AI-agents die zelfstandig klantvragen beantwoorden. Medewerkers die tijdens een gesprek automatisch de juiste informatie krijgen. Contactredenen die direct worden herkend. Gesprekken die automatisch worden samengevat. En klantvragen die zonder menselijke tussenkomst kunnen worden afgehandeld. Technisch komt er in klantcontact in hoog tempo steeds meer binnen bereik.
Amazon Connect Customer is daar een goed voorbeeld van. AWS positioneert het platform inmiddels als een agentic AI-oplossing voor customer experience: AI-agents kunnen klantvragen begrijpen, kennis raadplegen, processen en acties uitvoeren en waar nodig samenwerken met menselijke medewerkers. Dat is indrukwekkend. Maar het stelt organisaties tegelijkertijd voor een veel belangrijkere vraag:
“Als AI steeds meer klantcontact kan afhandelen, hoe zorgen we er dan voor dat AI ook daadwerkelijk het juiste doet?”
Daar ligt wat ons betreft de volgende grote uitdaging in klantcontact. Niet bij nóg meer AI. Maar bij de samenhang tussen contactcenter, kennis, kwaliteit en menselijk vakmanschap.
Wat is Amazon Connect Customer?
Amazon Connect Customer is de naam voor de customer-serviceoplossing die voorheen simpelweg Amazon Connect werd genoemd. Het platform ondersteunt klantinteracties over verschillende kanalen en combineert onder andere routering, selfservice, medewerker-ondersteuning, Interaction analytics en AI-functionaliteit. Interessanter is hoe het platform zich ontwikkelt.
Traditioneel organiseerde een contactcenter vooral het verkeer: Een klant belt, chat of mailt. Het systeem bepaalt waar die interactie terechtkomt. Een medewerker opent vervolgens andere systemen om het antwoord te vinden en de klant verder te helpen.
“Agentic AI verandert dat model.”
Een AI-agent kan niet alleen herkennen waarom iemand contact opneemt, maar ook informatie verzamelen, redeneren over vervolgstappen en processen en acties uitvoeren. AWS ondersteunt inmiddels zelfs samenwerking tussen verschillende gespecialiseerde AI-agents binnen één klantinteractie. Daarmee verschuift het contactcenter langzaam van routeringsplatform naar regieplatform. En precies daar wordt kennismanagement ineens cruciaal.
Waarom lost AI slechte kennis niet op?
Een taalmodel kan een antwoord uitstekend formuleren. Dat betekent nog niet dat het antwoord klopt.
Veel organisaties hebben hun kennis verdeeld over SharePoint, intranet, Teams, CRM, handleidingen, procedures, websites, pdf-bestanden en soms zelfs persoonlijke documenten van medewerkers. Voor een medewerker is dat al ingewikkeld en onoverzichtelijk.
AI verandert dit fundamentele probleem niet. Wanneer informatie versnipperd, verouderd, tegenstrijdig of onduidelijk is, kan AI die informatie vooral sneller beschikbaar maken. Dat maakt slechte kennis niet automatisch goede kennis.
“AI lost geen slecht kennisproces op. Het maakt het schaalbaarder.”
Daarom vinden wij de discussie over de inzet van AI in klantcontact soms te technologisch.
Organisaties vragen:
- Welk taalmodel moeten we gebruiken?
- Welke AI-agent is het beste?
- Kunnen we klantvragen volledig automatiseren?
Terwijl minstens zo belangrijke vragen zijn:
- Welke kennis mag AI gebruiken?
- Wie bepaalt of die informatie correct is?
- Welke bron heeft voorrang wanneer twee bronnen elkaar tegenspreken?
- Hoe zien medewerkers waar een antwoord vandaan komt?
- Wat gebeurt er wanneer tijdens klantgesprekken blijkt dat de kennis niet meer klopt?
- Wat kan Agentic AI voor onze doen op het gebied van samenwerking tussen Agents, medewerkers, bedrijfsprocessen en systemen?
Dat zijn geen modelvragen. Dat zijn governance- en organisatievragen.
Wat is de rol van een kennisassistent binnen het contactcenter?
Een goede kennisassistent zorgt niet simpelweg voor nóg een zoekveld. Hij maakt beschikbare organisatiekennis bruikbaar op het moment dat die nodig is.
De huXam Assistant* is bijvoorbeeld ontwikkeld om kennis uit bestaande bronnen zoals SharePoint, Teams, intranetten, documenten en andere kennisomgevingen toegankelijk te maken via een vraag-antwoordinterface. Antwoorden kunnen worden voorzien van bronverwijzingen, zodat medewerkers niet alleen een antwoord krijgen maar ook kunnen controleren waarop dat antwoord is gebaseerd. Dat wordt extra interessant wanneer zo’n kennislaag onderdeel wordt van het klantcontactproces.
* De huXam Assistant is onder meer beschikbaar via AWS Marketplace.
Stel: Een klant belt over een uitzonderingssituatie. Amazon Connect Customer herkent de contactreden en brengt het gesprek bij de juiste medewerker.
Tijdens het gesprek wordt relevante context beschikbaar. De kennisassistent haalt uit de goedgekeurde organisatiebronnen de procedure die bij deze situatie hoort.
De medewerker hoeft niet meer door verschillende applicaties te zoeken, maar blijft wel degene die context en uitzonderingen beoordeelt.
De medewerker kan snel en adequaat het goede en gevalideerde antwoord aan de klant geven en hem / haar daarmee geruststellen.
Dat laatste is belangrijk.
“De beste inzet van AI haalt de professional niet uit het proces, maar haalt onnodig zoekwerk uit het proces.”
Hoe weet je vervolgens of AI het goede antwoord geeft?
Hier ontstaat een tweede vraagstuk. Stel dat je AI tientallen, honderden of duizenden interacties per dag laat ondersteunen of uitvoeren. Hoe beoordeel je dan de kwaliteit?
Met vijf teruggeluisterde gesprekken per medewerker per maand kom je er niet meer. Kwaliteitsmonitoring moet daarom mee veranderen met het klantcontact.
AWS voegt zelf steeds meer mogelijkheden toe om AI-interacties te evalueren. Amazon Connect Customer kan bijvoorbeeld Agentic AI gebruiken om selfservice-interacties automatisch aan beoordelingscriteria te toetsen. Ook zijn traces beschikbaar waarmee organisaties kunnen bekijken hoe een AI-agent tot bepaalde acties en antwoorden kwam.
Dat is een belangrijke ontwikkeling. Maar de organisatorische vraag gaat verder dan de technische werking van één AI-agent.
Een organisatie wil bijvoorbeeld weten:
- Welke vragen veroorzaken veel herhaalcontact?
- Bij welke onderwerpen moeten medewerkers vaak afwijken van een proces?
- Welke kennis ontbreekt?
- Waar verschillen antwoorden tussen teams?
- Welke klantvragen worden wel afgehandeld, maar niet werkelijk opgelost?
- Waar ontstaat frustratie?
- Welke processen veroorzaken onnodig klantcontact?
- Welke systemen en applicaties zorgen voor oponthoud en minder klanttevredenheid?
Daar komt bredere Quality Monitoring in beeld.
huXam Quality Monitoring analyseert klantinteracties zoals telefonie, chat en e-mail om patronen, inhoud en kwaliteit structureel zichtbaar te maken. Het doel is daarbij niet medewerkers controleren, maar begrijpen waar dienstverlening verbeterd kan worden.
De echte winst ontstaat in de feedbackloop
Dit is volgens ons het interessante deel. Niet Amazon Connect afzonderlijk. Niet een kennisassistent afzonderlijk. En ook niet Quality Monitoring afzonderlijk. Maar de feedbackloop tussen die drie.
Een klant stelt een vraag. Het contactcenter faciliteert de interactie. De kennislaag ondersteunt medewerker of AI met relevante en gevalideerde informatie. Vervolgens analyseert Quality Monitoring wat er tijdens duizenden interacties daadwerkelijk gebeurt. Hieruit kan bijvoorbeeld blijken dat klanten steeds opnieuw over hetzelfde onderwerp bellen.
Dan is de vervolgvraag niet alleen:
“Hoe krijgen we de medewerker sneller door dit gesprek?”
Maar:
“Waarom moeten klanten hierover eigenlijk zo vaak bellen?”
Misschien ontbreekt informatie op de website. Misschien is een interne procedure onduidelijk. Misschien interpreteren medewerkers beleid verschillend. Misschien geeft de kennisassistent een correct antwoord, maar begrijpt de klant het antwoord niet. Of misschien zit het probleem helemaal niet in klantcontact, maar ergens eerder in het proces.
Dat is het verschil tussen AI gebruiken voor automatisering en AI gebruiken voor continue verbetering.
Hoe ziet een volwassen AI-architectuur voor klantcontact eruit?
Wij zien grofweg drie lagen.
- De interactielaag
Hier vindt het klantcontact plaats.
Telefonie, chat, e-mail, messaging en selfservice komen samen. Amazon Connect Customer kan daarin fungeren als centraal klantcontactplatform met routering, AI-agents, medewerkerondersteuning en verschillende vormen van analytics.
- De kennis- en contextlaag
Hier wordt bepaald welke informatie medewerker of AI nodig heeft om een vraag goed af te handelen. Niet zoveel mogelijk informatie, maar de juiste, actuele en betrouwbare informatie.
Een kennisassistent kan bestaande organisatiebronnen ontsluiten zonder dat organisaties daarvoor opnieuw al hun kennis in één nieuw systeem hoeven onder te brengen.
- De leer- en kwaliteitslaag
Hier analyseer je wat er daadwerkelijk gebeurt.
- Welke vragen komen binnen?
- Welke antwoorden worden gegeven?
- Waar wijkt de uitvoering af?
- Waar ontstaat herhaalcontact?
- Welke kennis wordt vaak geraadpleegd?
- Waar missen medewerkers informatie?
- Welke processen verdienen aanpassing?
“Daar wordt klantcontact een bron van stuurinformatie.”
Waarom is deze combinatie belangrijk bij agentic AI?
Omdat autonomie zonder feedback riskant is. Naarmate AI-agents meer mogen doen, wordt het belangrijker om niet alleen vooraf regels en guardrails in te richten, maar ook achteraf te kunnen zien wat er daadwerkelijk gebeurt.
“Een AI-agent die één fout antwoord geeft, is vervelend. Een AI-agent die hetzelfde foutieve antwoord automatisch duizend keer geeft, is een procesprobleem.”
Daarom horen kennisgovernance en kwaliteitsmonitoring wat ons betreft vanaf het begin thuis in een AI-strategie voor klantcontact.
Niet als controlelaag die later wordt toegevoegd, maar als onderdeel van het ontwerp.
AWS ontwikkelt hiervoor steeds meer observability, evaluatie- en guardrailfunctionaliteit binnen Amazon Connect Customer. De toegevoegde waarde van organisatiebrede kwaliteitssturing zit vervolgens in het verbinden van die technische inzichten aan de werkelijkheid van medewerkers, klantvragen, processen en kennisbronnen.
Het is dus geen keuze tussen platformfunctionaliteit óf aanvullende oplossingen. Het gaat om de vraag: Op welk niveau wil je kunnen sturen?
Technologie is niet meer het grootste vraagstuk
De komende jaren worden AI-agents beter. Stemmen worden natuurlijker. Modellen worden sneller. Meer processen worden automatiseerbaar. De technologie zal waarschijnlijk sneller vooruitgaan dan veel organisaties haar kunnen implementeren.
Daarom verwachten wij dat het onderscheid steeds minder wordt gemaakt door wie toegang heeft tot de beste AI. Die technologie wordt breed beschikbaar. Het verschil ontstaat bij organisaties die hun dienstverlening er goed omheen organiseren.
Organisaties die weten:
- welke processen ze willen automatiseren;
- welke kennis betrouwbaar genoeg is;
- wanneer een mens moet overnemen;
- hoe kwaliteit wordt gemeten;
- en hoe inzichten uit klantgesprekken weer leiden tot betere processen en kennis.
Daar zit AI-volwassenheid. Niet in het aantal AI-toepassingen dat je hebt. Maar in de mate waarin je er controle over houdt.
Waar begin je met AI in klantcontact?
Niet met de vraag welk model je wilt gebruiken. Begin met één concrete klantreis of één veelvoorkomende contactreden, en stel vervolgens vijf vragen:
- Waarom neemt de klant contact op? Kijk niet alleen naar het kanaal, maar naar de daadwerkelijke behoefte.
- Welke kennis is nodig om deze vraag goed te beantwoorden? Breng bronnen, eigenaarschap en actualiteit in kaart.
- Wat kan AI veilig en betrouwbaar uitvoeren? Automatiseer niet omdat het kan, maar omdat het aantoonbaar bijdraagt aan betere dienstverlening.
- Wanneer moet een medewerker de regie overnemen? Menselijke expertise blijft juist belangrijk bij uitzonderingen, emotie en complexe afwegingen.
- Hoe weten we vervolgens of het werkt? Meet niet alleen snelheid, afhandeltijd of containment. Kijk ook naar kwaliteit, herhaalcontact, procesafwijkingen en de vraag of het probleem van de klant daadwerkelijk is opgelost.
“Pas daarna komt technologie”
Kan Amazon Connect Customer worden gecombineerd met huXam?
Ja. huXam implementeert Amazon Connect Customer en combineert het platform met onder andere kennismanagement, huXam Assistant, Quality Monitoring, gespreksregie en integraties met bestaande CRM- en bedrijfsomgevingen. Die aanpak is bewust composable.
Niet iedere organisatie hoeft hetzelfde landschap te hebben en niet iedere bestaande applicatie hoeft vervangen te worden. De samenwerking tussen huXam, AWS en Ingram Micro past bij die gedachte. De AWS-partnerontwikkeling van huXam kwam mede tot stand vanuit de samenwerking met Ingram Micro, waarbij de focus juist ligt op het verbinden van AWS-technologie met praktische klantcontactoplossingen.
Want uiteindelijk is de technologie niet het doel.
“Goede dienstverlening is het doel.”
Amazon Connect Customer kan een krachtig fundament vormen. AI-agents kunnen steeds meer werk overnemen. Een kennisassistent kan de juiste informatie op het juiste moment beschikbaar maken. Quality Monitoring kan zichtbaar maken wat er in duizenden interacties daadwerkelijk gebeurt. Maar de echte winst ontstaat wanneer die onderdelen van elkaar gaan leren.
Dan automatiseer je niet simpelweg klantcontact. Dan bouw je een dienstverlening die zichzelf steeds beter leert begrijpen.
Zelf ontdekken waar de grootste kans ligt?
Wie wil starten met AI in klantcontact hoeft niet direct een volledig contactcenter opnieuw te ontwerpen. Een betere eerste stap is één concrete klantreis, kennisvraag of hoeveelheid klantgesprekken te nemen en te onderzoeken waar de meeste verbetering mogelijk is.
huXam werkt daarom met een Proof of Value: op basis van de eigen kennis, klantinteracties en processen wordt zichtbaar waar AI daadwerkelijk waarde toevoegt en wat nodig is om dit verantwoord op te schalen.
