Interviews

Zack Peng, medeoprichter en CEO van Seel – interviewreeks

Antoine Tardif
Voeg Unite.AI toe aan je voorkeursbronnen op Google
Zack Peng, Co-Founder and CEO of Seel
Belangrijkste puntenSeel lost meer dan 99% van de supportgevallen op door AI de oplossingen te laten…
Meer weergeven
  • Seel lost meer dan 99% van de supportgevallen op door AI de oplossingen te laten voltooien in plaats van tickets af te wenden.
  • Vertrouwen in AI-support hangt af van een zichtbare uitweg naar een mens in plaats van de nauwkeurigheid van de bot.
  • Handelaren moeten bewijs eisen van end-to-end oplossingspercentages en aansprakelijkheid in plaats van gepolijste demo's.

Zack Peng is medeoprichter en CEO van Seel. Hij richt zich daar op de problemen waarmee consumenten en verkopers na het afrekenen te maken krijgen. Zijn werk begon met het voorspellen van retouren en terugbetalingen en is inmiddels uitgebreid naar AI-systemen die klantverzoeken in uiteenlopende commerciële processen afhandelen. Hij pleit ervoor agents die actie kunnen ondernemen te combineren met duidelijke operationele grenzen, de mogelijkheid om zaken naar een medewerker op te schalen en verantwoordelijkheid voor de uitkomst die klanten krijgen.

Seel biedt diensten na aankoop en AI-diensten voor e-commerce, waaronder bescherming bij aankoop en bezorging, klantenservice en doorverkoop. Het platform koppelt systemen van verkopers, bestelinformatie en serviceprocessen om problemen van consumenten op te lossen. De LLM Gateway biedt toegang tot modellen en ondersteunt taakgerichte routering. In dit interview bespreekt Peng de verschuiving van vragen beantwoorden naar verantwoordelijkheid nemen voor resultaten, de waarborgen die nodig zijn om agents in verschillende systemen te laten werken en hoe verkopers kunnen beoordelen of AI-diensten betrouwbaar zijn.

Wat bracht je ertoe om Seel mede op te richten, en hoe leidde het oplossen van problemen waarmee consumenten na het afrekenen te maken krijgen tot de ontwikkeling van een AI-team voor e-commerce?

Het begon met één marktplaats. We ontmoetten een oprichter die een marktplaats runde en zagen hoeveel moeite de sector stak in het voorspellen van terugboekingen, die ongeveer 0,5% van de GMV kosten. Retouren en terugbetalingen lagen tussen de 10 en 20%, maar niemand voorspelde die. Daarom bouwden we een model dat dit wel kon. Daarmee konden consumenten tegen een kleine vergoeding artikelen uit de uitverkoop waarop geen retourrecht gold, toch retourneerbaar maken. Ik verwachtte dat 3 tot 5% daarvoor zou kiezen. Het werd 10 tot 20%. Dat liet ons zien dat consumenten bereid zijn te betalen voor zekerheid na het afrekenen, net zoals mensen AppleCare of een afkoopregeling bij autohuur aanschaffen.

Het AI-team is voortgekomen uit onze eigen klantenservice-inbox. Meer dan 70% van onze supporttickets had niets met retouren te maken. Consumenten wilden weten waar hun bestelling was of of ze iets konden ruilen. In plaats van hen terug te sturen naar de verkoper, gingen we die tickets zelf afhandelen. We ontdekten dat de echte waarde van AI in de handel niet zit in geld besparen, maar in dingen direct en op grote schaal doen, zelfs tijdens piekdrukte. Dat betekent onder meer dat AI-systemen in aanmerking komende terugbetalingen kunnen beoordelen en goedkeuren voordat retourzendingen binnenkomen, en dat AI-agents 24 uur per dag, 7 dagen per week actie kunnen ondernemen om klantverzoeken af te handelen.

Je beschrijft een ontwikkeling van chatbots die vragen beantwoorden, via agents die actie ondernemen, naar AI-diensten die het volledige resultaat voor hun rekening nemen. Wat verandert er technisch en operationeel tussen die fasen, en kun je dat illustreren aan de hand van een concrete klantkwestie?

Het verschil zit in wie verantwoordelijk is voor de uitkomst. Een chatbot beantwoordt de vraag: ‘Waar is mijn bestelling?’ Een agent voert één taak uit, zoals het indienen van een claim. Een AI-dienst neemt het resultaat voor zijn rekening: dat de klant krijgt waarvoor die heeft betaald.

Technisch gezien werkt zo’n AI-dienst in meerdere systemen, waaronder de winkel van de verkoper, de vervoerder en de betalingssystemen, in plaats van binnen één systeem. De dienst volgt een zaak dagenlang, niet slechts één gesprek, en moet weten wanneer de kwestie daadwerkelijk is afgehandeld. Operationeel verschuift de personeelsplanning van het afhandelen van een bepaald aantal tickets naar het behandelen van uitzonderingen.

Neem een pakket dat als bezorgd staat geregistreerd, maar nooit is aangekomen. Een chatbot zegt tegen de consument dat die moet wachten. Een agent dient een claim in. Seel Agencies controleert de scan van de vervoerder en de bestelgeschiedenis, bepaalt of de klant in aanmerking komt, betaalt een vergoeding uit of verstuurt een vervangend product, werkt de gegevens van de verkoper bij en laat de consument weten dat de kwestie is afgehandeld. Als partner die de volledige afhandeling van tickets na aankoop voor verkopers op zich neemt, hebben we deze AI-infrastructuur eerst op onze eigen tickets getest. Dankzij deze resultaatgerichte aanpak bereikten we een oplossingspercentage van meer dan 90% en konden we verzoeken die in aanmerking kwamen direct signaleren en terugbetalen.

Stel dat een winkelagent namens iemand de verkeerde maat bestelt. Wat moet er gebeuren tussen die agent, de verkoper en Seel om de fout recht te zetten, en wie moet verantwoordelijk zijn voor de uitkomst?

De consument zou niet als scheidsrechter hoeven optreden. Wie de fout ook heeft gemaakt, de oplossing is dezelfde: een snelle omruiling of terugbetaling.

Drie dingen maken dat mogelijk. Bij de bestelling moet worden vastgelegd wie die heeft geplaatst en op basis van welke instructie, zodat de beslissing van de agent kan worden nagegaan. Ten tweede moet het retourbeleid van de verkoper machineleesbaar zijn, zodat een agent het kan toepassen. Ten derde moet iemand garant staan voor de uitkomst voordat duidelijk is wie de fout heeft gemaakt.

Daar komt Seel in beeld. Wij nemen de aansprakelijkheid op ons. Als de bestelling beschermd was, wordt de consument eerst volledig schadeloos gesteld; pas daarna wordt vastgesteld aan wie de fout toe te schrijven is. Als een AI-winkelagent namens iemand de verkeerde maat bestelt, moet de consument dezelfde mogelijkheid hebben om de kwestie op te lossen als wanneer die zelf had besteld, zolang de juiste bescherming bij het afrekenen is toegevoegd en de kwestie onder die dekking valt. Wij staan financieel garant voor de uitkomsten die we dekken. De consument zou niet als scheidsrechter hoeven bepalen of die zelf of de agent een fout heeft gemaakt.

Je team zegt dat AI 80% van Seels supporttickets sneller afhandelt. Wat betekent ‘sneller afhandelen’ in de praktijk, hoeveel tickets worden zonder menselijke tussenkomst opgelost en aan welke maatstaven kun je zien of klanten daadwerkelijk betere service krijgen?

Dat betekent dat AI het werk doet dat iemand vroeger zou hebben afgeremd: de zaak lezen, bestel- en vervoerdersgegevens ophalen, het beleid van de verkoper controleren en in de meeste gevallen de kwestie oplossen. AI handelt 80% van ons ticketvolume af. In totaal lossen we meer dan 99% van de supportvragen op, terwijl in de sector doorgaans percentages van 60 tot 70% worden genoemd.

Maar alleen het percentage afgesloten zaken kan slechte service verhullen: een bot die klanten afwimpelt, ziet er op een dashboard al snel goed uit. Daarom houden we cijfers bij zoals het percentage tickets dat opnieuw wordt geopend, het percentage dat naar een menselijke medewerker wordt geëscaleerd en de klanttevredenheid. Snelheid is belangrijk op momenten die klanten frustreren. Een verzendadres wijzigen betekent meestal een lange e-mailwisseling tussen afzonderlijke bestel- en afhandelingssystemen. Onze medewerkers regelen dat binnen enkele minuten.

De maatstaf die ik het belangrijkst vind, is of de klant opnieuw iets koopt. In ons netwerk had 69% van de terugkerende kopers hun eerste bestelling beschermd.

Je hebt jezelf omschreven als ‘voor agenten, maar niet voor de automatische piloot’. Welke beslissingen laat je bewust aan mensen over, en hoe herkent je systeem dat een ogenschijnlijk routinematige zaak om menselijk inzicht vraagt?

Automatische piloot betekent dat niemand meekijkt. We willen dat agenten het meeste werk doen en dat mensen de beslissingen nemen waarvoor inzicht nodig is.

Drie soorten beslissingen laten we aan mensen over: alles wat het beleid bepaalt, zaken waarbij een verkeerde beslissing kostbaar is om terug te draaien, en uitzonderlijke zaken waarbij de uitkomst volgens de regels misschien niet eerlijk is. De AI behandelt routinematige zaken binnen die grenzen en kan haar eigen bevoegdheden niet uitbreiden. Als een handeling niet is toegestaan of een zaak extra goedkeuring of een speciale behandeling vereist, wordt die direct naar een medewerker geëscaleerd.

Het systeem kijkt niet alleen naar het soort verzoek, maar ook naar de context: risico, urgentie, frustratie bij de klant en de gevoeligheid van het beleid. Zaken met een hoog risico worden naar medewerkers doorgestuurd, terwijl beleidsgevoelige zaken vóór actie om aanvullende verificatie kunnen vragen. Die drempelwaarden worden afgestemd op de verkoper en de workflow; ze worden niet uitgedrukt als één universeel geldbedrag of één universele betrouwbaarheidsscore. Een verzoek om versnelde afhandeling of een hogere uitbetaling kan bijvoorbeeld buiten de autonome bevoegdheid van de AI vallen.

Uit jullie onderzoek onder klanten blijkt dat veel Gen Z-consumenten nog steeds willen dat een mens betrokken is bij het oplossen van hun problemen. Wat hebben jullie geleerd over het ontwerpen van AI-ondersteuning die vertrouwen wekt, vooral wanneer klanten een beslissing willen aanvechten of een medewerker willen spreken?

Gen Z is de generatie die zich het meest op haar gemak voelt met AI, maar ook het snelst doorheeft wanneer een bedrijf AI inzet om klanten te ontwijken. In ons winkelrapport over Gen Z uit 2026 zei 49% van Gen Z dat ze een probleem liever met een medewerker oplossen. Ze willen ook dat het snel gebeurt: 87% van de klanten verwacht dat een probleem binnen twee tot drie dagen is opgelost.

We hebben geleerd dat vertrouwen voortkomt uit de mogelijkheid om over te schakelen, niet uit de bot. Als klanten weten dat ze een medewerker kunnen bereiken, laten ze AI graag zaken afhandelen. Zodra AI een muur wordt, verdwijnt het vertrouwen, zelfs als het antwoord juist was.

Daarom richten we ons op drie dingen:

  • Snelheid, zodat problemen worden opgelost voordat frustratie ontstaat
  • Een duidelijke reden in begrijpelijke taal wanneer de AI nee zegt
  • En de mogelijkheid om in één stap door te schakelen naar een medewerker die direct de volledige voorgeschiedenis ziet, zodat de klant niets hoeft te herhalen.

Wanneer agenten terugbetalingen kunnen doen, bestellingen kunnen wijzigen of handelingen kunnen uitvoeren in de systemen van verkopers, kunnen fouten financiële gevolgen hebben. Hoe handhaven jullie toegangsrechten, voorkomen jullie dubbele of onbevoegde handelingen en reconstrueren jullie wat er is gebeurd als er iets misgaat?

Elke agent krijgt alleen de toegangsrechten die nodig zijn voor zijn werk, en niets meer. We beperken die toegang tot de specifieke workflows waarmee de verkoper heeft ingestemd. We gebruiken aparte accounts of API-tokens, los van de accounts van medewerkers, zodat de verkoper de toegang op elk moment kan aanpassen, opschorten of intrekken.

Voor handelingen met een hoger risico, zoals grote terugbetalingen, kunnen we menselijke controle of drempelwaarden op basis van bedragen en regels instellen, afgestemd op de vereisten van de verkoper. Een agent toegang geven tot een systeem mag niet betekenen dat die onbeperkte bevoegdheden krijgt.

Elke handeling in een systeem wordt vastgelegd, met het tijdstip, wat er is gedaan en wat de aanleiding was. Als er iets misgaat, hebben we zo gegevens om samen met de verkoper onderzoek te doen, te helpen de handeling terug te draaien en de regels achteraf aan te scherpen.

Met 1-Click Resale maken agenten advertenties aan, bepalen ze prijzen en coördineren ze de verkoop op meerdere marktplaatsen. Hoe controleren jullie productbeschrijvingen en prijzen, en voorkomen jullie dat een artikel twee keer wordt verkocht wanneer marktplaatsen hun gegevens vertraagd bijwerken?

Onze Resale-dienst neemt verkopers werk uit handen dat ze meestal liever niet zelf doen. De dienst beoordeelt de foto van de klant om de staat van het artikel te controleren, bepaalt de prijs op basis van de markt, maakt de advertentie aan en haalt die offline zodra het artikel is verkocht.

De beschrijvingen zijn gebaseerd op gegevens die we al hebben. Omdat het artikel afkomstig is uit een bestelling bij een verkoper, gebruikt de dienst de oorspronkelijke productgegevens. De prijs is gebaseerd op wat vergelijkbare artikelen daadwerkelijk hebben opgebracht, aangepast aan de staat van het artikel. De klant bevestigt de prijsopgave voordat we verdergaan, waarna ons team de advertentie en eventuele ontbrekende gegevens afhandelt.

Het doel is doorverkopen eenvoudiger te maken, zodat klanten nog waarde kunnen terugkrijgen voor artikelen die ze niet meer willen, zelfs nadat de retourtermijn is verstreken.

Welke operationele uitdagingen brachten jullie ertoe de LLM Gateway van Seel open te stellen, en hoe kiezen jullie modellen voor verschillende taken op basis van betrouwbaarheid, latentie en kosten? Berekenen jullie de kosten per modelaanroep of per succesvol afgeronde klantuitkomst?

We hebben het eerst voor onszelf gebouwd. Door Seel Agencies te ontwikkelen om onze eigen workflows uit te voeren, leerden we dat AI op schaal vraagt om een gedisciplineerde aanpak van de manier waarop je modellen selecteert en inkoopt. We hadden schaalbaarheid en betrouwbaarheid nodig, toegang tot de beste modellen en voorspelbare kosten per eenheid. Daarom hebben we daarvoor de infrastructuur gebouwd. Handelaren merkten dat hun kosten op dezelfde manier opliepen, model voor model en verzoek voor verzoek, dus hebben we de infrastructuur opengesteld.

We routeren op basis van de taak. Voor het ophalen van een ordernummer uit een e-mail is niet hetzelfde model nodig als voor het uitwerken van een ingewikkeld probleem met meerdere stappen. LLM Router beoordeelt de complexiteit van het verzoek en routeert het naar een van de modellen die de klant heeft toegestaan. Klanten kiezen voor prestaties, besparingen of een balans tussen beide. Zo kunnen ze zelf bepalen hoeveel ze willen besparen op eenvoudigere taken.

Betrouwbaarheid en latentie moeten ook bij de daadwerkelijke werklast op peil blijven. We raden aan om de kwaliteit, reactietijd en kosten te testen voordat je agressiever gaat routeren. Bij complexe workflows of taken die een strikt consistente uitvoering vereisen, kunnen klanten een specifiek model blijven gebruiken in plaats van automatische routering.

LLM Router brengt kosten in rekening voor het modelgebruik, niet per afgeronde klantuitkomst. Bij slimme routering betaal je het tarief van het model dat daadwerkelijk wordt ingezet. Seel neemt de kosten voor het beoordelen van de complexiteit van het verzoek en het nemen van die routeringsbeslissing voor zijn rekening.

Wat heeft Seel oprichters die AI-bedrijven bouwen geleerd over het verschil tussen een indrukwekkende demonstratie en een dienst waarop klanten kunnen vertrouwen? Welk bewijs moeten handelaren eisen voordat ze een volledige bedrijfsfunctie aan een AI-bureau toevertrouwen?

Een demo laat zien dat het systeem één keer werkt. Een dienst bewijst dat het ook werkt bij het tienduizendste geval, om 2 uur ‘s nachts, wanneer de API van de vervoerder platligt en de klant boos is. Het moeilijke zat nooit in het model. Het zijn de slechte data, systemen die elkaar tegenspreken en weten wanneer de AI niet in actie moet komen.

Handelaren moeten om bewijs vragen, niet om demo’s. Welk percentage van de gevallen handelt het bureau van begin tot eind af? Hoe lang duurt de afhandeling en hoe hoog zijn de percentages herhaalaankopen, naast de mate waarin supporttickets worden voorkomen? Wie betaalt er als het misgaat, hoe snel, en kun je precies zien wat het bureau heeft gedaan? En hoeveel mensen zijn er nodig om het draaiende te houden?

Bedankt voor het geweldige interview. Lezers die meer willen weten over AI-bureaus, diensten na aankoop en automatisering voor e-commerce kunnen terecht op Seel.

Antoine is een visionaire leider en medeoprichter van Unite.AI, gedreven door een onwankelbare passie om de toekomst van AI en robotica vorm te geven en vooruit te helpen. Als serieondernemer gelooft hij dat AI de samenleving net zo ingrijpend zal veranderen als elektriciteit. Hij spreekt vaak enthousiast over het potentieel van baanbrekende technologieën en artificiële algemene intelligentie (AGI).

Als futurist onderzoekt hij hoe deze innovaties onze wereld zullen vormgeven. Daarnaast is hij oprichter van Securities.io, een platform dat zich richt op investeringen in geavanceerde technologieën die de toekomst opnieuw definiëren en hele sectoren veranderen.