De toekomst van klantcontact draait niet om AI, maar om wat je ervan leert

AI-agents kunnen steeds meer klantvragen zelfstandig beantwoorden met kennis uit de organisatie. Een platform zoals Amazon Connect Customer laat zien hoe snel die ontwikkeling gaat.

Maar wat gebeurt er wanneer AI antwoorden baseert op verouderde kennis? En hoeveel klantcontact zouden we eigenlijk kunnen voorkomen als we beter begrijpen waarom klanten contact opnemen?

Slimme AI, maar krijgen klanten ook betere antwoorden?

Stel je voor. Een klant belt met een vraag over een lopende aanvraag. De medewerker opent het CRM-systeem, zoekt in SharePoint en raadpleegt vervolgens het intranet. Uiteindelijk wordt het juiste antwoord gevonden, dankzij een collega die toevallig weet hoe het zit.

Het gesprek wordt netjes afgesloten.

Maar wat gebeurt er wanneer diezelfde klant volgende week opnieuw belt en een andere medewerker op basis van een andere bron een ander antwoord geeft? Krijgt hij of zij hetzelfde antwoord op dezelfde vraag?

Binnen veel organisaties is kennis verspreid over verschillende systemen. Medewerkers besteden dagelijks tijd aan het zoeken naar informatie en niet altijd is duidelijk welke versie de juiste is. Tegelijkertijd investeren we volop in AI-agents die klantvragen zelfstandig kunnen afhandelen. Ik vind dat een interessante tegenstelling.

We maken onze technologie steeds slimmer, maar hoe betrouwbaar is de kennis waarop die technologie draait?

Een AI-agent kan een antwoord uitstekend formuleren. Maar wanneer de onderliggende informatie niet klopt, kan AI dezelfde fout honderden keren per dag herhalen. Zonder betrouwbare kennis automatiseer je geen intelligentie. Je automatiseert onzekerheid. Precies daar ligt volgens mij een van de belangrijkste uitdagingen voor de toekomst van klantcontact.

Amazon Connect Customer verandert de spelregels

Met Amazon Connect Customer ontwikkelt AWS het traditionele contactcenter tot een intelligent platform waarin klantcontact, AI-agents, automatisering en analyses
samenkomen. AI-agents kunnen vragen begrijpen, informatie ophalen, acties uitvoeren en waar nodig samenwerken met medewerkers. Dat biedt interessante mogelijkheden. Stel dat een klant belt over een vertraagde bestelling. De AI-agent vindt in het CRM een eerdere afspraak, op de website een algemene regeling en in SharePoint een afwijkende procedure.

Welk antwoord krijgt de klant? Precies daar wordt kennismanagement cruciaal. Met huXam Assistant helpen we organisaties om bestaande kennis uit bijvoorbeeld SharePoint, Teams en documenten toegankelijk te maken. Medewerkers kunnen vragen stellen en antwoorden ontvangen die gebaseerd zijn op beschikbare organisatiekennis, inclusief bronverwijzingen.

In combinatie met Amazon Connect Customer kunnen organisaties klantinteracties slimmer organiseren en medewerkers ondersteunen met relevante informatie. Maar daarmee zijn we er nog niet. Want betere antwoorden zijn waardevol. Voorkomen dat klanten onnodig contact moeten opnemen, is misschien nog wel waardevoller.

Wat vertellen 1.000 klantgesprekken over jouw organisatie?

Stel dat we morgen 1.000 klantgesprekken uit jouw contactcenter analyseren. Wat zouden we ontdekken?

Misschien blijkt dat klanten opvallend vaak bellen over de status van een aanvraag. Misschien zoeken medewerkers steeds opnieuw naar dezelfde informatie. Of misschien blijkt dat een onduidelijke procedure dagelijks voor onnodig klantcontact zorgt. Traditioneel meten contactcenters vooral hoeveel gesprekken binnenkomen, hoe lang klanten wachten en hoe snel medewerkers vragen afhandelen. Nuttige cijfers, maar ze vertellen niet altijd waarom klanten bellen. Met Automated Quality Monitoring kun je verder kijken dan die operationele cijfers.

Je kunt bijvoorbeeld onderzoeken bij welke onderwerpen medewerkers regelmatig moeten overleggen, welke vragen meerdere keren terugkomen en bij welke processen de informatievoorziening onvoldoende duidelijk is. Neem een organisatie waar klanten regelmatig bellen over de voortgang van hun aanvraag. Uit gespreksanalyses kan blijken dat de meeste medewerkers deze vragen prima beantwoorden. Toch blijven klanten bellen. De oorzaak ligt dan misschien niet bij de medewerkers, maar bij de informatie die klanten vooraf ontvangen. Dan is de beste oplossing niet per definitie een snellere afhandeling of een nieuwe AI-agent. Misschien is een duidelijker statusbericht of een aanpassing van het aanvraagproces veel effectiever. Dat is de werkelijke waarde van gespreksanalyse. Niet alleen ontdekken hoe je gesprekken beter kunt afhandelen, maar vooral begrijpen waarom die gesprekken ontstaan.

De grootste havengemeente van Nederland: van gesprekken beoordelen naar gericht ontwikkelen

Een interessant praktijkvoorbeeld is de gemeente met de grootste haven van Nederland, waar huXam wordt ingezet voor kennismanagement en Automated Quality Monitoring binnen het klantcontact.

Bij een gemeentelijk klantcontactcentrum komen dagelijks vragen binnen over uiteenlopende onderwerpen. Van aanvragen en vergunningen tot gemeentelijke regelingen en dienstverlening. Medewerkers moeten beschikken over actuele kennis, kunnen omgaan met verschillende situaties en tegelijkertijd inwoners op een begrijpelijke en persoonlijke manier helpen. Traditioneel worden medewerkers vaak gecoacht op basis van een beperkt aantal teruggeluisterde gesprekken. Daarmee kun je waardevolle feedback geven, maar het blijft een momentopname.

De inzet van Automated Quality Monitoring maakt een andere manier van werken mogelijk. Door structureel veel meer klantgesprekken te analyseren, ontstaat inzicht in patronen over langere perioden. Niet alleen op individueel niveau, maar ook op teamniveau. Dat verandert de basis voor coaching. In plaats van vooral terug te kijken naar wat er tijdens één specifiek gesprek goed of fout ging, kunnen leidinggevenden en coaches gerichter onderzoeken welke vaardigheden medewerkers en teams verder kunnen ontwikkelen.

Denk aan het stellen van de juiste vervolgvragen, het duidelijk uitleggen van complexe informatie of het herkennen van situaties waarin aanvullende ondersteuning nodig is. Coaching verschuift daarmee van het beoordelen van losse gesprekken naar het ontwikkelen van vaardigheden op basis van trends.

Dat biedt ook medewerkers een ander perspectief. Wanneer feedback gebaseerd is op terugkerende patronen in plaats van enkele willekeurig geselecteerde gesprekken, ontstaat een bredere basis voor een ontwikkelgesprek.

Niet alleen: wat had je in dit gesprek anders moeten doen? Maar vooral: waarin ben je de afgelopen periode gegroeid en welke vaardigheden kunnen we samen verder ontwikkelen? In de praktijk wordt deze manier van werken ook verbonden aan medewerkerstevredenheid en het behoud van medewerkers binnen klantcontact. Meer ontwikkelgerichte begeleiding, betere ondersteuning en inzicht in terugkerende knelpunten kunnen bijdragen aan aantrekkelijker en duurzamer werk.

Dat is belangrijk in een sector waarin het behouden van ervaren medewerkers een voortdurende uitdaging is. Maar de waarde van Automated Quality Monitoring stopt niet bij coaching.

Klantgesprekken als verbeterinstrument voor de hele organisatie

Misschien wel het interessantste aan de hierboven beschreven aanpak is dat de inzichten niet beperkt blijven tot de afdeling klantcontact. Stel dat uit de analyses blijkt dat inwoners regelmatig contact opnemen over dezelfde onduidelijke instructie. Dan kun je medewerkers blijven trainen om die instructie beter uit te leggen. Je kunt ook onderzoeken waarom die instructie zoveel vragen oproept. Misschien moet de tekst op de website worden aangepast. Misschien moet een interne werkinstructie duidelijker worden. Of misschien kan een deel van het proces eenvoudiger worden ingericht. Juist daar worden gespreksdata waardevol voor andere afdelingen.

De inzichten helpen bij het verbeteren van content, werkmethodieken en selfservice. Niet op basis van aannames, maar op basis van signalen uit daadwerkelijke interacties met inwoners. Daarmee verandert klantcontact van een afdeling die vooral vragen afhandelt in een belangrijke informatiebron voor de organisatie.

Dat principe is natuurlijk niet beperkt tot gemeenten. Ook verzekeraars, woningcorporaties, retailers en zakelijke dienstverleners kunnen leren van de vragen die klanten dagelijks stellen. Want iedere terugkerende klantvraag vertelt mogelijk iets over een proces, een kennistekort of een verwachting die niet wordt waargemaakt.

Hoe zorg je dat AI betrouwbare kennis gebruikt?

De ervaringen met kennismanagement en Quality Monitoring brengen ons terug bij een fundamentele vraag: hoe voorkom je dat AI onjuiste of verouderde informatie gebruikt? Volgens mij begint dat niet bij het kiezen van het beste taalmodel, maar bij de manier waarop een organisatie haar kennis beheert.

Begin met eigenaarschap. Zorg dat duidelijk is wie verantwoordelijk is voor de inhoud en actualiteit van belangrijke kennisbronnen. Wanneer regelgeving, producten of procedures veranderen, moet iemand ervoor zorgen dat die verandering ook in de beschikbare kennis wordt verwerkt.

Maak de herkomst van antwoorden zichtbaar. Een AI-assistent moet medewerkers niet alleen een overtuigend antwoord geven, maar waar mogelijk ook laten zien welke bronnen daarvoor zijn gebruikt. Zo blijft informatie controleerbaar.

Gebruik klantgesprekken om je kennis te verbeteren. Wanneer kwaliteitsanalyses laten zien dat dezelfde vragen terugkomen of dat medewerkers regelmatig afwijken van procedures, is dat een aanleiding om de onderliggende kennis te onderzoeken. En misschien wel het belangrijkste: accepteer dat kennismanagement nooit helemaal af is.

Organisaties veranderen. Regelingen worden aangepast, producten ontwikkelen zich en klanten stellen nieuwe vragen. Daarom is goede kennis geen eenmalig implementatieproject, maar een continu proces van beoordelen, aanpassen en verbeteren. De ontwikkeling van AI maakt dat proces niet minder belangrijk. Integendeel.

Van een slim contactcenter naar een organisatie die leert

De combinatie van Amazon Connect Customer, huXam Assistant en Quality Monitoring maakt een interessante verbetercyclus mogelijk. Amazon Connect Customer faciliteert en ondersteunt de interactie. De kennisassistent helpt medewerkers om relevante informatie te vinden. Automated Quality Monitoring analyseert wat er tijdens de gesprekken gebeurt en welke patronen daarin zichtbaar worden, zowel in het soort gesprekken als in de consistentie van de inhoud. Die inzichten kunnen vervolgens worden gebruikt om de kennisvoorziening, werkprocessen, coaching en selfservice te verbeteren. Door na de maatregelen nieuwe klantgesprekken te analyseren, kun je onderzoeken of die verbeteringen ook daadwerkelijk effect hebben.

Ook AWS ontwikkelt steeds meer functionaliteit voor het evalueren van menselijke en geautomatiseerde klantinteracties. In de documentatie over performance evaluations beschrijft AWS hoe organisaties kwaliteitscriteria, geautomatiseerde analyses en coaching kunnen combineren. De samenwerking tussen AWS, Ingram Micro en huXam helpt om deze technologische mogelijkheden te verbinden met de praktijk van organisaties.

Maar uiteindelijk draait het niet om hoeveel AI je inzet. Het gaat erom of klanten beter worden geholpen, medewerkers beter worden ondersteund en processen structureel verbeteren. Een contactcenter wordt niet intelligent doordat het AI gebruikt. Het wordt intelligent doordat het leert.

Ontdek wat 1.000 klantgesprekken over jouw organisatie vertellen

We kunnen uitgebreid praten over AI-agents, kennismanagement en intelligente contactcenters. Maar wat zou een analyse van jouw eigen klantgesprekken daadwerkelijk opleveren? Welke vragen keren terug? Waar verliezen medewerkers tijd? Welke kennis ontbreekt? En welke processen of selfservicevoorzieningen kunnen beter?

Bij huXam onderzoeken we dat met een Proof of Value. Bijvoorbeeld door 1.000 klantgesprekken te analyseren en de belangrijkste verbeterkansen zichtbaar te maken. Of door met je eigen kennisbronnen te onderzoeken hoe een AI-kennisassistent medewerkers kan ondersteunen. Zo ontdek je niet alleen wat AI technisch mogelijk maakt, maar vooral waar het binnen jouw organisatie waarde kan toevoegen.

Stop met praten over wat AI kan. Ontdek wat AI voor jouw organisatie doet. Ontdek de Proof of Value van huXam