Het AI-architectuurprobleem in de klantenservice

Klarna heeft onlangs 700 klantenservicebanen geschrapt, in de veronderstelling dat AI het verschil kon absorberen. Binnen een jaar was de tevredenheid van de klant gedaald en begon het bedrijf weer mensen aan te nemen. Gartner voorspelt dat tegen 2027 de helft van de organisaties die soortgelijke banen willen schrappen, die plannen ook daadwerkelijk zal opgeven.

Dit is geen probleem van de AI-mogelijkheden. 100% van de contactcenteragenten werkt dagelijks met AI om een breed scala aan complexe situaties aan te pakken.

Toch beschouwt geen enkele agent AI als essentieel voor zijn werk. Die kloof is niet verrassend. AI wordt voortdurend toegevoegd aan dezelfde gefragmenteerde systemen die agenten al voor de komst van geavanceerde AI-tools ontgoochelden. Vandaag de dag doen mensen nog steeds het verbindende werk, het schakelen tussen tabs, het kopiëren en plakken, de handmatige verificatie die het ene systeem met het andere verbindt.

AI was bedoeld om die arbeid te vervangen. In plaats daarvan maakte het het alleen maar ingewikkelder. Tot iemand de verbindingen tussen systemen verhelpt, zullen agenten het werk van AI blijven doen met de hand en verliezen ze het vertrouwen in het belangrijkste instrument dat ze tot hun beschikking hebben.

De vertrouwenskloof die niemand verhelpt

Achtentachtig procent van de agenten zegt dat AI-hulpmiddelen niet wezenlijk hebben veranderd hoe ze werken. Drieënnegentig procent verifieert de AI-uitvoer voordat ze erop reageren. Agenten zien genoeg onvolledige of onnauwkeurige antwoorden, waardoor dubbelchecken de standaard wordt. Ze weerstaan de technologie niet. Die heeft nog geen vertrouwen verdiend.

De gevolgen worden zichtbaar in het midden van een klantengesprek. Een klant belt over een factuurdispuut en de door AI gegenereerde accountsamenvatting is drie maanden verouderd. Ze besteden de volgende tien minuten aan het verifiëren van meerdere systemen wat AI zou moeten oppikken, terwijl de klant in de wacht staat.

De meeste organisaties lezen die negatieve ervaring als een mensenprobleem. Agenten zijn bang dat hun baan in gevaar komt door AI die complexere taken op zich neemt, dus werken ze eromheen.

Het is eigenlijk een leiderschapsprobleem. Gartner ontdekte dat 91% van de leiders in de klantenservice onder druk staat van het management om AI te implementeren.

Onder die druk is het gemakkelijk om weerstand te interpreteren als een adoptieprobleem in plaats van een signaal dat AI niet goed is geconstrueerd. Als gevolg daarvan blijft de focus liggen op het versnellen van de implementatie op de verkeerde gebieden en het verhogen van de reductie van het aantal banen zonder het onderliggende probleem aan te pakken.

Wat gefragmenteerde implementatie eigenlijk oplevert

Agenten fungeren als de handmatige integratielaag tussen een live klantengesprek en 4 tot 10 losgekoppelde ondernemingstools. Ze “schakelen” tussen factureringsplatforms, ERP-systemen en ticketsystemen terwijl een klant in de wacht staat. Dat komt omdat de meeste ondernemingen AI hebben opgeborgen in dezelfde gefragmenteerde architectuur die agenten al vertraagde voordat geavanceerde AI-tools op het toneel verschenen.

Bijvoorbeeld kunnen chatbots het voorterrein van een interactie afhandelen, maar falen ze wanneer agenten toegang moeten krijgen tot het legacy-backofficesysteem waar de daadwerkelijke transactie plaatsvindt, waardoor agenten de taak toch handmatig moeten voltooien. Of AI-samenvattingsgereedschappen kunnen notities na het gesprek genereren, maar ze schrijven naar een apart systeem in plaats van het CRM van record. AI heeft de fragmentatie geërfd in plaats van het op te lossen.

AI is alleen zo verbonden als de systemen eronder. Wanneer systemen geen context delen, kan AI dat ook niet. Het haalt uit historische CRM-records, maar kan niet begrijpen wat er gebeurt in een live klantengesprek. Tegen de tijd dat het een aanbeveling oppakt, kan de onderliggende gegevens al zijn veranderd.

Onvolledige context, verouderde gegevens en losgekoppelde systemen zijn geen aparte problemen. Ze zijn symptomen van een AI-architectuurfout.

Het opbouwen van een AI-architectuur die werkt met menselijke agenten

Het opbouwen van AI die agenten echt vertrouwen en die de resultaten van de klantenservice verbetert, komt neer op vier infrastructuurvereisten:

1. Bied AI-gereedschappen real-time toegang tot gegevens. De meeste AI-implementaties in CX halen gegevens uit wat er beschikbaar is. Het is vaak verouderd. AI moet worden geconstrueerd om real-time toegang tot klantgegevens te bieden op het moment dat een verzoek wordt gedaan, niet een gefragmenteerd overzicht dat is samengesteld uit systemen die verschillende versies van dezelfde klant bevatten.
2. Geef AI een persistente context. Wanneer AI wordt opgeborgen in de bestaande infrastructuur in plaats van erin te worden geïntegreerd, reist de context niet mee. Het wordt bij elke overdracht gedropt. Persistente AI moet over de hele interactie worden uitgespreid, waarbij continu de klantintentie en de conversatiecontext worden meegenomen terwijl het werk tussen systemen, kanalen en menselijke agenten verplaatst. Wanneer een menselijke agent tussenbeide komt, zou hij niet vanaf het begin moeten beginnen.
3. Implementeer agentische AI voor autonome uitvoering, niet alleen aanbevelingen. De volgende significante stap is AI die het werk dat agenten nodig hebben, autonoom kan uitvoeren en de mens in de lus houdt voor observatie en controle. In plaats van agenten te vertellen wat ze als volgende moeten doen, orkestreert agentische AI workflows over ondernemingssystemen, claims indienen, restituties verwerken, records bijwerken en taken voltooien, zelfs over legacytoepassingen zonder API’s. AI behandelt de uitvoering terwijl menselijke agenten zich richten op oordeel, empathie en het opbouwen van sterkere klantrelaties.
4. Kies AI-systemen die verbeteren vanuit resultaten, niet alleen invoer. De meeste ondernemings-AI is statisch na implementatie. De meer impactvolle architectuur is degene die continu leert van interactieresultaten, workflows optimaliseert op basis van wat het probleem daadwerkelijk heeft opgelost, niet alleen wat de trainingsgegevens voorspelden. AI die de feedbacklus tussen resultaten en toekomstige prestaties sluit, is fundamenteel anders dan AI die implementeert en vasthoudt.

De vertrouwenskloof die agenten met AI hebben, is geen trainingsprobleem of adoptieprobleem. Het is een architectuurprobleem.

De werkelijke ROI van AI ligt niet in het reduceren van het aantal banen, maar in de waarde die wordt gecreëerd wanneer agenten eindelijk kunnen focussen op klanten in plaats van systemen. Dat gebeurt alleen wanneer AI wordt ingebouwd in de uitvoeringslaag, niet wanneer het er bovenop wordt gelegd.

De organisaties die nog steeds worstelen met adoptie, zijn niet achterop met AI. Ze zijn achterop met de infrastructuur. Verhelpt de architectuur, en het adoptieprobleem lost zichzelf op.