Alle berichten

Blog · 14 november 2026

Door Johan Groen

AI in klantenservice: wat het mkb kan leren

Een AI-agent die zelf een terugbetaling regelt of een abonnement aanpast, komt in klantenservice snel dichterbij. Grote organisaties zitten er al middenin, en hun ervaringen zijn ook voor kleinere bedrijven leerzaam. Wie AI in klantenservice wil gebruiken, loopt vooral vast op processen, gegevens en afspraken. Ik zet op een rij wat je daarvan kunt leren en waar je morgen kunt beginnen.

Wat speelt er rond AI in klantenservice?

Eind oktober maakten adviesbureau McKinsey en Parloa, een bedrijf dat AI-agents voor klantcontact bouwt, bekend dat ze hun samenwerking uitbreiden tot een alliantie. Een AI-agent is een systeem dat zelf stappen zet: het zoekt gegevens op, neemt een besluit binnen vaste grenzen en voert dat uit. Een chatbot beantwoordt een vraag, een agent handelt hem ook af. De klanten van beide partijen zijn grote internationale bedrijven, met contactcenters van honderden medewerkers.

Waarom dan een artikel voor het mkb? Omdat het bericht helder opschrijft waar het vastloopt. Volgens McKinsey blijven de meeste AI-projecten in klantenservice steken in de proeffase. Als oorzaken noemen ze verouderde systemen, versnipperde gegevens en afdelingen die te weinig samenwerken. Dat zijn organisatievragen, en die spelen in een bedrijf van veertig mensen net zo goed.

Waarom bellen klanten steeds vaker?

Een opvallend cijfer uit het stuk: het aantal gesprekken tussen klant en medewerker groeit nog steeds, met ongeveer 2 procent per jaar. Dat gebeurt terwijl er steeds meer digitale kanalen bijkomen. McKinsey wijt het vooral aan digitale klantreizen die slecht zijn ontworpen. Een klant die op de website vastloopt bij het wijzigen van een adres, pakt de telefoon.

Voor een kleinere organisatie is dat een bruikbare spiegel. Kijk welke vragen er binnenkomen en vraag je bij elke soort af waarom de klant belt of mailt. Vaak staat het antwoord ergens waar niemand het vindt, of wacht een handeling op een medewerker die alleen even een vinkje zet. Een AI-agent bovenop zo’n proces beantwoordt dezelfde vraag sneller, terwijl de oorzaak blijft bestaan. Daarom hanteer ik de vuistregel eerst repareren, dan versterken.

Wat doen organisaties die wel resultaat halen?

Een kleine groep organisaties brengt het aantal menselijke contacten elk jaar met 10 tot 15 procent of meer terug. Volgens McKinsey hebben zij hun gegevens op orde gebracht, hun werkprocessen opnieuw ingericht en de risico’s aangepakt die AI zelf niet oplost. De techniek komt pas daarna.

Voor een mkb-bedrijf komt dat neer op vragen als deze:

  • Staan klantgegevens en bestellingen op één plek, of moet een medewerker drie systemen openen om één vraag te beantwoorden?
  • Is opgeschreven hoe een retour of een klacht verloopt, of zit dat in het hoofd van die ene collega?
  • Weet je wat er gebeurt als de AI een fout maakt en wie het dan oppakt?
  • Staan de directie en de mensen aan de telefoon achter dezelfde keuzes?

Op dit punt heeft een kleinere organisatie een voorsprong. De lijnen zijn kort, er zijn minder systemen en de mensen die het werk doen zitten vaak aan dezelfde tafel als de directeur. Een proces opschrijven en verbeteren lukt daardoor in een paar weken, met de collega’s die het dagelijks doen.

Wat mag een AI-agent zelf beslissen?

McKinsey verwacht dat AI-agents binnen drie tot vijf jaar bij elk klantcontact betrokken zijn. Ze beantwoorden dan vragen en nemen ook zelf besluiten over terugbetalingen en contractwijzigingen. Voor die verschuiving kun je nu al afspraken maken.

Stel dat een klant een kapot product terugstuurt. Mag de agent het bedrag direct terugboeken? Tot welk bedrag? En wat als het de derde keer is dit jaar? Zulke vragen beantwoord je met spelregels: wat de agent zelf afhandelt, wanneer hij een medewerker inschakelt en hoe je achteraf ziet wat hij heeft gedaan. In mijn artikel over AI-spelregels zonder dik beleidsdocument lees je hoe je zulke afspraken klein en werkbaar houdt.

Begin met besluiten die je makkelijk terugdraait en waarvan de gevolgen klein zijn. Een afspraak verzetten of een retourlabel sturen is een prima start. Een contract opzeggen of een klacht afwijzen laat je voorlopig bij een mens, omdat een fout daar de relatie met de klant raakt.

Hoe kom je van proef naar dagelijks werk?

Het hele bericht van McKinsey en Parloa draait om één doel: AI voorbij de proeffase brengen. Grote bedrijven gebruiken daar adviseurs en grote platformen voor. Een kleinere organisatie heeft minder nodig, en de stappen zijn wel dezelfde. Kies één soort klantvraag die vaak terugkomt, breng in kaart hoe die nu wordt afgehandeld, ruim op wat rammelt en laat daarna pas AI een deel overnemen.

Meet vooraf hoeveel van die vragen er binnenkomen en hoe lang de afhandeling duurt. Dan zie je na een paar maanden wat het oplevert en heb je een goed verhaal voor de volgende stap. Over het opschalen van een proef schreef ik eerder een apart artikel.

Waar begin je morgen?

Pak de mailbox of de belnotities van de afgelopen maand erbij en tel welke vijf vragen het vaakst voorkomen. Kies er één en loop met de medewerker die hem meestal afhandelt na welke stappen ze zet, welke systemen ze opent en waar ze op een ander moet wachten. Na dat gesprek van een uur weet je of deze vraag klaar is voor AI, of dat er eerst iets aan het proces moet gebeuren.

Wil je weten waar AI in jouw klantcontact het meeste oplevert? De gratis scan ‘Waar liggen jouw AI kansen?’ laat zien waar je het beste kunt beginnen.

Blog

Verder lezen

Alle berichten