Klantenservice automatiseren klinkt aantrekkelijk, maar de weg van handmatige afhandeling naar grotendeels geautomatiseerde klantenservice is langer dan de meeste organisaties verwachten. Dit is een eerlijk beeld van hoe dat traject eruitziet.
Een organisatie met een klantenserviceteam van twaalf medewerkers verwerkte dagelijks gemiddeld 400 contactmomenten. Tachtig procent daarvan werd volledig menselijk afgehandeld. Na achttien maanden was die verhouding omgekeerd: 80 procent werd afgehandeld door AI, 20 procent door mensen. Dit is hoe dat traject eruitzag, inclusief de delen die niet goed gingen.
Voordat er ook maar een chatbot werd ingezet, begon het project met een grondige analyse van alle inkomende contacten. Welke vragen werden gesteld, hoe vaak, via welk kanaal en met welk eindresultaat?
De analyse leverde een verrassing op: 68 procent van alle vragen viel in twaalf categorieën. De top drie waren: orderstatus opvragen, retourproces starten en factuurvragen. Dit waren alle drie vragen met een duidelijk, herhaalbaar antwoord en toegang tot backendsystemen.
Die analyse was de basis voor alles wat volgde. Zonder die data had automatisering geleid tot een tool die de verkeerde vragen probeerde te beantwoorden.
In de eerste fase werden de twaalf meest voorkomende vraagcategorieën geautomatiseerd via een AI-chatbot gekoppeld aan de ERP- en ordermanagementsystemen. De chatbot kon:
Na drie maanden werd 42 procent van alle inkomende vragen volledig automatisch afgehandeld. Klanttevredenheidsscores bleven stabiel: klanten gaven de snelheid positief aan, maar waren kritisch op gevallen waarbij de chatbot de vraag niet begreep en toch niet doorverwees.
In de tweede fase werd de aandacht verlegd naar betere escalatie en uitbreiding van de kennisbasis. De chatbot werd getraind op meer vraagvarianten en de escalatielogica werd verfijnd: bij twee opeenvolgende antwoorden die de klant als "niet-hulpvol" markeerde, werd direct doorverbonden met een medewerker.
Tegelijkertijd werd de chatbot uitgebreid met mogelijkheden voor klachtenregistratie en het plannen van callbacks. Dit bracht de automatiseringsgraad naar 65 procent.
De overgang naar 80 procent automatisering vereiste een continu verbeterproces. Elke week werden de gevallen geanalyseerd waarbij de chatbot faalde: wat was de vraag, wat antwoordde de chatbot, wat had het moeten antwoorden?
Die feedbackloop was arbeidsintensief, maar essentieel. Zonder die analyse was de chatbot na een paar maanden verouderd en had de kwaliteit afgenomen. Met de feedbackloop verbeterde de nauwkeurigheid maand na maand.
Te snel uitrollen: in de eerste maand werd de chatbot voor alle kanalen tegelijk uitgerold zonder voldoende testen. Dit leidde tot frustratie bij klanten en reputatieschade. De chatbot werd teruggetrokken en gefaseerd opnieuw geïntroduceerd.
Onderschatting van de long tail: de top-twaalf vraagcategorieën waren goed te automatiseren, maar de resterende 32 procent bleek uit honderden unieke vraagtypen te bestaan. Die waren te divers om efficiënt te automatiseren en werden uiteindelijk aan mensen overgelaten.
Gebrek aan transparantie: klanten die niet wisten dat ze met een AI praatten, reageerden negatief als de chatbot faalde. Duidelijkheid over de AI-aard van de chatbot verbeterde de klantbeleving, ook bij mislukte interacties.
Na achttien maanden:
Klantenservice automatiseren van 80 procent menselijk naar 80 procent AI is haalbaar, maar duurt langer dan verwacht en vereist constante aandacht. De resultaten rechtvaardigen de investering, maar succesverhalen die spreken van "direct resultaat" zijn te rooskleurig.
Mach8 helpt organisaties bij het implementeren van AI-gestuurde klantenserviceoplossingen. Bekijk onze chatbot dienst of neem contact op.
Wij helpen je van strategie naar implementatie. Plan een vrijblijvend gesprek.
Plan een gesprek