschikt is.

Iedere binnenkomende e-mail wordt als eerste beoordeeld door een AI-router.

Die kijkt niet alleen naar woorden als klacht, probleem of spoed, maar vooral naar de actie die nodig is. Vervolgens wordt het bericht naar een van vier routes gestuurd.

Een normale klantvraag kan naar de klantenserviceagent. Een probleem dat eerst praktisch moet worden opgelost, gaat naar een medewerker. Een complexe klacht wordt onderzocht door een gespecialiseerde klachtenagent. Berichten zoals nieuwsbrieven en automatische meldingen worden overgeslagen.

Dat onderscheid is belangrijk.

Wanneer duidelijk een verkeerd product is geleverd, heeft de klant weinig aan nog een ontvangstbevestiging. Eerst moet iemand controleren wat er beschikbaar is en wanneer een vervangende levering kan plaatsvinden.

Andersom kan een vriendelijk geformuleerde e-mail wel degelijk een complexe klacht bevatten, bijvoorbeeld wanneer er discussie is over productkwaliteit, aansprakelijkheid of een eerdere toezegging.

De router voorkomt daardoor dat AI wordt ingezet om vooral méér tekst te produceren. Soms is de slimste uitkomst juist dat er nog geen mail wordt geschreven.

Een agent voor reguliere klantvragen

De reguliere klantenserviceagent bereidt antwoorden voor op vragen die met beschikbare informatie kunnen worden afgehandeld.

Daarvoor kan hij niet alleen de e-mail lezen. De agent kan ook relevante gegevens ophalen uit de gekoppelde systemen.

Zo kan hij een bestelling controleren in Shopify, informatie uit interne kennisdocumenten gebruiken, een productpagina raadplegen en eerdere e-mails terugzoeken. Wanneer een klant verwijst naar telefonisch contact, kan ook de samenvatting of transcriptie van dat gesprek worden opgehaald.

De agent krijgt hierdoor ongeveer hetzelfde overzicht als een medewerker die meerdere systemen naast elkaar opent.

Het resultaat wordt als conceptmail klaargezet. De medewerker controleert het antwoord en bepaalt zelf of het kan worden verzonden. Zo blijft er menselijke controle, terwijl het voorbereidende zoek- en schrijfwerk grotendeels wordt overgenomen.

Een aparte agent voor probleemgevallen

Voor complexere klachten ontwikkelde ik een tweede agent.

Deze agent schrijft niet direct een antwoord aan de klant, maar maakt eerst een interne analyse. Hij brengt bijvoorbeeld in kaart:

  • wat aantoonbaar is;
  • wat de klant zelf stelt;
  • wat op meegestuurde foto’s zichtbaar is;
  • welke informatie nog ontbreekt;
  • wat eerder per e-mail of telefoon is besproken;
  • welke vervolgstap het meest logisch is.

Dat onderscheid voorkomt dat aannames als feiten worden gepresenteerd.

Wanneer een klant schrijft dat een groot deel van een levering beschadigd is, kan de agent bijvoorbeeld vaststellen dat op de foto’s inderdaad schade zichtbaar is. Tegelijkertijd kan hij aangeven dat het genoemde percentage op basis van enkele detailfoto’s niet controleerbaar is.

De medewerker ontvangt daarmee geen automatisch oordeel, maar een voorbereide second opinion. Beslissingen over compensatie, vervanging of aansprakelijkheid blijven bij de organisatie.

Alle relevante kanalen bij elkaar brengen

Een AI-agent is uiteindelijk zo goed als de context die hij krijgt.

Alleen toegang geven tot een inbox is daarom meestal niet voldoende. Klanten verwachten dat een bedrijf eerdere contactmomenten kent, ongeacht via welk kanaal die plaatsvonden.

Daarom zijn niet alleen e-mail en webshopgegevens gekoppeld, maar ook productinformatie, interne documentatie, formulierdata en telefoongesprekken.

Wanneer een klant schrijft: “Zoals gisteren telefonisch besproken”, hoeft een medewerker daardoor niet eerst bij collega’s rond te vragen. De agent kan het relevante gesprek terugzoeken en meenemen in het concept of de analyse.

Deze aanpak is breder toepasbaar dan klantenservice voor een webshop. Vrijwel iedere organisatie heeft informatie verdeeld over een CRM, mailbox, kennisbank, ticketsysteem, projectomgeving en telefonieplatform. Juist door die bronnen gecontroleerd bij elkaar te brengen, ontstaat een agent die werkelijk kan ondersteunen.

Kleine tools in plaats van onbeperkte vrijheid

Een belangrijke ontwerpkeuze was om de agents niet zomaar toegang te geven tot enorme hoeveelheden ruwe data.

Tijdens het testen bleek bijvoorbeeld dat een agent een relevant gegeven soms over het hoofd zag wanneer een systeem tientallen productvelden tegelijk teruggaf. Een zwaarder AI-model vond het antwoord uiteindelijk alsnog, maar gebruikte daarvoor extra zoekacties en meer rekencapaciteit.

De oplossing was een kleine, gespecialiseerde tool die alleen de benodigde informatie teruggeeft.

Dat principe is eenvoudig, maar belangrijk:

Geef een AI-agent niet alle informatie die beschikbaar is, maar precies de informatie die nodig is voor de taak.

Gerichte tools maken de uitkomst betrouwbaarder, goedkoper en beter controleerbaar. Ze verkleinen bovendien de kans dat een model zelf verbanden probeert te leggen tussen gegevens die eigenlijk niet bij elkaar horen.

Het resultaat

De oplossing bevindt zich nog in de praktijktest, maar laat nu al zien dat AI-klantenservice uit veel meer kan bestaan dan automatisch gegenereerde antwoorden.

Reguliere vragen kunnen sneller worden voorbereid, omdat de agent zelf relevante order-, product- en contactinformatie verzamelt. Medewerkers hoeven minder vaak tussen verschillende systemen te zoeken en beginnen niet meer met een leeg concept.

Bij probleemgevallen ontstaat een ander voordeel. De klachtenagent ordent een dossier, vergelijkt verschillende bronnen en wijst op ontbrekende informatie of tegenstrijdigheden. Daarmee ondersteunt hij niet alleen het schrijven, maar ook het denken.

De menselijke medewerker blijft ondertussen verantwoordelijk voor de uiteindelijke beoordeling en communicatie.

Dat levert een vorm van automatisering op waarbij snelheid en persoonlijk contact elkaar niet in de weg zitten. Het doel is niet om klanten zo veel mogelijk bij medewerkers vandaan te houden. Door routinematig zoek- en schrijfwerk te verminderen, ontstaat juist meer ruimte om klanten telefonisch te adviseren, uitzonderingen zorgvuldig te beoordelen en problemen persoonlijk op te lossen.

Reflectie

Deze case bevestigt voor mij dat een goede AI-oplossing zelden begint met de keuze voor een bepaald taalmodel.

De belangrijkste vragen zijn organisatorisch:

  • Welke soorten werk komen binnen?
  • Welke taken kan AI veilig voorbereiden?
  • Wanneer is menselijke actie nodig?
  • Welke systemen bevatten de benodigde context?
  • Waar moet de beslissingsbevoegdheid blijven?

Pas daarna wordt de techniek relevant.

Ook bleek dat één algemene agent lang niet altijd de beste oplossing is. Door verantwoordelijkheden te verdelen over een router, een reguliere klantenserviceagent en een gespecialiseerde klachtenagent, wordt het gedrag voorspelbaarder. Iedere agent krijgt een duidelijke taak, eigen bronnen en grenzen.

Een andere belangrijke les is dat meer context niet automatisch een beter antwoord oplevert. Een agent kan net zo goed verdwalen in een overvloed aan gegevens als een medewerker. Soms is een kleine tool met vier relevante velden waardevoller dan toegang tot een compleet systeem.

De meest interessante uitkomst is misschien wel dat AI niet altijd iets hoeft te schrijven.

Wanneer een klant vooral wacht op een praktische oplossing, moet de technologie dat herkennen. Geen extra beleefd concept, maar een duidelijk signaal aan de medewerker dat er iets geregeld moet worden.

Daar zit voor mij de werkelijke waarde van AI-agents: niet mensen vervangen, maar informatie verzamelen, werk voorsorteren en op het juiste moment ruimte maken voor menselijk handelen.

Met 15 jaar ervaring in digitale marketing help ik bedrijven ontwikkelen — slim, praktisch en winstgevend.

Ik help je met wat echt werkt online