AI-agents voor klantenservice en klantprocessen
We bouwen agents die binnenkomende tickets, e-mails en formulieren lezen, de juiste order-, polis- of accountgegevens ophalen en een compleet antwoord voorbereiden voor je team. Je mensen hoeven minder op te zoeken en besteden hun tijd aan zaken die om een eigen oordeel vragen.
Wat het is en wanneer het past.
Deze agents werken in je support- en backofficewachtrijen. Ze bepalen per verzoek waar het over gaat, halen de feiten uit je ordersysteem, CRM of polisdocumenten en bereiden een antwoord of vervolgactie voor. Afhankelijk van het risico gaat dat voorstel eerst naar een medewerker of gaat het direct de deur uit. Claims, retouren, vragen over levering en accountwijzigingen zijn vaak een goed begin.
Dit past bij teams met een vaste stroom terugkerende vragen die toch gegevens uit meerdere systemen nodig hebben voor een goed antwoord. Zijn de meeste tickets korte vragen die een helpartikel al beantwoordt, dan is eenvoudige selfservice goedkoper. Is elke zaak uniek en staat er veel op het spel, dan blijft de agent bij voorbereiden en uitzoeken. Zo ontwerpen we het dan vanaf het begin.
Wat we bouwen.
Antwoorden voorbereiden
Conceptantwoorden in jouw toon, op basis van order-, account- en polisgegevens, klaargezet in het ticket zodat een medewerker ze controleert en verstuurt.
Triage en routering
Indeling op onderwerp, urgentie, taal en klantwaarde. Elk verzoek gaat met een korte samenvatting naar de juiste wachtrij.
Claims en retouren afhandelen
Agents die een claim toetsen aan de polisvoorwaarden en het bewijs, ontbrekende informatie signaleren en een besluit voorbereiden ter controle.
Acties op orders en accounts
De agent bereidt adreswijzigingen, annuleringen en terugbetalingen voor. Die worden uitgevoerd na goedkeuring, binnen de grenzen die jij stelt.
Kwaliteit bewaken
Dashboards met aanpassingen, escalaties en de juistheid van antwoorden per categorie. Zo zie je waar de agent helpt en waar hij moeite heeft.
Hoe het werkt.
- 01
De wachtrij analyseren
We bekijken een steekproef van echte tickets en zoeken de categorieën met het meeste volume, de duidelijkste regels en de gegevens die nodig zijn voor een antwoord.
- 02
Bouwen op eerdere tickets
Eerdere zaken en de beste antwoorden van je team vormen de testset. Daartegen meten we de agent voordat hij aan een live wachtrij begint.
- 03
Live gaan met controle
De agent schrijft concepten in je helpdesk en je team controleert ze. Een categorie gaat pas over op direct versturen als de cijfers dat onderbouwen.
- 04
Bijstellen als het volume groeit
We voegen stap voor stap categorieën, talen en acties toe. De aanpassingen die je team maakt, zijn daarbij het belangrijkste signaal.
Gerelateerde cases.
- Verzekeringen
Hoe LLM-evaluaties een schadeassistent elke week laten releasen met 94% juiste antwoorden
94%juiste antwoorden, getest bij elke release- LLM-evaluaties
- Langfuse
- Promptfoo
- Verkoop
AI die leads kwalificeert en de eerste reactie terugbracht van een dag naar 4 minuten
4 mintot eerste reactie, eerst een dag- Leadscoring
- Procesautomatisering
- n8n
Gebouwd met.
Alle technologieVerder lezen.
Human-in-the-loop AI-agents: ontwerppatronen
De patronen die we gebruiken om AI-agents veilig in productie te laten draaien: goedkeuringsstappen, drempels voor zekerheid, rechten voor tools, audittrails en fallbacks.
5 min leestijd
Een RAG-chatbot bouwen die in productie werkt
Wat er nodig is om van een veelbelovend RAG-experiment een chatbot te maken die mensen vertrouwen: inlezen, hybride zoeken, bronvermelding, rechten en evaluaties.
6 min leestijd
Veelgestelde vragen.
Nee. Agents nemen het opzoeken, de eerste versies en het routeren over. Je team controleert, handelt uitzonderingen af en voert de gesprekken waar een mens voor nodig is. De meeste teams gebruiken de tijd voor snellere reacties en lastigere zaken.
We werken regelmatig met Zendesk, HubSpot, Salesforce en mailboxen in Microsoft 365, en we bouwen koppelingen op maat met eigen order- en claimsystemen. De agent werkt in de tools die je team al gebruikt.
We sturen zo min mogelijk naar modellen, maskeren gegevens waar nodig, bewaren logs in je eigen omgeving en kunnen modellen in de EU gebruiken, zodat gegevens in Europa blijven. Toegang volgt dezelfde rollen als in je helpdesk.
Ja. Huidige modellen gaan goed om met Nederlands, Engels, Duits en Frans. We maken per taal evaluaties, omdat de kwaliteit kan verschillen. Talen met zwakkere resultaten gaan ter controle naar een medewerker.