Een RFP voor AI-agents (request for proposal, of offerteaanvraag) moet toetsen of je de agent op schaal kunt vertrouwen, niet alleen wat hij kan. Voeg vragen toe over hoe “opgelost” wordt gedefinieerd en gefactureerd, toegang tot volledige transcripten en actielogs, export voor onafhankelijke kwaliteitscontrole, regressietests, goedkeuringscontroles, auditlogs, incidenten, aankondiging van modelwijzigingen, datavoorwaarden en ondersteuning bij de AI-verordening.
In het kort
- RFP-sjablonen van leveranciers zijn sterk op functies, kanalen en integraties, en zwak op hoe je het werk van de agent na de livegang controleert.
- De vragenbank hieronder telt 38 vragen in 8 blokken, elk met hoe een goed antwoord eruitziet en een red flag die de score moet verlagen of het gesprek moet beëindigen.
- Behandel de factuurdefinitie van “opgelost”, de toegang tot transcripten en logs, en het recht om gesprekken te exporteren voor je eigen kwaliteitscontrole als poorten, niet als gescoorde functies.
- Een uitgewerkt voorbeeld laat zien hoe 18% fouten uit een audit binnen gefactureerde oplossingen een oplossing van € 1,00 verandert in € 1,22 per correcte oplossing.
- Sluit af met een gescripte demo op je eigen gesprekken: acht taken, dezelfde volgorde voor elke finalist, gescoord op dezelfde schaal als de schriftelijke antwoorden.
Dit artikel is voor teams die een platform voor AI-agents voor de klantenservice kopen, of de shortlist nu Sierra, Decagon, Intercom Fin, Salesforce Agentforce, Zendesk AI-agents, Ada of een eigen ontwikkeling bevat. Het rangschikt geen leveranciers. Het geeft je de vragen die hun eigen sjablonen weglaten. Koop je kwaliteitssoftware in plaats van een AI-agent, gebruik dan onze RFP voor kwaliteitssoftware met 40 vragen en een scoreblad; deze pagina volgt hetzelfde format.
Wat hoort er naast functies in een RFP voor AI-agents?
Naast functies hoort er in een RFP voor AI-agents alles wat bepaalt of je de agent kunt controleren en sturen: hoe een gefactureerde oplossing is gedefinieerd, welk bewijs je kunt zien en exporteren, hoe wijzigingen getest en aangekondigd worden, welke acties goedkeuring vragen, hoe incidenten worden afgehandeld en waar je data naartoe gaat. Functies beslissen de demo; deze punten beslissen het tweede jaar.
De meeste gepubliceerde sjablonen, veel ervan geschreven door leveranciers van AI-agents, dekken kanalen, talen, integraties, kennisbronnen, overdracht, beveiliging en prijs goed, en gaan minder diep op de vragen die kopers stellen zodra de agent live is. De tabel vergelijkt een typisch sjabloon (meerdere gepubliceerd op websites van leveranciers, gelezen op 13 november 2026) met deze vragenbank.
| Onderwerp | Typisch sjabloon van een leverancier | Deze vragenbank |
|---|---|---|
| Kanalen, integraties, kennisbronnen | Uitgebreid behandeld | Overgelaten aan je functieblok |
| Hoe “opgelost” is gedefinieerd | Vaak gevraagd | Gevraagd, met de trigger, de periode en de verificatie |
| Gefactureerde oplossingen betwisten | Zelden, en zonder proces | Een termijn voor bezwaar, regels voor bewijs en creditering |
| Volledige transcripten en actielogs | Deels (samenvattingen, enkele logs) | Ruwe transcripten, tool-calls en de gebruikte kennis, per gesprek |
| Export voor onafhankelijke kwaliteitscontrole tijdens de looptijd | Meestal alleen bij het einde van het contract | Doorlopende export, in een gedocumenteerd formaat |
| Regressietests na de livegang | Eén test voor de ondertekening | Een testsuite die voor elke wijziging opnieuw draait |
| Aankondiging van modelwijzigingen | Soms, niet gescoord | Schriftelijke aankondiging, een testperiode en een terugvaloptie |
| Incidentproces specifiek voor AI | Zelden | Ernstniveaus, meldtermijn, stopknop en een schriftelijk rapport |
| Ondersteuning voor gebruiksverantwoordelijken onder de AI-verordening | Niet gevonden | Rollen, transparantie, documentatie en logs |
Dat gat is geen toeval: een salesteam kan een vraag over functies in een demo beantwoorden, maar betwiste facturen of de aankondiging van modelwijzigingen vragen een schriftelijk antwoord van legal en product dat een contractvoorwaarde wordt.
Waarom hoort de definitie van “opgelost” in de RFP?
De definitie van “opgelost” hoort in de RFP omdat ze meestal zowel de belangrijkste succesmaatstaf als de factuureenheid is, en leveranciers definiëren ze verschillend. Een oplossing die telt zodra de klant gewoon stopt met antwoorden, is iets anders dan een oplossing die is gecontroleerd op het antwoord, de actie en herhaalcontact. Het verschil zie je terug op je factuur.
Twee openbare voorbeelden laten de spreiding zien. Intercom telt een oplossing door Fin als de klant na het laatste antwoord van Fin bevestigt dat het hielp of “exits the conversation without requesting further assistance” (het gesprek verlaat zonder om verdere hulp te vragen), en trekt de kosten af als de klant voor meer hulp terugkeert naar dat gesprek (helpcenter van Intercom, in het Engels). Zendesk factureert op geautomatiseerde oplossingen en laat voor het geverifieerde niveau een groot taalmodel het gesprek beoordelen zodra het is afgesloten, wat bij messaging standaard 2 uur na het eerste bericht is en bij e-mail 72 uur (helpcenter van Zendesk, in het Engels).
Geen van beide definities, zoals ze gedocumenteerd zijn, controleert of het antwoord juist was volgens je beleid of dat de beloofde terugbetaling is verwerkt. Dat is jouw werk, en je RFP moet vragen hoe de leverancier je daarbij helpt. Onze gids over het oplossingspercentage van AI-agents auditen geeft de steekproefmethode, en het correcte oplossingspercentage is de metric die je naast het cijfer van de leverancier rapporteert.
Uitgewerkt voorbeeld: wat een audit doet met de prijs van een oplossing
Dit is een illustratie met verzonnen cijfers, geen data van een leverancier.
| Regel | Waarde |
|---|---|
| Gesprekken die de AI-agent in een maand afhandelde | 40.000 |
| Gefactureerde oplossingen volgens de leverancier | 24.000 (60%) |
| Prijs per oplossing (illustratief) | € 1,00 |
| Maandfactuur | € 24.000 |
| Geauditeerde gefactureerde oplossingen (willekeurige steekproef) | 400 |
| Gezakt voor de audit (verkeerd antwoord, actie niet uitgevoerd, beleidsinbreuk of herhaalcontact binnen 7 dagen) | 72 (18%) |
| Geschatte correcte oplossingen | 24.000 × 0,82 = 19.680 |
| Kosten per correcte oplossing | € 24.000 ÷ 19.680 = € 1,22 |
| Foutmarge op 18% bij 400 geauditeerde gesprekken (95%) | ongeveer ±3,8 punten |
| Creditering als gezakte oplossingen worden terugbetaald | 24.000 × 0,18 × € 1,00 = € 4.320 per maand |
De foutmarge komt uit 1,96 × √(0,18 × 0,82 ÷ 400) = 0,038. Het echte foutpercentage ligt dus waarschijnlijk tussen ongeveer 14% en 22%, nauwkeurig genoeg om over te onderhandelen. Zonder een clausule voor bezwaar in het contract (vragen H2 en H3 hieronder) blijft die € 4.320 elke maand op de factuur staan.
De vragenbank voor je RFP voor AI-agents (38 vragen om te kopiëren)
Deze 38 vragen dekken de acht gebieden waarop platforms voor AI-agents het meest van elkaar verschillen op kwaliteit en governance. Kopieer ze naast je vragen over functies, houd de nummering aan en vraag bij elk antwoord om bewijs: een screenshot, een document, een contractclausule of een live demonstratie. Een “ja” zonder bewijs telt als geen antwoord.
Blok A: definitie van een oplossing en facturatie (5 vragen)
| # | Vraag | Zo ziet een goed antwoord eruit | Red flag |
|---|---|---|---|
| A1 | Wat precies leidt tot een gefactureerde oplossing, per kanaal? | Een schriftelijke regel per kanaal: de trigger, de periode en wat is uitgesloten | “Onze AI beslist”, zonder schriftelijke regel |
| A2 | Hoe wordt een oplossing geverifieerd voordat ze wordt gefactureerd? | Een beschreven controle (bevestiging door de klant, LLM-review, periode voor herhaalcontact) die je per gesprek kunt zien | Stilte van de klant geteld als succes, zonder periode |
| A3 | Wat gebeurt er als de klant terugkomt over hetzelfde probleem? | De oplossing wordt teruggedraaid of niet gefactureerd binnen een vastgelegde periode, bijvoorbeeld 7 dagen | Herhaalcontact gefactureerd als nieuwe oplossing |
| A4 | Kunnen we per gefactureerd gesprek zien waarom het als opgelost telde? | Een veld of logregel per gesprek, te exporteren | Alleen een maandtotaal op de factuur |
| A5 | Rapporteren jullie oplossingen apart van containment en deflection? | Aparte definities en aparte cijfers | Eén “automatiseringsgraad” die alles door elkaar haalt |
Blok B: transcripten, actielogs en export (5 vragen)
| # | Vraag | Zo ziet een goed antwoord eruit | Red flag |
|---|---|---|---|
| B1 | Hebben we toegang tot het volledige transcript van elk gesprek van de AI-agent, inclusief interne stappen? | Elk bericht, plus de kennisartikelen en instructies die voor elk antwoord zijn gebruikt | Alleen samenvattingen, of een steekproef |
| B2 | Loggen jullie elke actie en tool-call van de agent, met input en resultaat? | Een log per gesprek: welk systeem, welke call, welke parameters, gelukt of mislukt | “Acties worden gelogd in het doelsysteem”, zonder iets aan jouw kant |
| B3 | Kunnen we tijdens het contract doorlopend alle gesprekken en logs exporteren voor onze eigen kwaliteitscontrole? | Een API of geplande export in een gedocumenteerd formaat, zonder meerkosten, naar een tool naar keuze | Export alleen bij beëindiging, of alleen naar de eigen analytics van de leverancier |
| B4 | Hoe lang bewaren jullie transcripten en logs, en kunnen we de termijn instellen? | Een standaard bewaartermijn en een instelbare termijn, per type data | Geen vastgelegde bewaartermijn, of verwijdering die je niet kunt sturen |
| B5 | Kan een onafhankelijke beoordelaar hetzelfde bewijs zien als jullie dashboards gebruiken? | Hetzelfde gesprek, dezelfde stappen en uitkomstvelden, te exporteren | Een score of label zonder toegang tot het onderliggende gesprek |
Vraag B3 is de vraag die de meeste sjablonen overslaan en die het zwaarst weegt als je gesprekken van AI-agents op je eigen scorecard wilt scoren, zoals we beschrijven in onze gids over AI-agents evalueren.
Blok C: testen en regressie (5 vragen)
| # | Vraag | Zo ziet een goed antwoord eruit | Red flag |
|---|---|---|---|
| C1 | Laten jullie de agent voor de ondertekening draaien op een set van onze historische gesprekken, en delen jullie elk resultaat? | Een test op enkele honderden van je echte gesprekken, met elk antwoord zichtbaar | Een demo op alleen de eigen voorbeelddata van de leverancier |
| C2 | Kunnen we eigen testcases bouwen en bewaren, met verwachte antwoorden en verwachte acties? | Een testbibliotheek waarvan jij eigenaar bent en die je kunt exporteren | Tests die alleen het team van de leverancier kan maken |
| C3 | Kunnen we de volledige testset opnieuw draaien voor elke wijziging aan prompts, kennis, beleid of het model? | Regressieruns met één klik of op schema, met een vergelijking met de vorige run | Testen gebeurt één keer bij de onboarding |
| C4 | Kunnen we lastige klanten simuleren: vragen buiten het onderwerp, boze klanten, pogingen om buiten het beleid een terugbetaling te krijgen? | Gesimuleerde gesprekken op basis van scripts of persona’s, met resultaten die je kunt reviewen | “Het model kan dat aan”, zonder manier om het te controleren |
| C5 | Kunnen we een release blokkeren als tests zakken? | Een releasepoort met een slagingsdrempel die jij instelt | Wijzigingen gaan live zodra ze zijn opgeslagen |
Onze gids over AI-agents testen legt uit hoe je een gouden testset bouwt uit echte gesprekken en wat een releasepoort moet controleren.
Blok D: beleid en goedkeuringscontroles (5 vragen)
| # | Vraag | Zo ziet een goed antwoord eruit | Red flag |
|---|---|---|---|
| D1 | Welke acties mag de agent zelfstandig uitvoeren, en kunnen we per type actie goedkeuring vereisen? | Een lijst van acties met per actie een instelling: toegestaan, goedkeuring nodig, geblokkeerd | Alle acties aan of alle uit |
| D2 | Hoe worden limieten afgedwongen, bijvoorbeeld een maximum voor terugbetalingen? | Limieten die het systeem controleert voordat de actie draait, niet alleen vermeld in de prompt | Limieten alleen als instructie aan het model |
| D3 | Wie kan prompts, beleid en kennis wijzigen, en wordt elke wijziging goedgekeurd en geversioneerd? | Rollen, een goedkeuringsstap, versiegeschiedenis en terugdraaien | Elke admin past live aan, zonder geschiedenis |
| D4 | Kunnen we de agent beperken tot bepaalde onderwerpen, klanten of kanalen? | Afbakening per intent, segment en kanaal | Eén globale schakelaar |
| D5 | Kunnen we de agent snel stoppen, voor één onderwerp of helemaal, en doorsturen naar mensen? | Een gedocumenteerde stopknop per onderwerp en globaal, met een terugvalroute | Stoppen vraagt een ticket bij de leverancier |
Blok E: overdracht en escalatie (4 vragen)
| # | Vraag | Zo ziet een goed antwoord eruit | Red flag |
|---|---|---|---|
| E1 | Welke triggers sturen een gesprek naar een mens, en kunnen we die aanpassen? | Instelbare triggers: vraag naar een mens, frustratie, risico-onderwerpen, herhaald falen | Een vaste set die je niet kunt zien |
| E2 | Kan een klant altijd een mens bereiken, en hoe snel? | Een vastgelegde route en tijd per kanaal | De agent houdt de klant vast als die om een mens vraagt |
| E3 | Wat krijgt de menselijke medewerker bij de overdracht? | Het volledige transcript, de uitgevoerde acties en de reden van de overdracht | Een samenvatting van één regel |
| E4 | Hoe rapporteren jullie overdrachten die te laat kwamen? | Een rapport van gesprekken met meerdere mislukte pogingen voor de overdracht | Overdracht alleen geteld als falen van de AI |
Een agent die een klant vasthoudt die om een mens heeft gevraagd, maakt van één slecht antwoord een klacht. Zie onze scorecard voor de overdracht van AI-agent naar medewerker voor wat je scoort.
Blok F: wijzigingsbeheer en incidenten (5 vragen)
| # | Vraag | Zo ziet een goed antwoord eruit | Red flag |
|---|---|---|---|
| F1 | Melden jullie het ons voordat jullie het onderliggende model of de versie ervan wijzigen, en hoe lang van tevoren? | Schriftelijke aankondiging een vast aantal dagen vooraf, met release notes | “We verbeteren het model continu” |
| F2 | Kunnen we een modelwijziging op onze testset testen voordat die onze klanten bereikt? | Een preview- of stagingomgeving voor het nieuwe model | Wijzigingen bereiken eerst productie |
| F3 | Kunnen we een periode op het vorige model blijven als onze tests zakken? | Een optie om terug te draaien of het model vast te zetten voor een vastgelegde periode | Geen mogelijkheid om uit te stellen |
| F4 | Wat is jullie incidentproces voor schadelijke of verkeerde antwoorden op schaal? | Ernstniveaus, meldtermijnen, een vast contactpersoon en een schriftelijk rapport na elk incident | Alleen een SLA op uptime |
| F5 | Hoe detecteren jullie kwaliteitsdrift als er niets in onze configuratie is veranderd? | Monitoring op de kwaliteit van antwoorden, met alerts die je kunt instellen | Je klanten ontdekken de drift |
Drift zonder configuratiewijziging is een echte zorg van kopers: in een discussie in de community van Intercom (november 2025) meldde een klant dat Fin verkeerde antwoorden begon te geven terwijl “All the Content stayed the same” (alle content hetzelfde bleef) (Intercom community, in het Engels). F1 en F5 bestaan voor dat moment; onze gids over AI-agent monitoring behandelt de alerts die je instelt.
Blok G: data, privacy en regelgeving (5 vragen)
| # | Vraag | Zo ziet een goed antwoord eruit | Red flag |
|---|---|---|---|
| G1 | Waar worden onze data opgeslagen en verwerkt, ook door de modelleverancier? | Benoemde regio’s, en een regiokeuze waar je die nodig hebt | “In de cloud” |
| G2 | Wie zijn jullie subverwerkers, inclusief modelleveranciers, en hoe melden jullie wijzigingen? | Een gepubliceerde lijst en aankondiging vooraf met recht van bezwaar | Een lijst “op aanvraag”, zonder aankondiging |
| G3 | Gebruiken jullie of jullie modelleveranciers onze gesprekken om modellen te trainen of te verbeteren? | Een duidelijk schriftelijk nee, of een opt-in, in het contract | Een opt-out die verstopt zit in de voorwaarden |
| G4 | Welke rol nemen jullie op onder de AI-verordening, en hoe ondersteunen jullie ons als gebruiksverantwoordelijke? | Een vastgelegde rol, de melding dat de klant met een AI praat, documentatie en logs die je kunt bewaren | “De AI-verordening is niet op ons van toepassing” |
| G5 | Kunnen we jullie auditen, of krijgen we onafhankelijke auditrapporten? | Actuele rapporten onder NDA en een auditclausule | Geen rapporten, of rapporten voor een ander product |
Een deel hiervan rust op de wet. Onder de AVG mag een verwerker geen andere verwerker inschakelen zonder jouw schriftelijke toestemming, en bij een algemene toestemming moet hij je op de hoogte brengen van beoogde wijzigingen, zodat je bezwaar kunt maken; hij moet ook audits mogelijk maken (artikel 28 AVG). Is de modelleverancier van de leverancier een subverwerker, dan hoort een wissel van modelleverancier je via die melding te bereiken. Een nieuwe modelversie van dezelfde leverancier meestal niet, en daarom vraagt F1 er apart naar.
De AI-verordening vraagt aanbieders vanaf 2 augustus 2026 om ervoor te zorgen dat mensen weten dat ze met een AI-systeem te maken hebben (FAQ van de Europese Commissie over artikel 50). Verplichtingen rond AI-geletterdheid voor aanbieders en gebruiksverantwoordelijken gelden sinds 2 februari 2025 (Europese Commissie). Geldt een toepassing als hoog risico, dan moeten gebruiksverantwoordelijken het systeem ook monitoren en de logs ervan minstens zes maanden bewaren (Verordening (EU) 2024/1689, artikel 26). De meeste supportagents zijn geen hoog risico, maar dat beslist je juridische team, niet de leverancier. Ons artikel over de AI-verordening in de klantenservice legt de risicoklassen uit.
Blok H: commerciële voorwaarden en bezwaar (4 vragen)
| # | Vraag | Zo ziet een goed antwoord eruit | Red flag |
|---|---|---|---|
| H1 | Wat betalen we voor een gesprek dat niet is opgelost, is overgedragen of is afgebroken? | Een prijstabel per type uitkomst | Kosten voor uitkomsten die niet in de tabel staan |
| H2 | Hoe maken we bezwaar tegen een gefactureerde oplossing, en binnen welke termijn? | Een bezwaarproces met een termijn, het geaccepteerde bewijs (bijvoorbeeld je audit) en een doorlooptijd | Bezwaren “per geval bekeken” |
| H3 | Crediteren jullie oplossingen waarvan onze audit laat zien dat ze fout waren? | Creditering, of een prijsaanpassing, als het foutpercentage uit de audit een afgesproken drempel passeert | Facturatie alleen op basis van de eigen telling van de leverancier |
| H4 | Wat gebeurt er met prijs en volumeverplichtingen als de kwaliteit van oplossingen onder een afgesproken niveau zakt? | Een remedie: creditering, een recht om te pauzeren of een recht om uit te stappen | Minimale afnameverplichtingen zonder kwaliteitsvoorwaarde |
Contractvoorwaarden waarmee je bezwaar kunt maken tegen oplossingen en ze kunt laten crediteren, zorgen dat de audit uit het uitgewerkte voorbeeld zichzelf terugbetaalt.
Hoe scoor je de antwoorden op een RFP voor AI-agents?
Scoor de antwoorden in twee rondes. Controleer eerst de poorten: een leverancier die op één ervan zakt, valt af, wat zijn functiescore ook is. Geef daarna elk overgebleven antwoord 0 tot 3 punten volgens geschreven definities, weeg de blokken, en beslis bij een nipte uitslag met de gescripte demo in plaats van met een langere spreadsheet.
Gebruik dezelfde schaal van 0 tot 3 als in onze RFP voor kwaliteitssoftware: 0 voor geen antwoord, 1 voor grote beperkingen of “staat op de roadmap”, 2 voor voldoet aan de eis met deels bewijs, 3 voor voldoet eraan met getoond bewijs. Een “ja” zonder bewijs krijgt 0.
| Poort (knock-out) | Vragen | Waarom het een poort is |
|---|---|---|
| Een schriftelijke definitie van een gefactureerde oplossing | A1, A2 | Zonder kun je geen factuur controleren |
| Volledige transcripten en actielogs per gesprek | B1, B2 | Geen bewijs, geen kwaliteitscontrole en geen incidentreview |
| Doorlopende export voor je eigen kwaliteitscontrole | B3 | Je kwaliteitscijfers zouden alleen van die van de leverancier afhangen |
| Een stopknop en een altijd beschikbare route naar een mens | D5, E2 | Schade bij klanten terwijl je op een ticket wacht |
| Schriftelijke datavoorwaarden: locatie, subverwerkers, training | G1 tot G3 | Legal blokkeert het contract later toch |
Een eerste weging voor teams die de shortlist op functies al hebben; stem ze af met support, IT, legal en inkoop voordat de antwoorden binnenkomen, en verander ze daarna niet meer.
| Blok | Gewicht |
|---|---|
| A. Definitie van een oplossing en facturatie | 15 |
| B. Transcripten, logs en export | 15 |
| C. Testen en regressie | 20 |
| D. Beleid en goedkeuringscontroles | 15 |
| E. Overdracht en escalatie | 10 |
| F. Wijzigingsbeheer en incidenten | 15 |
| G. Data, privacy en regelgeving | 5 (na de poort) |
| H. Commerciële voorwaarden en bezwaar | 5 |
| Totaal | 100 |
De gewogen score is de som van het gewicht van elk blok maal zijn gemiddelde score, gedeeld door 3, zodat een leverancier die overal 3 scoort op 100 uitkomt. Laat twee mensen apart scoren en bespreek elke vraag waarop ze meer dan één punt verschillen. Onze controles voor AI-agent governance helpen je kiezen welke delen van blok D en F je organisatie het hardst nodig heeft.
Wat hoort er in een gescripte demo van een AI-agent?
Een gescripte demo van een AI-agent laat elke finalist je eigen gesprekken door dezelfde taken halen, in dezelfde volgorde en binnen dezelfde tijd. Stuur het script een week vooraf, vraag om je testset te laden en geef elke taak 0 tot 3 punten. Je test de controles van het product, niet de presentator.
Reken op 90 minuten per leverancier. Neem 30 tot 50 echte gesprekken uit je wachtrij mee, zonder persoonsgegevens, ook gesprekken die je team slecht afhandelde.
| Stap | Taak voor de leverancier | Wat je controleert | Gekoppelde vragen |
|---|---|---|---|
| 1 (10 min) | Beantwoord live 10 van je gesprekken, door jou ter plekke gekozen | Juist antwoord, juiste toon, bronnen getoond | C1 |
| 2 (10 min) | Open een gefactureerde oplossing en laat zien waarom die telde | De trigger, de periode en de verificatie voor dat gesprek | A1, A2, A4 |
| 3 (10 min) | Toon het volledige transcript en actielog van een gesprek waarin een terugbetaling werd gedaan of een bestelling werd gewijzigd | Elke tool-call, de parameters en het resultaat | B1, B2 |
| 4 (10 min) | Exporteer de gesprekken van vorige week in het formaat dat je zou ontvangen | Velden, formaat, volledigheid | B3 |
| 5 (15 min) | Wijzig één beleidsregel (verlaag bijvoorbeeld het maximum voor terugbetalingen), draai de testset opnieuw en vergelijk de resultaten | Versiebeheer, goedkeuring, regressierapport, releasepoort | C3, C5, D2, D3 |
| 6 (10 min) | Draai drie vijandige scenario’s: een vraag buiten het onderwerp, een terugbetaling buiten het beleid, een klant die om een mens vraagt | Weigeringen, limieten die standhouden, overdracht met context | C4, E1, E3 |
| 7 (10 min) | Stop de agent voor één onderwerp en laat zien waar de gesprekken naartoe gaan | Tijd tot stoppen, de terugvalroute | D5, E2 |
| 8 (15 min) | Loop de laatste modelwijziging door: de aankondiging, de testperiode, de optie om terug te draaien | Release notes, staging, model vastzetten | F1 tot F3 |
Stel na de demo drie vragen aan twee referenties met een vergelijkbaar volume en een vergelijkbare mix van kanalen: wat ging er mis in de eerste drie maanden, hoe ging de leverancier daarmee om, en hoe werd een modelwijziging aangekondigd. Hun antwoord op de laatste vraag vertelt je of F1 beleid is of een belofte.
Hoe sluit dit aan op kwaliteitscontrole als de agent live is?
De antwoorden op de RFP worden je werkmodel zodra de agent live is: de export uit B3 voedt je kwaliteitsreviews, de testset uit C2 wordt je regressiesuite en het bezwaarproces uit H2 draait op de resultaten van je audit. Een leverancier die goed scoort op B, C en H maakt onafhankelijke kwaliteitscontrole goedkoop.
In de praktijk scoren veel teams een steekproef van of alle gesprekken van de AI-agent op dezelfde scorecard die ze voor menselijke medewerkers gebruiken, voegen ze controles toe op verzonnen feiten en beleid, en rapporteren ze een gecorrigeerd oplossingspercentage naast dat van de leverancier. Wil je dat scoren automatiseren: Kaizo scoort 100% van de gesprekken van AI-agents tegen je eigen scorecard, in de helpdesk waar ze al staan, en linkt elke score aan het bewijs in het gesprek. Bekijk kwaliteitscontrole voor AI-agents om te zien hoe het werkt.
Wanneer is deze RFP meer dan je nodig hebt?
Deze vragenbank is meer dan je nodig hebt als de AI-agent alleen een smalle set informatieve vragen beantwoordt, geen acties in je systemen uitvoert en een paar honderd gesprekken per maand afhandelt. Dan volstaan de poorten en blok A, B en E. Voeg de rest toe zodra de agent terugbetalingen gaat doen, bestellingen gaat wijzigen of gereguleerde onderwerpen gaat behandelen.
Het is ook het verkeerde middel voor een eerste verkenning van de markt: doe eerst een korte informatieaanvraag (RFI) of een paar verkennende gesprekken, en stuur deze RFP daarna naar drie tot vijf finalisten.
Hoe je deze week begint met je RFP voor AI-agents
Verzamel 30 tot 50 echte gesprekken voor de demo en de test voor de ondertekening, schrijf je poorten op, kopieer de 38 vragen naast je vragen over functies, leg de weging in één overleg vast en verstuur de RFP met een deadline van twee weken.
- Kies de 30 tot 50 gesprekken, inclusief je vijf moeilijkste gevallen.
- Schrijf je poorten op op basis van de tabel hierboven, en schrap wat je niet nodig hebt.
- Vraag legal welke vragen over de AI-verordening en de AVG in blok G ze schriftelijk beantwoord willen zien.
- Vraag finance om je maandfactuur door te rekenen onder de definitie van een oplossing van elke leverancier, met het volume van vorige maand.
- Plan de gescripte demo’s voor de week nadat de antwoorden binnen zijn.
Wil je zien hoe het scoren van elk gesprek van een AI-agent op je eigen scorecard zou werken naast het platform dat je kiest, boek dan een demo en neem je shortlist mee.
Veelgestelde vragen
Wat is een RFP voor AI-agents?
Een RFP voor AI-agents is een offerteaanvraag die je naar leveranciers van AI-agents voor de klantenservice stuurt, zodat je hun antwoorden op dezelfde vragen kunt vergelijken. Ze beschrijft je volume, kanalen en systemen, somt je eisen en knock-outcriteria op en vraagt elke leverancier om met bewijs te antwoorden. Een volledige RFP dekt functies en de voorwaarden rond kwaliteit, governance, data en facturatie die bepalen of de agent op schaal kan draaien.
Hoeveel leveranciers moeten een RFP voor AI-agents krijgen?
Drie tot vijf leveranciers is meestal genoeg. Minder geeft weinig om te vergelijken, en meer levert scoor- en demowerk op dat de uitkomst zelden verandert. Maak de lijst eerst korter met verkennende gesprekken en schrap elke leverancier die in dat gesprek al op een poort zakt, bijvoorbeeld omdat hij tijdens het contract geen gesprekken kan exporteren.
Moeten we per oplossing of per gesprek betalen?
Betalen per oplossing koppelt de prijs van de leverancier aan uitkomsten, maar alleen als “opgelost” schriftelijk is gedefinieerd, wordt gecontroleerd en open staat voor bezwaar. Per gesprek is eenvoudiger te voorspellen en te auditen. Welke eenheid je ook kiest, reken het volume van vorige maand door onder de definitie van elke leverancier en vraag om creditering als je audit gefactureerde oplossingen vindt die fout waren.
Hoe lang moet een pilot met een AI-agent lopen voor de ondertekening?
Een pilot moet lang genoeg lopen om herhaalcontact en een paar beleidswijzigingen te zien, wat meestal vier tot acht weken betekent op een afgebakende set onderwerpen. Leg de succescriteria, de auditmethode en de exitvoorwaarden vast voordat de pilot start, en draai je testset voor en na elke wijziging die de leverancier tijdens de pilot doorvoert.
Wie moet er betrokken zijn bij de evaluatie van een leverancier van AI-agents?
Support operations is eigenaar van de eisen en de demo. QA is eigenaar van de testset en het scoren van gesprekken, IT van integraties en acties, legal en privacy van blok G en het contract, en finance van het factuurmodel. Wijs één eindverantwoordelijke voor de beslissing aan voordat de RFP de deur uitgaat, zodat de weging vooraf vastligt.
