Agentische klantenservice: wat het is en hoe je overstapt

Agentische klantenservice is support waarin AI-agents niet alleen vragen beantwoorden, maar ook handelen om een doel te bereiken: ze zoeken de bestelling op, passen het beleid toe, storten het bedrag terug en sluiten de case, en dragen het gesprek over aan een mens wanneer dat moet. Supportteams komen er in fases, en elke fase geeft de AI meer autonomie en verschuift het knelpunt van capaciteit naar kwaliteit en governance.

In het kort

• Agentische klantenservice betekent AI-agents die plannen en handelen in je systemen, geen chatbots die alleen antwoorden.
• De meeste supportteams doorlopen vier fases: menselijke teams, regelgebaseerde bots, AI-agents voor één taak (agentisch 1.0) en autonome agents die hele processen uitvoeren (agentisch 2.0).
• Elke fase verandert wat je meet, wie waarvoor verantwoordelijk is en hoe het misgaat, dus het operationele model moet mee veranderen.
• Naarmate de autonomie groeit, wordt het bouwen van agents makkelijker en het weten of ze het goed doen moeilijker: kwaliteit en governance bepalen hoe snel je kunt gaan.
• Ga pas naar de volgende fase als de huidige slaagt voor schriftelijke controles op juistheid, escalatie, eigenaarschap en de mogelijkheid om te pauzeren.

Wat is agentische klantenservice?

Agentische klantenservice is een supportmodel waarin AI-agents het doel van een klant nastreven over meerdere stappen en systemen heen, met toestemming om te handelen: het account lezen, bepalen wat het beleid toestaat, de wijziging uitvoeren en die bevestigen. Een chatbot antwoordt; een agentisch systeem lost op, en dat betekent ook dat het verkeerd kan oplossen.

“Agentisch” beschrijft hoeveel de AI zelfstandig mag doen. Voor de software zelf lees je wat een AI-agent in de klantenservice is (in het Engels) en wat agentische AI betekent (in het Engels). Dit artikel gaat over de operationele kant: wat een supportorganisatie verandert als ze meer werk aan agents overdraagt.

De laatste rij weegt het zwaarst voor een hoofd klantenservice. Een falende bot laat een gefrustreerde klant achter. Een falende agent kan een terugbetaling achterlaten die nooit had mogen gebeuren, een beloofd beleid dat niet bestaat, of een klant die drie keer om een mens vroeg.

Wat zijn de fases van de overstap naar agentische support?

De overstap naar agentische support verloopt meestal in vier fases: menselijke teams, regelgebaseerde bots, AI-agents voor één taak die één afgebakende actie uitvoeren (agentisch 1.0), en autonome agents die hele processen draaien met weinig mensen in de lus (agentisch 2.0). Elke fase vraagt andere controles voordat de volgende veilig is.

Gebruik de tabel om je team te plaatsen. Kopieer hem in je planningsdocument en vul de laatste kolom met je eigen drempels.

De fases zijn geen wedstrijd. Veel teams draaien fase 3 voor sommige contactredenen en fase 1 voor andere, en dat is een goed ontwerp, geen achterstand. De sprong van fase 3 naar fase 4 is groter dan hij lijkt: in fase 3 doet een agent één ding dat je kunt controleren; in fase 4 bepaalt AI-agent orkestratie welke agent wat doet, en de fout kan zitten in de overdracht tussen twee agents die elk hun eigen stap goed uitvoerden.

Wat verandert er voor het supportteam in elke fase?

In elke fase verandert de supportorganisatie drie dingen: wat ze meet, wie eigenaar is van welke beslissing en op welke fout ze let. Het aantal medewerkers haalt de krantenkoppen, maar eigenaarschap bepaalt of de uitrol standhoudt.

Fase 1: menselijke teams

• Wat je meet: de kwaliteitsscore van je scorecard, CSAT, first contact resolution en afhandeltijd, per medewerker en per contactreden.
• Wie waarvoor verantwoordelijk is: teamleiders zijn eigenaar van coaching; een QA-lead is eigenaar van de scorecard en de kalibratie; kennismanagers zijn eigenaar van het helpcenter.
• Wat er mis kan gaan: je kent de kwaliteit uit een steekproef van 2% tot 5% van de gesprekken, dus je kent gemiddelden, geen patronen. Voor mensen is dat prima, want hun fouten liggen verspreid.

In deze fase begint ook het werk voor de latere fases. De scorecard die je voor mensen schrijft, wordt de eerste versie van de standaard waaraan je agents houdt.

Fase 2: regelgebaseerde bots

• Wat je meet: containment, maar alleen naast een controle op oplossing, want een klant die afhaakt telt ook als “contained”. Onze gids over containment rate eerlijk meten (in het Engels) laat zien hoe je die twee combineert.
• Wie waarvoor verantwoordelijk is: een eigenaar in CX operations of conversation design onderhoudt flows en intents; teamleiders nemen de geëscaleerde contacten over.
• Wat er mis kan gaan: klanten die vastzitten in lussen en het gevoel krijgen dat de bot bestaat om hen te laten opgeven, een reputatie die fase 3 moet overwinnen.

Fase 3: AI-agents voor één taak (agentisch 1.0)

• Wat je meet: juistheid van antwoorden, correctheid van acties, tijdige escalatie en een oplossing die standhoudt (geen nieuw contact over hetzelfde probleem binnen 7 dagen). Volume en snelheid komen op de tweede plaats.
• Wie waarvoor verantwoordelijk is: een benoemde eigenaar per agent, meestal in CX operations, die wijzigingen in instructies en kennis goedkeurt; finance of risk voor actielimieten zoals de maximale terugbetaling; de QA-lead voor de standaard waartegen de agent wordt gescoord.
• Wat er mis kan gaan: één verkeerde lezing van het beleid herhaalt zich in duizenden gesprekken. De overdracht is het andere zwakke punt: praktijkmensen die supportagents hebben uitgerold, melden vaak dat de timing van escalaties meer problemen gaf dan de juistheid van antwoorden. Onze gids over de overdracht tussen AI-agent en medewerker scoren behandelt wat je op die naad controleert.

De opvallende cijfers in deze fase gaan meestal over volume en snelheid. Toen Klarna in februari 2024 zijn AI-assistent aankondigde, meldde het bedrijf dat de assistent in de eerste maand twee derde van de klantenservicechats afhandelde: 2,3 miljoen gesprekken, het werk van 700 fulltime medewerkers, met een oplostijd die daalde van 11 minuten naar minder dan 2 en 25% minder herhaalvragen (persbericht van Klarna, in het Engels). Van die cijfers zegt alleen het cijfer over herhaalvragen iets over kwaliteit. Rapporteer je eigen resultaten in fase 3, zet dan naast elk volumecijfer een kwaliteitscijfer.

Fase 4: autonome agents die processen draaien (agentisch 2.0)

• Wat je meet: kwaliteit van de volledige klantreis (kreeg de klant de juiste uitkomst, met de juiste stappen, in één keer), het aandeel onomkeerbare acties dat juist was, de tijd tot je een nieuw foutpatroon ontdekt, en uitzonderingen die op tijd naar mensen gaan.
• Wie waarvoor verantwoordelijk is: een proceseigenaar per volledige klantreis (bijvoorbeeld “beschadigd artikel tot vervanging”), niet alleen een eigenaar per agent; een governancegroep uit CX, legal of compliance, security en IT die goedkeurt wat agents mogen doen; QA is eigenaar van detectie en bewijs.
• Wat er mis kan gaan: fouten stapelen zich op. Agent A leest de bestelling verkeerd, agent B stort het verkeerde bedrag terug, agent C stuurt een bevestiging die er correct uitziet. Elke agent slaagt voor zijn eigen controle. Alleen een blik op de volledige klantreis toont de fout.

Hier veranderen de rollen het meest. Minder mensen beantwoorden klanten; meer mensen beoordelen uitzonderingen, onderhouden kennis, schrijven en testen instructies voor agents en onderzoeken wat de scores laten zien. Het team inkrimpen voordat die rollen bemand zijn, is een snelle manier om de controle over fase 4 te verliezen.

Waarom worden kwaliteit en governance het knelpunt naarmate de autonomie groeit?

Kwaliteit en governance worden het knelpunt omdat autonomie niet alleen werk opschaalt, maar ook fouten. Een AI-agent past dezelfde instructie toe op elk gesprek, dus één fout herhaalt zich duizenden keren, terwijl er minder mensen in de lus zitten om het op te merken. Ondertussen blijft je bedrijf aansprakelijk voor wat de agent zegt en doet.

Agents bouwen wordt goedkoper, ze controleren niet. Agentplatformen leveren nu agents die met weinig opzetwerk acties uitvoeren, dus de moeilijke vraag verschuift van “kunnen we dit automatiseren?” naar “weten we dat het klopt?” Het geautomatiseerde aandeel blijft groeien: Gartner voorspelde in maart 2025 dat agentische AI tegen 2029 80% van de gangbare klantenserviceproblemen zelfstandig zal oplossen, zonder menselijke tussenkomst (zoals gemeld door CX Today, in het Engels). Hetzelfde bericht raadt klantenservicemanagers aan richtlijnen te schrijven voor interacties onder leiding van AI, over gegevensbescherming, beveiliging en escalatie.

Het bedrijf is eigenaar van het antwoord. In Moffatt v. Air Canada oordeelde een Canadees tribunaal over een chatbot van een luchtvaartmaatschappij die een klant verkeerde informatie gaf over tarieven bij overlijden van een familielid. De maatschappij voerde aan dat ze niet aansprakelijk kon worden gesteld voor informatie van de chatbot. Het tribunaal noemde dat “a remarkable submission” (een opmerkelijk standpunt) en oordeelde dat “it should be obvious to Air Canada that it is responsible for all the information on its website” (het had voor Air Canada duidelijk moeten zijn dat het verantwoordelijk is voor alle informatie op zijn website), en veroordeelde de maatschappij tot betaling van C$812,02 (uitspraak, 2024 BCCRT 149, in het Engels). Het bedrag was klein. Het principe geldt voor elke agent die met je klanten praat.

De regels komen eraan. Artikel 50 van de AI-verordening vereist dat AI-systemen die bedoeld zijn om rechtstreeks met mensen te communiceren zo zijn ontworpen dat die mensen weten dat ze met een AI-systeem te maken hebben, tenzij dat duidelijk is (Verordening (EU) 2024/1689). Kaders zoals het NIST AI Risk Management Framework (in het Engels), opgebouwd rond de functies govern, map, measure en manage, en het kader van Singapore voor agentische AI (zie onze samenvatting van het Singaporese governancekader voor agentische AI) wijzen dezelfde kant op: iemand moet aanspreekbaar zijn, en acties moeten herleidbaar zijn. Onze gids over AI-agent governance vertaalt dat naar rollen, beleid en controles voor een supportteam.

Een uitgewerkt voorbeeld: waarom een steekproef niet meer volstaat

De cijfers hieronder zijn een illustratie, geen klantdata. Neem een supportteam met 120.000 gesprekken per maand. In fase 3 of 4 lossen AI-agents 45% daarvan op: 54.000 gesprekken.

De dure fout. 9.000 van die gesprekken zijn verzoeken om terugbetaling. Er wordt een kennisartikel aangepast, en de agent begint in 4% van de terugbetalingsgesprekken terugbetalingen goed te keuren buiten de termijn van 30 dagen. Dat zijn 360 onterechte terugbetalingen per maand. Bij gemiddeld € 60 kost dat € 21.600 per maand, en elk ervan telt op het dashboard als “opgelost”.

De zeldzame fout. Daarnaast mist de agent de escalatie wanneer een klant juridische stappen noemt, in 0,1% van zijn gesprekken: 54 per maand. Elk daarvan is een mogelijke klacht bij een toezichthouder of een brief van een advocaat.

Leg nu een klassieke steekproef van 2% op de 54.000 gesprekken van de agent: 1.080 beoordelingen per maand. Voor de zeldzame fout verwacht je ongeveer 1 fout gesprek in de steekproef. De kans dat je hem minstens één keer ziet, is ongeveer 66%; de kans dat je hem 3 keer of vaker ziet, genoeg om van een patroon te spreken, is minder dan 10%. Als je elk gesprek scoort, komen alle 54 boven water, gegroepeerd, met het bewijs.

Stap dus over van steekproeven naar volledige dekking voordat agents acties uitvoeren, niet erna. Lees AI-agents evalueren voor hoe je de kwaliteit van agents scoort en AI-agent monitoring voor de live signalen die een nieuw patroon binnen enkele uren opvangen.

Zie het op je eigen gesprekken. Kaizo is QA-software voor de klantenservice die elk gesprek scoort, van je team en van je AI-agents. Het scoort gesprekken van AI-agents op dezelfde scorecard als die van je team, en elke score is gekoppeld aan het bewijs in het gesprek, zoals beschreven op onze pagina over kwaliteitscontrole van AI-agents. Demo boeken.

Hoe weet je wanneer je naar de volgende fase gaat?

Ga naar de volgende fase wanneer de huidige gedurende een langere periode slaagt voor schriftelijke criteria, niet wanneer de demo van de leverancier er goed uitziet. Een bruikbare regel: de agent haalt je menselijke kwaliteitsbaseline op zijn contactredenen, honoreert elk verzoek om een mens en heeft een benoemde eigenaar die hem kan pauzeren, minstens 4 weken op rij.

Zie de criteria hieronder als vertrekpunt, en spreek ze vóór de uitrol af met je CX-, risk- en IT-leads, zodat niemand de lat later verlegt.

Twee beslisregels helpen als de criteria elkaar tegenspreken. Slaagt de juistheid maar faalt de escalatie, ga dan niet verder: een gemiste overdracht doet meer schade dan een traag antwoord. Slagen alle criteria op sommige contactredenen en op andere niet, zet dan alleen die contactredenen door. Fases bepaal je per contactreden, niet per bedrijf.

Draai vóór fase 4 ook de volledige klantreis in een testomgeving, met synthetische klanten en lastige gevallen (gedeeltelijke terugbetalingen, gewijzigde adressen, klanten die om een mens vragen). Chatbot testen somt de gevallen op die het waard zijn om uit te schrijven.

Wanneer is agentische klantenservice de verkeerde keuze?

Agentische klantenservice is de verkeerde keuze als het werk erachter niet klaar is: geen geschreven beleid dat de agent kan volgen, geen schone data om op te handelen, of te weinig volume om het toezicht te rechtvaardigen dat de agent nodig heeft. In die gevallen verdient een beter helpcenter of een bot uit fase 2 zich sneller terug.

• Laag volume. Een team met een paar honderd gesprekken per week kan meer kwijt zijn aan het opzetten, testen en monitoren van een agent dan het bespaart.
• Beleid zit in de hoofden van mensen. Als de regel voor terugbetalingen “vraag het aan Sarah” is, gaat de agent gokken. Schrijf eerst het beleid uit.
• Kapotte processen. Als het ordersysteem vaak het verkeerde adres bevat, handelt een agent razendsnel op verkeerde data. Een agent lost geen product- of personeelsproblemen op; hij erft ze.
• Geen kwaliteitsbaseline. Zonder scorecard voor je mensen kun je niet zeggen of de agent beter of slechter is. Bouw eerst één scorecard voor medewerkers en AI-agents.
• Beslissingen met hoge inzet en laag volume. Fraudegeschillen, kwetsbare klanten of klachten met een juridisch risico horen vaak bij mensen, met AI die ondersteunt in plaats van handelt.

Kaizo is ook niet voor elk team de juiste eerste stap: met een klein team en nog geen AI-agent live volstaan een handmatige steekproef en een duidelijke scorecard voorlopig.

Hoe je deze week begint

Je kunt binnen een week beginnen zonder iets te kopen: koppel contactredenen aan fases, schrijf de criteria uit, benoem de eigenaren en meet je menselijke baseline. Deze vijf stappen geven je de feiten die je nodig hebt voor een gesprek met een leverancier.

1. Maak een lijst van je 20 belangrijkste contactredenen naar volume en noteer in welke fase elk ervan nu zit. De meeste teams vinden een mix van fase 1 en fase 2.
2. Kies 2 of 3 kandidaten voor fase 3: hoog volume, duidelijk beleid, één omkeerbare actie (orderstatus plus adreswijziging is een klassiek eerste duo).
3. Schrijf de criteria uit uit de tabel hierboven met je eigen drempels, en laat CX, risk en IT ze ondertekenen.
4. Benoem de eigenaren: één eigenaar per toekomstige agent, een plaatsvervanger, en de persoon in finance of risk die de actielimieten bepaalt.
5. Meet je menselijke baseline op die contactredenen met je huidige scorecard, zodat de agent vanaf dag één een lat heeft om over te gaan.

Draait er al een AI-agent, voeg dan een zesde stap toe: scoor twee weken lang al zijn gesprekken en vergelijk ze met de baseline. AutoPilot van Kaizo scoort elk gesprek tegen je eigen beoordelingscriteria op het moment dat het is afgehandeld.

Veelgestelde vragen

Wat is een goed voorbeeld van agentische AI in de klantenservice?

Een klant schrijft “mijn pakket is beschadigd aangekomen.” Een agentisch systeem controleert de bestelling, bevestigt dat het artikel in aanmerking komt, vraagt om een foto, regelt binnen zijn limiet een vervanging of terugbetaling, werkt het ticket bij en bevestigt per e-mail. Een chatbot had naar het retourbeleid gelinkt. Het verschil is dat de agent handelt, dus zijn acties moeten gecontroleerd worden.

Wat is het verschil tussen agentische AI en RPA?

Robotic process automation (RPA) volgt vaste, gescripte stappen op gestructureerde schermen en loopt vast als de input verandert. Agentische AI leest ongestructureerde verzoeken, kiest de volgende stap en roept tools aan om te handelen. Veel supportprocessen combineren ze: de agent beslist, en een RPA-bot of API voert een vaste backofficestap uit.

Beschermt een disclaimer als “AI kan fouten maken” het bedrijf?

Niet betrouwbaar. In Moffatt v. Air Canada hield het tribunaal de luchtvaartmaatschappij verantwoordelijk voor alle informatie op haar website, ook voor wat haar chatbot zei. Een disclaimer kan verwachtingen sturen, maar vervangt het controleren van de antwoorden en acties van de agent niet. Dit is geen juridisch advies; vraag het je juridisch adviseur.

Hoe zorgen we dat verzoeken om “een mens” worden gehonoreerd?

Behandel het als een harde regel, geen voorkeur: een expliciet verzoek om een mens leidt tot een overdracht met de context van het gesprek erbij. Scoor elk gesprek van de agent op de vraag of de regel standhield, en volg de tijd tussen verzoek en overdracht. Alles onder 100% is een fout die je oplost voordat je uitbreidt.

Gaat agentische klantenservice menselijke supportmedewerkers vervangen?

Op korte termijn verandert het werk meer dan dat het verdwijnt. Mensen verschuiven naar uitzonderingen, gevoelige cases, kennisonderhoud, het testen van agents en kwaliteitsbeoordeling, en teams die eerst personeel schrappen, verliezen de mensen die weten waar de agent de mist ingaat.

Wat is agentic ops?

Agentic ops is een losse term voor het draaien van AI-agents in productie als operationele discipline: eigenaarschap per agent, wijzigingsbeheer, kwaliteitsmonitoring, incidentafhandeling en rapportage aan het management. In een supportteam ligt het meestal bij CX operations, in samenwerking met QA, IT en compliance.