Alisina NawabiEr bestaat een geruststellend verhaal over AI-klantenservice dat bijna iedereen gelooft: de bots werken nog niet goed genoeg, maar het model van volgend jaar lost dat op. Het is een prettige gedachte, want ze legt de schuld bij de technologie en vraagt van jou alleen geduld. Ze klopt alleen niet. De taalmodellen van 2026 zijn ruim goed genoeg om een klant vriendelijk en correct te woord te staan. Toch struikelt het overgrote deel van de klantenservicebots, en bijna nooit omdat het model te dom is. Ze struikelen omdat de kennisbank eronder verwaarloosd is en de scope veel te breed is opgezet. Dat is eigenlijk goed nieuws, want aan allebei kun je vandaag iets doen.
Mijn stelling is simpel: een klantenservicebot is geen modelprobleem, het is een operationeel probleem. Wie blijft wachten op slimmere AI lost de verkeerde knelpunten op. Wie zijn kennisbank op orde brengt en de bot een afgebakende taak geeft, heeft met de modellen van nu al een bot die klanten écht helpt.
Het model is niet de zwakke schakel
Het is verleidelijk om elke mislukte bot af te schrijven als ‘de AI is nog niet zover’. Maar een taalmodel doet maar twee dingen: het haalt informatie op en het verwoordt die netjes. Dat verwoorden is al jaren geen probleem meer. Het ophalen wel, want een model weet niets over jouw retourbeleid, jouw levertijden of jouw uitzonderingen, tenzij je het die kennis voert. De fout zit dus niet in het brein van de bot, maar in wat je eronder hangt en wat je ervan vraagt.
Dat onderscheid is precies waar veel bedrijven de plank misslaan. Ze kopen een dashboard, plakken er een chatvenster op en verwachten dat het model de rest wel invult. Het verschil tussen een losse chatbot en een agent die echt iets afhandelt zit niet in het model dat eronder draait, maar in de structuur eromheen: de data waarop hij is gefundeerd en de grenzen die je hem geeft. Negeer je die twee, dan krijg je een welbespraakte bot die met volle overtuiging de verkeerde dingen zegt.
Faalpunt een: de kennisbank die niemand bijhoudt
Een kennisbank is de verzameling bronnen, beleidsdocumenten en antwoorden waarop een AI-bot zijn antwoorden baseert. Is die verouderd, versnipperd of onvolledig, dan vult het model de gaten zelf in, en dat heet een hallucinatie. De meeste botfouten ontstaan hier, niet in het model. Let op deze vier scheurtjes in de fundering:
- Verouderde content: de bot citeert een tarief of beleid dat een halfjaar geleden is gewijzigd, omdat niemand de bron heeft bijgewerkt.
- Versnipperde bronnen: kennis staat verspreid over e-mails, pdf’s en hoofden van mensen, dus de bot ziet maar een fractie van de waarheid.
- Geen eigenaar: niemand is verantwoordelijk voor de juistheid van de kennisbank, waardoor fouten maanden blijven staan.
- Geen grounding: de bot is niet gedwongen om uit jouw bronnen te putten, dus hij verzint een plausibel antwoord als hij het niet weet.
Hoe pijnlijk dat laatste uitpakt, bewees Air Canada. Hun chatbot vertelde een rouwende klant dat hij met terugwerkende kracht een korting op rouwtarieven kon aanvragen, een regeling die niet bestond. Toen de klant naar de rechter stapte, probeerde de luchtvaartmaatschappij zich te verschuilen achter het argument dat de bot een aparte entiteit was die voor zijn eigen woorden verantwoordelijk was. Dat verweer faalde: begin 2024 hield de rechter Air Canada aansprakelijk voor de verzonnen rouwkorting en kende de klant ruim 800 Canadese dollar schadevergoeding toe. De les is niet ‘gebruik geen bots’, maar: jouw bot is jouw woord, en een bot zonder strakke grounding op een actuele kennisbank verzint beleid dat je vervolgens juridisch moet waarmaken.
De oplossing is geen slimmer model maar betere fundering. Dat is precies wat een AI-chatbot op je eigen data met RAG doet: hij dwingt het model om alleen te antwoorden op basis van jouw bronnen, met een verwijzing erbij, in plaats van uit zijn algemene geheugen te putten. Maar RAG is geen eenmalige installatie. De kennisbank moet leven, en dat lukt alleen als het bijhouden onderdeel is van het dagelijkse werk in plaats van een los klusje. Een kennisbank die zichzelf bijhoudt vanuit de tools waar je team toch al in werkt is geen luxe maar de voorwaarde waaronder de bot überhaupt betrouwbaar kan zijn.
Faalpunt twee: de bot die alles moet kunnen
Het tweede faalpunt is ambitie. Een bot die élke vraag van élke klant moet kunnen beantwoorden, faalt op de lange staart van rare, emotionele of juridisch gevoelige gevallen, precies de gesprekken die het meest pijn doen als ze misgaan. Klarna leerde dat publiekelijk. Het bedrijf claimde begin 2024 dat zijn AI-assistent het werk van 700 medewerkers deed en zette vol in op een bot die vrijwel alles afhandelde. Een jaar later draaide de CEO bij: hij erkende dat de kwaliteit lager uitviel en dat investeren in menselijke support de weg vooruit was. Klarna werkt nu hybride, waarbij AI nog steeds het leeuwendeel van de eenvoudige vragen doet, maar mensen weer bereikbaar zijn voor de rest.
De te brede scope kost ook vertrouwen, en dat is moeilijker terug te winnen dan een verkeerd antwoord. Uit een Gartner-onderzoek blijkt dat 64% van de klanten liever heeft dat bedrijven helemaal geen AI inzetten in de klantenservice, met als grootste angst dat ze straks geen mens meer te pakken krijgen. Een bot die alles wil doen, bevestigt precies die angst. Een bot die één ding goed doet en je daarna soepel doorverbindt, ontkracht hem. Scope is dus geen technische keuze maar een vertrouwenskwestie.
Dit is hetzelfde patroon dat je ziet bij AI-agents die in demo’s alles beloven maar in de praktijk vooral op afgebakende taken werken: de waarde zit in een smalle, goed gedefinieerde taak, niet in een alleskunner. Beperk wat de bot mag, en je beperkt meteen waar hij de fout in kan gaan.
“Maar de modellen worden toch elk jaar beter?”
De sterkste tegenwerping is dat ik tegen de stroom in praat. De modellen worden inderdaad beter, en de verwachtingen zijn hooggespannen: Gartner voorspelt dat agentic AI tegen 2029 zo’n 80% van de gangbare klantvragen autonoom afhandelt, met een flinke kostenbesparing als gevolg. Dus waarom nu zwoegen op je kennisbank als het model het straks vanzelf oplost?
Omdat die voorspelling mijn punt juist onderstreept. Let op de woorden: 80% van de gángbare vragen. Dat zijn precies de afgebakende, goed gedocumenteerde gevallen, het tegenovergestelde van de alles-bot. En autonoom afhandelen lukt alleen als het model gegronde, actuele informatie tot zijn beschikking heeft. Een beter model bovenop een verwaarloosde kennisbank is geen oplossing, het is een welsprekender leugenaar: het verpakt de fout alleen overtuigender. De winst van betere modellen valt pas vrij als het fundament klopt. Wie nu zijn kennis op orde brengt en zijn scope afbakent, plukt straks de vruchten van elk beter model. Wie dat niet doet, krijgt enkel snellere fouten.
De andere reflex, ‘koop gewoon een kant-en-klaar platform’, loopt op dezelfde muur stuk. Een platform levert het chatvenster en het model, maar niet jouw actuele kennis en niet jouw scope-keuzes. Die twee, juist de dingen die bepalen of de bot slaagt, blijven jouw werk. Dat is ook waarom ‘even AI implementeren’ zelden het echte probleem oplost: het gereedschap is het makkelijke deel, de operationele hygiëne eronder is het werk.
Wat de winnaars anders doen
De bots die wél werken, zien er saaier uit dan de demo’s beloven, en dat is precies waarom ze werken. Ze delen drie eigenschappen. Ze hebben een smalle scope: ze handelen een duidelijk afgebakende set vragen af (retouren, levertijden, factuurkopieën) en doen geen poging om therapeut, jurist en verkoper tegelijk te zijn. Ze draaien op een onderhouden kennisbank: er is een eigenaar, de bronnen zijn actueel en de antwoorden zijn gegrond met een verwijzing. En ze hebben een eerlijke overdracht: zodra de bot buiten zijn competentie komt, verbindt hij zonder drempel door naar een mens, in plaats van de klant in een lus vast te houden.
Wat opvalt: geen van die drie gaat over het model. Ze gaan over keuzes die jij maakt voordat de bot live gaat. Dat is geen toeval. De technologie is gedemocratiseerd, het onderscheid zit in de discipline eromheen.
Een klantenservicebot is uiteindelijk een spiegel van je operatie. Hij maakt zichtbaar of je kennis op orde is, of je weet welke vragen je echt kunt automatiseren, en of je het lef hebt om de bot te laten zwijgen wanneer hij het niet weet. De bedrijven die dat onder ogen zien, bouwen met de modellen van vandaag al een bot die klanten dankbaar gebruiken. De bedrijven die op slimmere AI blijven wachten, automatiseren vooral hun eigen wanorde, alleen nu sneller en met meer zelfvertrouwen.
