Contextbegrip als belangrijkste KPI voor klantcontact

Average Handle Time (AHT), First Contact Resolution (FCR) en Customer Satisfaction (CSAT) zijn al jarenlang cruciale indicatoren in klantcontact. Echter, deze KPI’s geven slechts een gedeeltelijk beeld van de situatie. Ze meten wel het resultaat van een interactie, maar bieden weinig inzicht in de kwaliteit van het proces dat eraan voorafgaat.

De kwaliteit van klantinteracties wordt steeds belangrijker nu kunstmatige intelligentie een integraal onderdeel is geworden van de klantenservice. Of een vraag nu wordt beantwoord door een menselijke medewerker of een AI-agent, de kwaliteit van het antwoord is uiteindelijk afhankelijk van één bepalende factor: begrijpt degene die de vraag behandelt de volledige context?

Klantvragen worden steeds complexer en klanten verwachten consistente antwoorden, ongeacht het communicatiekanaal dat ze gebruiken. Om dit succesvol te realiseren, is het noodzakelijk dat alle relevante informatie op het juiste moment beschikbaar is en correct wordt geïnterpreteerd. Dit betekent dat de informatie actueel, accuraat, volledig en meetbaar moet zijn. Het sleutelwoord in dit proces is contextbegrip.

Huidige KPI’s zijn achteruitkijkspiegels

De meeste KPI’s in klantcontact zijn achteruitkijkspiegels:

• AHT vertelt hoelang een gesprek duurde.
• FCR laat zien of een vraag direct is opgelost.
• CSAT meet hoe tevreden de klant achteraf was.

Hoewel deze indicatoren zeker waardevol zijn, geven ze niet altijd antwoord op de vraag waarom een interactie wel of niet succesvol was. Een medewerker kan bijvoorbeeld een hoge gemiddelde afhandeltijd (AHT) hebben omdat hij twintig minuten heeft moeten zoeken naar de juiste technische documentatie. Evenzo kan een lage first contact resolution (FCR) voortkomen uit het feit dat contractinformatie verspreid is over verschillende systemen.

Daarnaast is een lage klanttevredenheid vaak het resultaat van inconsistente antwoorden van verschillende afdelingen. Met andere woorden, de meeste KPI’s meten vooral symptomen en niet de onderliggende oorzaken.

De echte uitdaging zit vóór de oplossing

In veel organisaties begint het werk vaak niet met het beantwoorden van een vraag, maar met het zoeken naar en verzamelen van informatie. Medewerkers navigeren tussen verschillende platforms zoals Customer Service Platform, CRM, SharePoint, e-mail, documentmanagementsystemen, kennisbanken, handleidingen en technische documenten. Elke applicatie biedt slechts een deel van het geheel.

Dit proces kost niet alleen veel tijd, maar verhoogt ook de kans op fouten. Hoe vaker een medewerker moet schakelen tussen systemen, hoe zwaarder de cognitieve belasting wordt, en hoe groter de kans dat belangrijke informatie over het hoofd wordt gezien.

Hetzelfde geldt voor AI. Een taalmodel kan alleen redeneren met de informatie die het ter beschikking heeft. Als een deel van de context ontbreekt, lijdt ook de kwaliteit van het antwoord eronder.

Kwaliteit klantcontact steeds meer bepaald door context

In de Nationale Voice Monitor 2026 was al te lezen dat organisaties steeds vaker te maken krijgen met complexere klantvragen, terwijl tegelijkertijd de verwachtingen rondom snelheid en kwaliteit blijven stijgen.

De monitor wijst bovendien op het toenemende belang van AI, kennismanagement en betere informatievoorziening. Niet als doel op zich, maar als noodzakelijke randvoorwaarden om medewerkers én AI effectief te ondersteunen.

Dat bevestigt een ontwikkeling binnen customer service: de kwaliteit van klantcontact wordt steeds minder bepaald door de snelheid waarmee een agent informatie kan vinden, maar steeds meer door de volledigheid van de beschikbare context.

Wat verstaan we onder contextbegrip?

Contextbegrip verwijst naar het vermogen om informatie te interpreteren binnen de juiste context. Dit gaat verder dan klantvragen goed begrijpen en toegang hebben tot een kennisbank of CRM-systeem.

Het houdt in dat alle relevante informatie met betrekking tot een klantvraag automatisch wordt verzameld, geanalyseerd en geïnterpreteerd. Welke informatie hierbij van belang is, hangt af van de specifieke organisatie en de aard van de klanten. Je kan bijvoorbeeld denken aan:

• Klantgegevens en eerdere contactmomenten
• Openstaande en afgesloten tickets
• E-mails en (interne) notities
• Contractafspraken
• Productspecificaties, handleidingen, technische gegevens
• Informatie op de website
• Wet- en regelgeving

De waarde is niet alleen afhankelijk van de kwaliteit van informatie (volledig, accuraat, actueel) maar vooral van de onderlinge samenhang. Een eerdere servicemelding kan bijvoorbeeld verklaren waarom een onderdeel vervangen is. Een contract bepaalt vervolgens welke oplossing wel of niet aangeboden mag worden. Pas wanneer die informatie samen wordt bekeken, ontstaat voldoende context om een goede beslissing- of vervolgactie te nemen.

Waarom traditionele systemen tekortschieten

Veel organisaties beschikken al over moderne CRM-systemen, ticketapplicaties en kennisbanken. Toch blijft informatie vaak versnipperd en dat is niet vreemd. Deze systemen zijn ontwikkeld om informatie op te slaan, niet om context samen te stellen.

Een CRM kent de klant, een ticketsysteem kent de interactie, SharePoint bevat handleidingen en het ERP-systeem bevat contracten. Geen van deze systemen heeft als primaire taak om tijdens een klantgesprek automatisch de volledige context samen te brengen. Daardoor blijft de medewerker zelf de integratielaag.

Van kennismanagement naar contextmanagement

Jarenlang draaide CCAAS- en casemanagement oplossingen om het vastleggen van klantinteracties en draaide kennismanagement om het vastleggen en terugvinden van informatie. Niet langer staat echter de vraag centraal waar informatie is vastgelegd. Het draait nu om de vraag hoe een ticket of case kwalitatief én snel kan worden afgehandeld op basis van de juiste informatie.

Hier ontstaan ook nieuwe begrippen zoals Case Intelligence en Case Resolution Management. Deze benaderingen richten zich niet op het registreren van een case, maar op het analyseren, begrijpen en voorbereiden van de volledige afhandeling. AI speelt daarin een belangrijke rol, mits deze toegang heeft tot alle relevante context.

Bekende aanbieders als Topdesk, Genesys, Zendesk en Salesforce proberen de volgende stap in de case management value chain te zetten. Ze worden echter beperkt doordat ze gebruikers het liefst in hun eigen ecosysteem laten, wat volledig contextbegrip onmogelijk maakt.

Nieuwe aanbieders zoals GetMosaic, Chatbase, IrisAgent en het Nederlandse Qaitbay zijn daarentegen vendor-onafhankelijk en combineren bijvoorbeeld Genesys met SharePoint, SAP, ServiceNow en een eigen DMS. Deze nieuwe oplossingen zijn geen vervanging van de gevestigde oplossingen maar een intelligente resolutielaag boven bestaande systemen.

Door deze nieuwe ontwikkelingen verandert de rol van medewerkers enorm. In plaats van te beginnen met het zoeken, verzamelen en interpreteren van informatie, starten ze nu met een volledig uitgewerkt dossier. In het geval van case resolution hebben ze zelfs al voorbereidende vervolgacties klaarstaan. Dit stelt de medewerker, of de AI-chatbot, in staat om zich volledig te concentreren op de interactie met de klant.

Hoe meet je contextbegrip?

Als contextbegrip zo belangrijk wordt, ligt een nieuwe vraag voor de hand: hoe maak je het meetbaar? Er zijn hier tal van formules voor opgesteld. De basis voor AI is in 2017 gelegd door Google met de Scaled Dot-Product Attention-formule in het artikel Attention Is All You Need.

Naast dat dit voor een doorsnee organisatie niet te berekenen is, geeft dit model alleen contextbegrip binnen een large language model (LLM) weer. Een formule die ook naar de versnippering van data en de zoektijd kijkt en praktischer toepasbaar is, is de Context Efficiency & Quality Score (CEQS).

De variabelen:

1. Context Coverage (CC)

Dit geeft aan in hoeverre de context, reikwijdte en volledigheid van gegevens zijn meegenomen in een analyse. Het helpt vast te stellen of alle relevante onderdelen van een bron of tekst zijn gebruikt, inclusief de omstandigheden waarin deze zijn ontstaan. Zo wordt niet alleen gekeken naar de inhoud, maar ook naar de achtergrond die nodig is om informatie correct te interpreteren.

2. Consistency Rate (CR)

Hoe vaak leiden vergelijkbare klantvragen of cases tot hetzelfde antwoord, dezelfde beoordeling of dezelfde vervolgstap, ongeacht welke medewerker de vraag behandelt? Een hoge consistency rate wijst op een uniforme toepassing van kennis, processen en beleid. Een lage score kan erop duiden dat informatie versnipperd is, interpretatieverschillen ontstaan of medewerkers verschillende bronnen gebruiken.

Deze KPI zegt daarmee niet alleen iets over de kwaliteit van de dienstverlening, maar ook over de betrouwbaarheid en toegankelijkheid van de beschikbare kennis.

3. Search Time (t search)

Hoeveel tijd besteedt een medewerker aan het vinden, verzamelen en controleren van de informatie die nodig is om een klantvraag of case af te handelen? Dit omvat het doorzoeken van kennisbanken, handleidingen, e-mails, SharePoint, CRM-systemen en andere applicaties, maar ook het beoordelen welke informatie actueel, volledig en betrouwbaar is.

Een hoge zoektijd wijst vaak op versnipperde kennis, gebrekkige vindbaarheid of onvoldoende context, waardoor de afhandeling vertraagt. Dit bepaalt mede de ART/AHT.

4. Systems (S)

Hoeveel verschillende applicaties, kennisbronnen en databronnen moet een medewerker raadplegen om een case volledig af te handelen? Hoe meer systemen nodig zijn, hoe groter de kans op tijdverlies, contextwisselingen, onvolledige informatie en fouten. Deze KPI geeft inzicht in de mate waarin informatie versnipperd is.

Contextbegrip of CEQS zijn geen vervangers van bestaande KPI’s, maar indicatoren die verklaren waarom prestaties verbeteren of juist achterblijven, wat leidt tot:

• minder zoektijd
• lagere Average Handle Time
• hogere First Contact Resolution
• consistenter advies
• minder escalaties
• hogere klanttevredenheid
• minder werkdruk voor medewerkers

De volgende stap in klantcontact

De discussie over het gebruik van AI in klantcontact richt zich vaak op onderwerpen zoals agent-assist, virtuele assistenten en agentic AI. Hoewel deze ontwikkelingen van groot belang zijn, kunnen ze ons gemakkelijk afleiden van een fundamenteler vraagstuk. De echte concurrentiestrijd in de komende jaren zal niet zozeer draaien om wie de meest geavanceerde AI heeft, maar om wie de beste context weet te creëren.

Ga daarom nu aan de slag met de volgende concrete stappen:

• Bepaal de datakwaliteit.
  • de mate aan versnippering van data (systemen, versies, talen)
  • het aantal dubbelingen en tegenstrijdigheden
  • gaten in de informatie (content gaps)
• Meet het contextbegrip aan de hand van CEQS.
• Laat je door een specialist op het gebied van case intelligence oplossingen informeren over het verbeterpotentieel.

Misschien is het tijd om onze focus te verleggen van de snelheid waarmee een case wordt afgehandeld naar een belangrijkere vraag: begrijpt de medewerker of AI de situatie echt voordat er een antwoord wordt gegeven?

Header-afbeelding gegenereerd met Adobe Firefly.