AI in klantcontact ontwikkelt zich in hoog tempo. Generatieve AI kan klantvragen beantwoorden, medewerkers ondersteunen, gesprekken samenvatten, kennis ontsluiten en steeds vaker zelfstandig acties uitvoeren.
Maar juist nu de technologie steeds meer kan, wordt een ander vraagstuk belangrijker.
Niet: “Wat kan AI?”
Maar: “Hoe organiseren we AI zo dat het onze dienstverlening daadwerkelijk beter maakt?”
De afgelopen periode hebben we bij huXam veel geschreven over generatieve AI, kennismanagement, AI Quality Monitoring, gespreksregie, virtuele assistenten, medewerkers, privacy en businesscases. Op het eerste gezicht zijn dat verschillende onderwerpen. Leg je ze naast elkaar, dan zie ik één duidelijke rode lijn:
De technologie ontwikkelt sneller dan het vermogen van organisaties om die technologie goed te organiseren.
En precies daarom is technologie niet langer het grootste vraagstuk bij AI in klantcontact.
AI in klantcontact gaat steeds minder over wat technisch mogelijk is
Een paar jaar geleden draaide het gesprek vooral om de technische mogelijkheden.
- Kan een model een klantvraag begrijpen?
- Kan het een natuurlijk antwoord formuleren?
- Kan het informatie uit verschillende bronnen combineren?
- Kan het een gesprek samenvatten?
Inmiddels weten we dat er veel mogelijk is.
Generatieve modellen kunnen kennis raadplegen, medewerkers tijdens gesprekken ondersteunen, administratieve handelingen uitvoeren en bepaalde klantvragen volledig zelfstandig afhandelen. Dat betekent dat de volgende vraag belangrijker wordt:
Welke klantvragen wíllen we eigenlijk door AI laten afhandelen?
- Een vraag over openingstijden is iets anders dan een klacht.
- Een statusvraag over een aanvraag is iets anders dan een inwoner die niet begrijpt waarom een besluit is genomen.
- Een eenvoudige mutatie vraagt iets anders dan een gesprek waarin emotie, belangen of professioneel oordeel een rol spelen.
Niet alles wat technisch geautomatiseerd kan worden, hoeft daarom geautomatiseerd te worden. AI-volwassenheid begint juist bij het maken van dat onderscheid.
Wil je daar verder op doorlezen? In ons artikel over welke soorten klantvragen een generatief AI-model zelfstandig kan afhandelen gaan we hier uitgebreider op in.
Goede AI begint bij goede kennis
Daarmee komen we bij een onderwerp dat naar mijn idee nog steeds wordt onderschat: kennismanagement.
Een generatief model kan een overtuigend antwoord formuleren, maar het moet dat antwoord wel ergens op baseren. Juist daar wordt zichtbaar hoe goed een organisatie haar kennis heeft georganiseerd.
- Staat informatie verspreid over documenten, websites, intranet, bestaande kennisbanken en applicaties?
- Zijn er verschillende versies van dezelfde werkinstructie?
- Is duidelijk welke bron leidend is?
- Wie bepaalt wanneer informatie verouderd is?
- En wie is verantwoordelijk voor de kwaliteit van kennis?
Zolang medewerkers zelf zoeken, interpreteren en combineren, kunnen dergelijke problemen relatief lang verborgen blijven. Zodra AI dezelfde kennis zelfstandig gaat gebruiken, worden inconsistenties schaalbaar.
Slechte kennis wordt door AI niet beter. Het verkeerde antwoord kan vooral sneller, consistenter en overtuigender worden gegeven.
Dat maakt kennismanagement niet minder belangrijk door AI. Nee, het maakt kennismanagement juist belangrijker. Kennis wordt daarmee een strategisch bedrijfsmiddel waarop medewerkers, digitale assistenten en andere AI-toepassingen allemaal moeten kunnen vertrouwen.
Dat sluit ook aan bij onze artikelen over hoe AI medewerkers live tijdens een klantgesprek ondersteunt en hoe AI een kennisbank actueel kan helpen houden.
De medewerker verdwijnt niet, maar het werk verandert wel
Een andere discussie rondom AI in klantcontact wordt naar mijn mening nog te vaak zwart-wit gevoerd:
AI óf de medewerker. Automatiseren óf persoonlijk contact.
In de praktijk verwacht ik juist dat technologie en medewerker steeds verder met elkaar verweven raken. AI kan informatie zoeken, suggesties doen, klantcontext verzamelen, gesprekken samenvatten en repetitieve administratieve taken uitvoeren. Dat betekent dat een deel van het huidige werk inderdaad verandert of verdwijnt.
Maar tegelijkertijd verandert ook het werk dat overblijft. De eenvoudige en voorspelbare interacties zijn immers het makkelijkst te automatiseren.
Daardoor krijgen medewerkers relatief vaker te maken met situaties waarin een standaardantwoord juist onvoldoende is.
- Complexe vragen.
- Uitzonderingen.
- Emotionele gesprekken.
- Situaties waarin verschillende belangen spelen.
- Gesprekken waarin iemand moet luisteren, interpreteren en verantwoordelijkheid moet nemen.
Daarmee wordt vakmanschap niet minder belangrijk. Vakmanschap wordt eigenlijk juist steeds belangrijker.
De medewerker hoeft misschien minder informatie te onthouden en minder handmatig te registreren, maar moet des te beter begrijpen wat er in een klantgesprek werkelijk gebeurt.
AI ondersteunt dat vakmanschap. Het vervangt het niet.
AI in klantcontact maakt kwaliteit meetbaar maken belangrijker
Als technologie een groter deel van het klantcontact ondersteunt of zelfstandig uitvoert, ontstaat automatisch een andere vraag:
Hoe weten we of het goed gaat?
Traditionele Quality Monitoring is vaak gebaseerd op een beperkt aantal gesprekken dat handmatig wordt geselecteerd en beoordeeld. Een coach luistert enkele gesprekken terug, vult een scoreformulier in en bespreekt de uitkomst met een medewerker. Dat kan waardevol zijn. Echter geeft het slechts zicht op een klein gedeelte van alle interacties.
Wanneer medewerkers én digitale agents klantcontact afhandelen, wordt dat steeds minder toereikend.
- Geeft AI structureel het juiste antwoord?
- Wordt de juiste kennisbron gebruikt?
- Wanneer wordt een gesprek doorgestuurd naar een medewerker?
- Welke onderwerpen leiden opvallend vaak tot vervolgcontact?
- Waar wijkt de praktijk af van procedures of beleid?
- Welke kennis ontbreekt structureel?
Daarvoor moet kwaliteit niet alleen steekproefsgewijs worden gecontroleerd. Je wilt patronen herkennen over grote aantallen klantinteracties.
Daarmee verandert Quality Monitoring van een controle-instrument naar een informatiebron voor continue verbetering.
Dat is ook waarom wij AI Quality Monitoring steeds meer als een eigen specialisme zien.
Transcriptie is geen gespreksregie
Een vergelijkbare ontwikkeling zien we bij transcriptie en automatische samenvattingen.
De tijdwinst daarvan is duidelijk. Een medewerker hoeft minder mee te typen en na afloop minder handmatig vast te leggen. Een transcript is echter geen afgerond klantproces.
Stel dat tijdens een gesprek:
- afspraken worden gemaakt?
- informatie dient te worden opgevraagd?
- Een collega een actie moet uitvoeren?
- Een dossier moet worden bijgewerkt?
- Er bepaalde wettelijke of interne termijnen gelden?
Dan is weten wat er gezegd is niet voldoende. Je wilt ook weten:
- Wat is afgesproken?
- Wie moet iets doen?
- Wanneer moet dat gebeuren?
- Welke informatie ontbreekt?
- Welke vervolgactie hoort bij het gesprek?
- Is alles op de juiste plek vastgelegd?
Dat is het verschil tussen transcriptie en gespreksregie.
De volgende stap in AI in klantcontact is daarom niet alleen gesprekken begrijpen, het is gesprekken kunnen vertalen naar betekenis, vervolgacties en processen. Als AI je daarmee ondersteunt, ben jij als medewerker echt de regie aan het voeren.
De businesscase voor AI wordt breder
AI-projecten worden nog vaak bekeken vanuit efficiency:
- Lagere kosten.
- Kortere afhandeltijden.
- Meer selfservice.
- Minder administratief werk.
Dat zijn relevante voordelen die niet het hele verhaal vertellen. De businesscase voor AI ligt breder:
- Wat is bijvoorbeeld de waarde van een medewerker die tijdens ieder gesprek direct toegang heeft tot betrouwbare kennis?
- Wat levert het op als een organisatie eerder ontdekt dat een werkinstructie structureel tot verkeerde antwoorden leidt?
- Wat is de waarde van minder herstelcontact?
- Wat is de waarde van betere dossiervorming?
- Wat is de waarde van snellere onboarding?
- Wat is de waarde van meer inzicht in wat klanten daadwerkelijk vragen?
- Wat is de waarde voor een coach en de organisatie die niet langer een handvol gesprekken beoordeelt, maar gericht kan coachen op patronen uit duizenden interacties?
De interessantste businesscase is daarom niet alleen:
Hoeveel capaciteit kunnen we besparen?
Maar ook:
Hoeveel betere dienstverlening kunnen we met dezelfde capaciteit organiseren?
Dat verandert het gesprek fundamenteel.
Onderzoek bevestigt dat “organisatie” belangrijker wordt dan alleen “technologie”
Wij zien de struggle van organisatie en technologie niet alleen in onze eigen praktijk.
McKinsey concludeert in het wereldwijde onderzoek The State of AI dat de meeste organisaties nog steeds moeite hebben om AI van experimenten naar organisatiebrede schaal te brengen. Bijna twee derde van de respondenten gaf aan AI nog niet organisatiebreed te hebben opgeschaald. Organisaties die meer waarde uit AI halen, onderscheiden zich juist door processen en workflows opnieuw in te richten in plaats van alleen technologie toe te voegen.
Dat is een belangrijk verschil.
AI implementeren in een bestaand proces levert niet automatisch transformatie op.
Soms moet juist het proces zelf opnieuw worden ontworpen.
Bron: McKinsey – The state of AI in 2025: Agents, innovation, and transformation
Ook het Amerikaanse National Institute of Standards and Technology (NIST) legt bij generatieve AI sterk de nadruk op organisatie en governance. In het Generative Artificial Intelligence Profile wordt AI-risicomanagement beschreven als een continu proces van governance, identificeren, meten en beheersen. Betrouwbare AI vraagt dus niet alleen om goede technologie, maar ook om duidelijke verantwoordelijkheden, evaluatie en sturing gedurende de volledige levenscyclus.
Bron: NIST – Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile
De rode draad is daarmee duidelijk:
AI-succes is steeds minder een technisch implementatievraagstuk en steeds meer een organisatievraagstuk.
Uiteindelijk kom je uit bij AI-governance
Zodra AI daadwerkelijk onderdeel wordt van de dienstverlening, ontstaan vragen waarop technologie zelf geen antwoord geeft:
- Wie is verantwoordelijk voor een door AI gegeven antwoord?
- Welke kennis mag het systeem gebruiken?
- Welke persoonsgegevens mogen worden verwerkt?
- Wanneer moet een medewerker het gesprek overnemen?
- Hoe bepalen we wat een kwalitatief goed klantcontact is?
- Wie controleert of modellen blijven presteren zoals bedoeld?
- Wie is eigenaar van kennis, prompts, kwaliteitscriteria en uitzonderingen?
- Wat gebeurt er wanneer AI een fout maakt?
Dat zijn geen vragen voor alleen IT. Ook niet alleen voor klantcontact. Ook niet alleen voor privacy of compliance. Het zijn organisatievraagstukken. En juist daarom wordt governance een essentieel onderdeel van AI in klantcontact.
Van experimenteren naar organiseren
Als ik de ontwikkelingen van de afgelopen periode naast elkaar leg, zie ik daarin misschien wel de belangrijkste verandering. De eerste fase van generatieve AI draaide vooral om experimenteren:
Wat kan deze technologie?
De volgende fase draait om organiseren:
Hoe zorgen we dat deze technologie betrouwbaar, uitlegbaar, veilig en beheersbaar onderdeel wordt van onze dienstverlening?
Daarvoor moeten kennismanagement, klantcontact, IT, kwaliteitsmanagement, privacy, procesmanagement en medewerkers veel dichter bij elkaar komen. McKinsey beschrijft in een recent onderzoek naar customer experience een vergelijkbare ontwikkeling: organisaties bewegen van vooraf ontworpen klantreizen naar dynamische, door AI ondersteunde orkestratie van dienstverlening. Ook daarbij blijft de technologie slechts één onderdeel van het geheel. De organisaties met de meeste AI-functionaliteit worden niet automatisch de organisaties met de beste dienstverlening.
Juist organisaties die goed begrijpen waar AI wel én niet thuishoort, uiteindelijk de grootste stappen maken.
Misschien stellen we daarom de verkeerde vraag
We praten momenteel veel over modellen, copilots, agents en automatisering. Logisch. De ontwikkeling gaat snel en de mogelijkheden zijn indrukwekkend. Misschien, echter, moeten bestuurders, managers en professionals in klantcontact zichzelf een andere vraag stellen.
Niet:
“Wat kunnen we nog meer met AI automatiseren?”
Maar:
“Hoe willen we dat onze dienstverlening er over drie jaar uitziet, en welke rol moet technologie daarin spelen?”
Begin je bij die vraag, dan volgen kennis, kwaliteit, medewerkers, processen, governance en technologie vanzelf in een andere volgorde.
En misschien is dat precies de volwassenheidsstap die klantcontact nu nodig heeft.
