Welke vragen eerst automatiseren met een AI-agent?

De beste klantvragen om als eerste met agentische AI te automatiseren, zijn intents met veel volume, geschreven regels, een laag actierisico en data die de agent kan bereiken: orderstatus, hulp bij inloggen en eenvoudige accountvragen. Intents die net zo simpel lijken, zoals opzeggingen, adreswijzigingen, retouren en kortingscodes, verbergen vaak ongeschreven bedrijfsregels en horen in een tweede golf, nadat je die regels op papier hebt gezet.

In het kort

• Kies de eerste intents voor een AI-agent op score, niet op gevoel: volume, complexiteit van de oplossing, duidelijkheid van het beleid, actierisico, toegang tot data en emotie van de klant, elk beoordeeld van 1 tot 5 en gewogen.
• Voeg één gate toe voordat een intent live gaat: kun je aan het transcript en het actielog niet zien of de agent het goed deed, dan gaat die intent niet als eerste.
• Opzeggingen, adreswijzigingen, retouren en kortingscodes lijken één actie, maar verbergen beslissingen die ervaren medewerkers uit hun hoofd nemen en die een AI-agent niet kent.
• Vind verborgen regels voor de lancering: lees 50 opgeloste tickets per intent, interview je beste medewerkers, zet elke uitzondering op een lijst en scoor pas dan de duidelijkheid van het beleid.
• Een intent splitsen (standaardretour binnen de termijn tegenover elke uitzondering) maakt van een slechte eerste kandidaat vaak een goede kandidaat voor de tweede golf.

Deze gids behandelt de eerste beslissing over de reikwijdte in de overstap naar agentische klantenservice.

Welke klantvragen moet een AI-agent als eerste afhandelen?

Een AI-agent moet eerst de intents afhandelen die veel klanten stellen, die geschreven regels met weinig uitzonderingen volgen en waarbij een foute actie goedkoop terug te draaien is. Typische eerste kandidaten zijn orderstatus, hulp bij wachtwoord en inloggen, openingstijden en informatie over abonnementen. Alles wat geld verplaatst, een contract beëindigt of oordeelsvermogen vraagt, wacht.

Een intent is een contactreden: wat de klant gedaan wil krijgen, zoals “waar is mijn bestelling” of “zeg mijn abonnement op”. De lijst met contactredenen in je helpdesk, hoe rommelig ook, is je startinventaris.

Alleen op volume kiezen is de gangbare fout: volume laat zien waar de besparing zit, niet of de AI-agent het goed kan doen, wat een fout kost of of iemand die fout zou opmerken. Veel gidsen van leveranciers zetten retouren en accountbeheer in de veilige groep, maar juist daar zitten de ongeschreven regels. De rest van deze gids maakt van die vuistregel een score die je kunt verdedigen.

Wat zijn typische toepassingen van agentische AI in de klantenservice?

Typische toepassingen van agentische AI in de klantenservice zijn order- en leverstatus, hulp bij account en inloggen, retouren en terugbetalingen, adres- en orderwijzigingen, abonnementswijzigingen en opzeggingen, factuurvragen, afspraken boeken en het intake en routeren van tickets. Ze verschillen minder in technologie dan in risico: sommige lezen alleen data, andere verplaatsen geld.

Een AI-agent voert de actie uit in je systemen, dus de actie telt net zo zwaar als de vraag. De tabel groepeert gangbare toepassingen naar het autonomieniveau dat de actie meestal nodig heeft, met de niveaus uit onze gids over autonomieniveaus voor AI-agents.

De laatste kolom is een typische uitkomst, geen regel; je eigen score beslist.

Hoe scoor je klantvragen op geschiktheid voor automatisering?

Scoor elke intent van 1 tot 5 op zes criteria (volume, complexiteit van de oplossing, duidelijkheid van het beleid, actierisico, toegang tot data en emotie van de klant), vermenigvuldig met de gewichten hieronder en deel het totaal door 5 voor een prioriteitsscore van 20 tot 100. Pas daarna de meetbaarheidsgate en de knock-outregels toe voordat iets live gaat.

Op elk criterium betekent 5 “een betere eerste kandidaat”, dus hoger is altijd veiliger en waardevoller om vroeg te automatiseren.

De prioriteitsscorecard voor intents

Vul de tussenwaarden op de voor de hand liggende manier in: volume 4 is 8% tot 14% en volume 2 is 2% tot 3%; duidelijkheid van het beleid 4 is 1 of 2 ongeschreven uitzonderingen en 2 is 6 tot 10. Actierisico volgt het autonomieniveau: niveau 0 scoort 5, niveau 1 scoort 4, niveau 2 scoort 3, niveau 3 scoort 2 en niveau 4 scoort 1. Omvat een intent acties op twee niveaus (opzeggen aan het einde van de looptijd tegenover direct opzeggen met terugbetaling), scoor dan de riskantste, of splits de intent.

Prioriteitsscore = (volume × 20 + complexiteit × 15 + duidelijkheid × 20 + risico × 20 + data × 10 + emotie × 15) ÷ 5.

Banden: 80 of meer gaat in de eerste golf. 65 tot 79 gaat in de tweede golf, zodra het zwakste criterium is opgelost. Onder 65 blijft bij mensen, of de AI-agent ondersteunt een mens, tot je opnieuw scoort.

De meetbaarheidsgate

Vraag voordat een intent live gaat: kan een beoordelaar, of een geautomatiseerde scorer, aan het transcript en het actielog zien of de AI-agent het goed deed? Je moet de juiste uitkomst als scorecardcriteria kunnen opschrijven, zoals “gaf de vervoerdersstatus die overeenkomt met de trackingdata” of “stopte de verlenging en zegde niet direct op, tenzij daarom gevraagd”. Lukt dat niet, dan zakt de intent, wat zijn score ook is, omdat de fouten onzichtbaar blijven tot klanten klagen. Zie kwaliteitscontrole van AI-agents voor het schrijven van die criteria.

Knock-outregels

Drie uitkomsten houden een intent uit de eerste golf, ook bij een hoog totaal:

1. Duidelijkheid van het beleid 1: de regels spreken elkaar tegen of de meeste cases gebruiken ongeschreven regels, dus de agent gaat improviseren.
2. Actierisico 1: acties op niveau 4 (persoonsgegevens verwijderen, bankgegevens wijzigen) blijven bij een mens.
3. Een gezakte meetbaarheidsgate.

Uitgewerkt voorbeeld: 8 klantvragen gerangschikt

Het uitgewerkte voorbeeld hieronder is een illustratie, geen klantdata: een e-commerceteam met abonnementen en 40.000 contacten per maand scoort acht intents. Orderstatus en hulp bij inloggen komen in de eerste golf, een abonnementswijziging in de tweede, en de vier intents die “simpel lijken” scoren onder 65 tot hun verborgen regels op papier staan.

Om één rij te controleren: orderstatus is (5 × 20 + 5 × 15 + 4 × 20 + 5 × 20 + 5 × 10 + 4 × 15) ÷ 5 = 465 ÷ 5 = 93.

Wat de rangschikking dit team vertelt:

• De eerste golf dekt 31% van de contacten (12.400 per maand) met twee intents: een kleinere start dan “alles onder de vijf minuten”, en een die je kunt meten.
• Retouren hebben het op een na hoogste volume maar scoren 62. Het probleem is de duidelijkheid van het beleid: in 50 opgeloste retourtickets vond het team 7 beslissingen die in geen enkel helpartikel stonden.
• Kortingscodes vallen af door een knock-out. Niemand kon opschrijven wanneer een medewerker een verlopen code toch accepteert, dus geen scorer kon het antwoord van de AI-agent beoordelen.
• Opzeggingen scoren op hun riskantste actie. Direct opzeggen met terugbetaling vraagt goedkeuring (niveau 3), dus het actierisico is 2, niet de 4 van alleen het stoppen van de verlenging.

Splits nu de retourintent. “Standaardretour binnen de termijn, artikel komt in aanmerking” is 10% van de contacten. Met de regels op papier stijgen complexiteit en duidelijkheid naar 4: (4 × 20 + 4 × 15 + 4 × 20 + 3 × 20 + 4 × 10 + 3 × 15) ÷ 5 = 365 ÷ 5 = 73. Daarmee gaat hij naar de tweede golf. De andere 4% (beschadigd, gepersonaliseerd, te laat, coulance) blijft bij mensen en wordt met context overgedragen.

Welke “simpele” klantvragen verbergen bedrijfsregels?

De intents die het vaakst bedrijfsregels verbergen, zijn opzeggingen, adreswijzigingen, retouren, kortingscodes, terugbetalingen bij late levering en het wijzigen van de betaalmethode. Elk lijkt één actie, maar je beste medewerkers nemen onderweg op basis van ervaring meerdere beslissingen, en geen van die beslissingen staat ergens waar een AI-agent het kan lezen.

Sommige verborgen regels zijn wettelijke regels. In de EU heeft een consument in het algemeen 14 dagen om een overeenkomst op afstand te herroepen “zonder opgave van redenen” (Richtlijn 2011/83/EU, artikel 9), en artikel 16 noemt 13 uitzonderingen, zoals goederen die volgens de specificaties van de consument zijn gemaakt, goederen die snel bederven en verzegelde hygiënische goederen waarvan de verzegeling na de levering is verbroken. Een agent die zegt “alle verkopen zijn definitief” of “je kunt alles terugsturen”, zit er in beide gevallen naast. Laat je markten nakijken door een jurist en schrijf de uitkomst in de regel.

Een snelle test: als twee ervaren medewerkers hetzelfde ticket verschillend zouden afhandelen, heeft de intent een ongeschreven regel, en de AI-agent past één versie toe op iedereen.

Hoe vind je verborgen regels voor de lancering?

Vind verborgen regels in vier stappen: lees 50 opgeloste tickets per intent en noteer elke genomen beslissing, interview twee of drie van je beste medewerkers over de cases waarin ze van het standaardantwoord afwijken, schrijf elke uitzondering op als regel met een eigenaar, en maak van elke uitzondering een testcase. Scoor de duidelijkheid van het beleid pas na dit werk.

1. Lees 50 opgeloste tickets per intent. Niet de 50 meest recente, maar een mix: ongeveer 20 gewone, 10 heropende, 10 geëscaleerde en 10 met een lage tevredenheidsscore of de langste afhandeltijd. Noteer bij elk ticket de beslissing, de gebruikte data en of de toegepaste regel ergens op papier staat. Het aantal ongeschreven beslissingen bepaalt de score voor duidelijkheid van het beleid.

2. Interview twee of drie topmedewerkers, elk dertig minuten, met vragen die uitzonderingen naar boven halen:

• “Wanneer doe je niet wat het helpartikel zegt?”
• “Wat controleer je voordat je dit doet?”
• “Welke klanten behandel je anders, en waarom?”

3. Zet de uitzonderingen op een lijst en geef elke uitzondering een eigenaar. Schrijf elke uitzondering op als regel met een trigger, een actie en een limiet, en beslis of de AI-agent hem toepast of overdraagt. Het sjabloon voor beleidskaarten in beleid voor AI-agents zorgt dat de macro voor mensen en de instructie voor de AI-agent naar dezelfde regel verwijzen.

4. Maak van de uitzonderingen testcases: een klantbericht, de verwachte actie en het verwachte antwoord, gedraaid voor de lancering en na elke wijziging. Zie chatbot testen voor gescripte gesprekken en AI-agents testen voor acties en toolgebruik.

Reken op ongeveer een halve dag per intent voor de tickets, plus de interviews: goedkoper dan de regels ontdekken via klachten.

Moet een intent als deterministische of als generatieve flow draaien?

Gebruik een deterministische flow, met vaste stappen en regels in code, wanneer de beslissing duidelijke criteria volgt, zoals termijnen, limieten en identiteitscontroles. Laat het generatieve model doen wat code niet kan: het verzoek van de klant begrijpen, naar ontbrekende gegevens vragen en de uitkomst uitleggen. De meeste goede intents combineren beide.

Anthropic beschrijft workflows als “systemen waarin LLM’s en tools via vooraf gedefinieerde codepaden worden georkestreerd”, en agents als systemen waarin modellen “hun eigen processen en toolgebruik dynamisch sturen”, en raadt aan om “de eenvoudigst mogelijke oplossing te zoeken en de complexiteit alleen te verhogen wanneer dat nodig is” (Anthropic, Building effective agents, in het Engels).

Een praktische verdeling voor klantvragen: identiteitscontroles, orderopzoekingen, voorwaarden (termijnen, uitsluitingen, limieten), de API-aanroep met zijn afgedwongen limieten, wettelijk verplichte formuleringen en vaste triggers voor overdracht horen in code of in de tool. Het verzoek begrijpen, naar ontbrekende gegevens vragen, kiezen welke goedgekeurde actie past, de toon en het opmerken van frustratie horen bij het model. Of iemand recht heeft op geld of een contractwijziging, beslist het model nooit alleen.

Er zit een spanning in. De gids van OpenAI over het bouwen van agents noemt de goedkeuring van terugbetalingen in de klantenservice als voorbeeld van “complexe besluitvorming” waar agents passen, en zegt dat anders “een deterministische oplossing kan volstaan” (OpenAI, A practical guide to building agents, in het Engels). Dezelfde gids zegt dat “orders van gebruikers annuleren, grote terugbetalingen goedkeuren of betalingen doen” menselijk toezicht moet activeren tot het vertrouwen in de agent groeit. Beide kloppen: intents met veel afwegingen zijn waar agents de meeste waarde toevoegen en het meeste bewijs vooraf nodig hebben. Ze komen later, niet nooit.

Hoe weet je wanneer je de volgende intent toevoegt?

Voeg de volgende intent toe wanneer de huidige een aantal weken stabiel blijven: correcte oplossingen blijven op je doel, escalaties gebeuren op de juiste momenten, en de beoordeelde fouten hebben bekende oorzaken met oplossingen die al zijn doorgevoerd. Scoor tegelijk de wachtende intents opnieuw, want geschreven regels en nieuwe toegang tot data veranderen hun scores.

Gebruik bewijs, geen kalenderdata:

• Correcte oplossing, niet containment. Een afgesloten gesprek is geen opgelost gesprek; zie correct oplossingspercentage voor hoe je het verschil meet.
• Kwaliteit van de overdracht. De agent draagt over bij de juiste trigger, met context, zodat de klant zich niet hoeft te herhalen (overdracht van AI-agent naar medewerker).
• Oorzaken van fouten. Elk mislukt gesprek krijgt een oorzaak: ontbrekende regel, foute data, foute actie, toon. Los een terugkerende oorzaak op voordat je uitbreidt.
• Een eigenaar die elke live intent wekelijks beoordeelt; zie de rol van AI-agent manager.

Je niveau in het AI-volwassenheidsmodel voor de klantenservice telt ook mee: voeg in het begin één intent tegelijk toe; een team dat elk AI-gesprek scoort en een werkend wijzigingsproces heeft, kan een kleine groep tegelijk toevoegen.

Wanneer is deze scorecard niets voor jou?

Deze scorecard is meer dan je nodig hebt als je een paar honderd contacten per maand afhandelt, maar drie of vier contactredenen hebt, of als je AI-agent alleen vragen beantwoordt uit goedgekeurde content en geen acties uitvoert. Lees in die gevallen een steekproef van tickets, schrijf de regels op en test de antwoorden met de hand.

Ze vervangt ook geen schone lijst met contactredenen (onbetrouwbare tags geven foute volumescores) en geen juridische toetsing: de scorecard vertelt je dat een intent wettelijke regels heeft, niet welke.

Waar Kaizo past

Kaizo controleert elk supportgesprek, van een mens of een AI, tegen je eigen rubric en laat zien wat je moet verbeteren. AutoPilot scoort elk gesprek zodra het is opgelost, zodat je ziet waar de AI-agent en je team het goed doen en waar de kwaliteit breekt: het bewijs om te beslissen wanneer je de volgende intent toevoegt. Bekijk hoe kwaliteitscontrole voor AI-agents werkt, of boek een demo om het op je eigen gesprekken te zien.

Hoe je deze week begint

Je kunt je eerste intents in één week scoren met één analist, één teamleider, een export uit je helpdesk en een spreadsheet. Op vrijdag heb je een gerangschikte lijst, een lijst met uitzonderingen voor de beste kandidaten en een afgesproken eerste golf van twee of drie intents.

1. Maandag: exporteer de contacten van vorige maand per contactreden en kies de top 10 op volume.
2. Dinsdag: scoor volume, complexiteit, actierisico (op basis van de autonomieniveaus), toegang tot data en emotie.
3. Woensdag en donderdag: lees voor de top 4 elk 50 opgeloste tickets, tel de ongeschreven beslissingen om de duidelijkheid van het beleid te bepalen, en interview twee topmedewerkers.
4. Vrijdag: pas de gate en de knock-outregels toe, bereken de scores, spreek de eerste golf af met de eigenaar van je AI-agent en zet de uitzonderingen in beleidskaarten.

Controleer daarna in de gids over agentische klantenservice welke controles je nodig hebt voordat je live gaat.

Veelgestelde vragen

Wat zijn echte voorbeelden van AI-agents in de klantenservice?

AI-agents die de leverstatus van een order controleren en een vertraging uitleggen, een wachtwoord resetten, een afspraak boeken of verzetten, een standaardretour verwerken en een label aanmaken, of een abonnement wijzigen. Het zijn agents en geen chatbots omdat ze de actie in je systemen uitvoeren, in plaats van die alleen te beschrijven.

Wat is het verschil tussen een chatbot voor de klantenservice en een AI-agent?

Een regelgebaseerde chatbot volgt vaste intents en gescripte antwoorden, meestal met knoppen of trefwoorden. Een AI-agent begrijpt vrije tekst, beslist welke stappen hij zet en handelt via je tools, bijvoorbeeld door een order terug te betalen. Door die vrijheid weegt de keuze van intents en hun regels zwaarder.

Hoe smal moet de eerste reikwijdte van een AI-agent zijn?

Smal genoeg om elk resultaat te kunnen controleren. Twee of drie intents met geschreven regels en een laag actierisico passen bij de meeste enterprise-teams; in de illustratie hierboven dekten twee intents 31% van de contacten.

Kan een AI-agent vanaf dag één terugbetalingen afhandelen?

Zelden. Kleine terugbetalingen binnen een geschreven beleid kunnen binnen een limiet draaien zodra de regels en testcases er zijn, maar terugbetalingen combineren geld, uitzonderingen en emotie, dus ze scoren meestal in de tweede golf of later. Grotere terugbetalingen en geschillen hebben de goedkeuring van een mens nodig.

Hoe verbeteren AI-agents de klantenservice zonder dat de kwaliteit lijdt?

Door eenvoudige intents volledig op te lossen en al het andere met context aan een mens over te dragen. De kwaliteit lijdt wanneer teams intents met ongeschreven regels automatiseren of containment meten in plaats van correcte oplossing; AI-gesprekken scoren tegen de standaard van je team houdt dat zichtbaar.