De weerbarstige weg van AI in klantcontact

In klantcontact gaat de inzet van generatieve AI geleidelijk, in tegenstelling tot wat de hype suggereert. In dit artikel leg ik uit waarom organisaties bijna altijd eerst met interne AI-toepassingen starten en wat daarbij de blokkades zijn. Ook laat ik zien wat de logische vervolgstappen zijn richting conversational AI, voicebots en uiteindelijk agentic AI.

Organisaties kiezen bij de inzet van AI in klantcontact eerst voor interne toepassingen zoals agent assist, samenvatten en geautomatiseerde kwaliteitsbewaking. Toepassingen zoals customer facing conversational AI, voicebots en agentic AI zijn veelbelovend, maar voorlopig hoogstens het werkterrein van early adopters.

Tegelijkertijd: als je sommige tech-experts moet geloven, wordt 2026 het jaar waarin AI ‘moet doorbreken’. Zelfs de Britse branchevereniging CCMA (Contact Centre Management Association) spreekt van een ‘beslissende fase’ voor Britse contactcenters. Maar de werkelijkheid is weerbarstig. Voorlopig zitten we als consument nog opgezadeld met de zogenaamde rules-based chatbot. Ook al raakt die uitgefaseerd, hij is ook nog wijdverspreid. De vervanging van domme door slimme AI-oplossingen in klantcontact gaat in werkelijkheid heel geleidelijk.

Rules-based chatbot

Hoe werkt die basale chatbot ook alweer? Als klant tik je een vraag of verzoek in en de chatbot komt op basis van herkende keywords met de meest waarschijnlijke opties, waarna je een stap dichter bij de gewenste informatie komt. Soms valt er niks in te tikken, maar moet je als klant direct aan het begin al kiezen uit een reeks onderwerpen: ‘wijzing doorgeven’, ‘factuurvraag’, ‘andere vraag’. Het is een vooraf gestructureerd en gescript vraag/antwoordspel.

Hoewel deze chatbots in het begin werden beschouwd als voorbeeld van ‘conversational’, valt er echter weinig mee te converseren. Chatbot 1.0 kan niet antwoorden in natuurlijke taal, maar biedt keuze-opties aan de klant. Daarmee is die eerste generatie chatbot niet veel meer dan een interactieve FAQ.

Waarom een chatbot op de klantenservicepagina?

Wat customerservicemanagers vooral willen bereiken met chatbot 1.0 is ‘call deflection’ – minder calls naar het contactcenter, meer zelfredzaamheid bij klanten. Sommige bedrijven kiezen ervoor om ook de escalatie naar een medewerker ingewikkeld te maken. Bijvoorbeeld door niet geautomatiseerd en tijdig te escaleren van bot naar een livechatmedewerker, of door het telefoonnummer van de klantenservice niet te verstrekken als de klant er expliciet om vraagt.

Contactcentermanagers zijn desondanks vaak blij met het aantal calls dat de chatbot zou afvangen. Of dat per saldo winst is, valt te bezien. Niet altijd is duidelijk of het callvolume echt afneemt dankzij de chatbot. En die ouderwetse chatbot heeft als nadeel dat klanten die er niet met de bot uitkomen, vaak gefrustreerd of ontevreden bij een medewerker uitkomen. Dat betekent vaak extra werk voor de klantcontactmedewerker en levert risico’s op voor klanttevredenheid en merkbeleving.

Waarom geen slimme chatbot?

Begrijpelijk dat die eerste generatie chatbots op weinig enthousiasme kon rekenen – zoals keer op keer uit onderzoek naar voren komt. Je zou verwachten dat bedrijven juist om die reden versneld overstappen op chatbottechnologie waarmee wél in natuurlijke taal kan worden gecommuniceerd, ofwel chatbot 2.0 die op basis van generatieve AI werkt. Maar bedrijven zijn huiverig om die stap te zetten. Daar zijn meerdere redenen voor.

Een AI-aangedreven chatbot werkt niet meer in vooraf gedefinieerde schema’s met afgebakende if-this-then-that-structuren. Een AI-aangedreven chatbot moet getraind worden op het gebruik van bedrijfsspecifieke begrippen, processen en procedures. Vaak is de interne kennisbank daarvoor de basis. Daarbij onderschatten bedrijven vaak de rol van impliciete kennis en overschatten ze de kwaliteit van hun kennisbank: wat voor medewerkers goed genoeg is, kan voor een AI-oplossing een ambigue informatiebrij opleveren waarvan niet duidelijk is wat valide informatie is.

De content van de kennisbank moet aan bepaalde eisen voldoen, zodat een GenAI-oplossing er goed mee overweg kan. Zolang dat niet het geval is, bestaat het risico dat klanten verkeerde informatie krijgen.

Inzet van GenAI: éérst intern

Voordat generatieve AI voor direct klantcontact wordt ingezet, kiezen bedrijven vaak eerst voor interne toepassingen zoals agent assist. Daarbij wordt van de klantcontactmedewerker verwacht om aan de bel te trekken als de GenAI-chatbot onzin produceert of fouten maakt. Kortom, als de kennisbank en de andere documentatie tekortschieten voor GenAI.

Een tweede reden om chatbot 1.0 niet zomaar te vervangen, is dat deze soms koppelingen bevat met andere systemen. En tot slot motief nummer drie: is de nieuwe chatbot 2.0 net zo goed in call deflection als de oorspronkelijke chatbot 1.0? Of veroorzaakt de nieuwe chatbot juist extra calls?

De uitrol van de tweede generatie chatbots gaat óók langzaam, omdat eerst de kans op het maken van fouten zo klein mogelijk moet worden gemaakt. Dat is, zoals gezegd, het werk van klantcontactmedewerkers, die AI moeten trainen op basis van feedback.

De logische roadmap van GenAI in klantcontact

Toch lijkt de route die hierna komt volledig uitgestippeld. Bedrijven kiezen eerst voor de interne inzet van GenAI-toepassingen, zoals te zien is bij VodafoneZiggo. Bijvoorbeeld in de vorm van agent assist: het aanreiken van kennisartikelen, kennissnippets of concrete antwoorden. Ook de invoering van geautomatiseerd samenvatten van klantgesprekken is een gevalletje human in the loop, net als bij het geautomatiseerd genereren van e-mails en de invoering van geautomatiseerde quality monitoring (AQM).

Een tweede stap op weg naar automatisering van klantcontact is realtime agent assist: het tijdens het gesprek aanreiken van suggesties of feedback aan de medewerker. Die kan bijvoorbeeld tips voorgeschoteld krijgen op het vlak van compliance, sentiment, gesprekssturing of antwoordsuggesties, gebaseerd op het probleem van de klant. Ook dit zijn nog steeds interne toepassingen, ofwel niet ‘customer facing’.

Customer-facing conversational AI is dan ook de grootste stap voor contactcenters in de komende jaren. Voorwaarde daarvoor is dat de chatbot zo effectief en betrouwbaar is, dat hij of zij de klant rechtstreeks kan voorzien van antwoorden.

Van chatbot naar voicebot

Met die stap naar customer-facing AI komen twee toepassingen binnen klantcontact in zicht. Op de eerste plaats een volwaardige (tekstgebaseerde) chatbot voor op de website of in een app, en op de tweede plaats een volwaardige voicebot. Want als communiceren in natuurlijke taal via tekst effectief en betrouwbaar verloopt, kan je die conversatie ook via spraak laten plaatsvinden. De chatbot wordt dan een voicebot. Voor die voicebot is spreken de kleinste uitdaging; anders zit het met begrijpen.

De kwaliteit van spraakherkenning is de afgelopen tien jaar enorm toegenomen. Wanneer een klant praat tegen een voicebot, moet deze bot spraak omzetten naar tekst en vervolgens met de kennisbank aan de slag, om daarna het gevonden antwoord van tekst weer om te zetten in spraak.

De belangrijkste uitdagingen in dit proces hebben te maken met het gedrag van de klant. Als de klant ondertussen doorpraat, de voicebot onderbreekt of plotseling van onderwerp verandert, moet de voicebot snel kunnen schakelen en kunnen onthouden wat er eerder gezegd is, om daar later op terug te kunnen komen. Ook moet de spraaktechnologie goed kunnen omgaan met jouw klanten en jouw jargon. Latency (vertraging in reacties over en weer als gevolg van verwerkingstijd) en omgevingsruis zijn andere uitdagingen waar voicebots mee te maken hebben. Onder meer TUI experimenteert met deze technologie.

Spraakgestuurd hulpje

Deze obstakels verklaren waarom de inzet van voicebots nog beperkt is: je komt ze vooral tegen als spraakgestuurd hulpje (‘openvraag-spraakherkenning: ‘zeg in enkele woorden waarvoor u belt’) om de intentie van de klant op te vragen, om vervolgens de vraag naar de juiste medewerker te routeren of een andere oplossing te bieden.

Als de bovengenoemde uitdagingen van de voicebots zijn opgelost, komen we dichter in de buurt van de laatste toepassing van voicebots: realtime spraakvertalen. Bij deze toepassing moet de voicebot niet alleen de juiste intent (klantvraag of -behoefte) herkennen, maar eerst de gesproken taal omzetten. Daarbij is, zoals gezegd, de manier waarop wij als klanten communiceren de grootste uitdaging.

Agentic AI

Het voorlopige slotakkoord van AI in klantcontact is agentic AI. Bots kunnen dan niet alleen goed converseren in verschillende talen en goed omgaan met uiteenlopende soorten informatie, ze kunnen ook onafhankelijk van mensen bepaalde taken uitvoeren. Alles wijst erop dat alleen gespecialiseerde bots – ontwikkeld voor specifieke domeinen, datasets en taken – hierbij succesvol zijn. Het is een vorm van procesautomatisering, waarvan sommige experts stellen dat je die juist niet met behulp van agentic AI zou moeten laten verlopen. Om klassieke risico’s van GenAI uit te sluiten, zou je beter kunnen kiezen voor klassieke procesautomatisering, waarbij de gewenste output vooraf volledig gedefinieerd is.

De overtreffende trap van agentic AI is ‘agentic orchestration’ – ecosystemen van samenwerkende AI-agents, zowel intern als extern, die uiteraard gemanaged moeten worden – en de ‘agentic enterprise’. Dat laatste is vooral een mooie marketingkreet en ook agentic orchestration klinkt nog als toekomstmuziek.

Takeaway 1: klantcontact verandert

GenAI in klantcontact heeft nog een lange weg te gaan. Daarmee is ook meteen het antwoord gegeven op de vraag of GenAI klantcontactbanen gaat vervangen: ja, maar tot nu toe in ieder geval mondjesmaat en geleidelijk. Enerzijds door meer selfservice op basis van AI, anderzijds door offshoring van spraak- en digitaal klantcontact naar native speakers in lagelonenlanden.

Een versnelling kan optreden wanneer realtime spraakvertalen voldoende goed werkt en bedrijven niet meer afhankelijk zijn van de moedertaal van klant en agent. En een deel blijft gewoon in Nederland, omdat het te uitzonderlijk of te complex voor AI is, of omdat bedrijven andere valide redenen hebben om het in eigen beheer te houden. Ook deze keuzes hebben impact op CX.

Takeaway 2: meer tijd voor de klant?

Het idee dat medewerkers meer tijd hebben voor complexe gesprekken (omdat AI de eenvoudige klantvragen afwikkelt), is in veel gevallen een drogredenering. Complexe gesprekken waren er altijd al en ze nemen niet absoluut in aantal toe. Ook complexe gesprekken moeten efficiënt worden afgewikkeld. De gemiddelde gespreksduur kan wel toenemen. En het kan lastiger worden om ervaring op te doen in klantcontact, want eenvoudige gesprekken zijn goed ‘oefenmateriaal’ voor starters.

Takeaway 3: early adopters zijn vooral early adopters

Bedrijven verschillen sterk in hun mogelijkheden, strategische keuzes en snelheden als het gaat om innoveren met technologie. Het zijn vaak corporates in sectoren met uiterst smalle marges die vooroplopen. Aan de andere kant kunnen plotselinge doorbraken in technologie voor een versnelling zorgen. Het is dan ook niet ondenkbaar dat de komende drie tot vijf jaar koplopers flink wat meters kunnen maken. Het is goed om te beseffen dat dit de showcases zijn die de toon zetten. Dat betekent niet dat andere organisaties direct daarna hetzelfde kunstje kunnen en willen vertonen.