AI-agents in de klantenservice: wat werkt er nu echt?

Als er één plek is waar AI-agents zich als eerste bewijzen, dan is het de klantenservice. Het werk is er tekstueel, herhaalt zich vaak, en je kunt de uitkomst nameten: hoe lang wachtte de klant, is de vraag opgelost, wat vond de klant ervan? Precies die meetbaarheid maakt het domein zo geschikt om klein te beginnen en snel te zien of het werkt.

Tegelijk zit hier het meeste littekenweefsel. Iedereen kent de chatbot van vroeger die je in een kringetje ronddraaide en nooit doorverbond. Dat beeld zit diep, bij klanten én bij serviceteams. Een agent van nu is iets anders dan die oude beslisboom, maar dat vertrouwen moet je verdienen — niet aannemen.

Dit is het eerlijke verhaal: wat een service-agent vandaag wél kan, waar de grens ligt, en hoe je hem zo inricht dat je team er sterker van wordt in plaats van gefrustreerd.

Waarom juist de klantenservice

Niet elk werk leent zich even goed voor een agent. Bain & Company (2026) brengt dat in kaart met een handvol factoren, waaronder hoe goed je de output kunt controleren en hoe erg het is als er iets misgaat. Klantenservice scoort op die schaal hoog: samen met R&D valt het in de bovenste categorie, met zo’n 40 tot 60 procent van de taken die een agent in principe kan oppakken. Ter vergelijking: bij juridisch werk ligt dat volgens Bain juist het laagst.

Dat cijfer betekent niet dat de helft van je serviceteam overbodig wordt. Het zegt iets anders: een groot deel van de vragen die binnenkomen is routinematig, goed te controleren en laag in risico. Denk aan “waar blijft mijn bestelling”, “hoe wijzig ik mijn adres”, “wat zijn de openingstijden”. Dat is precies het volume dat een agent van je team kan overnemen, zodat de mensen tijd overhouden voor de gesprekken die er echt toe doen.

Wat de cijfers laten zien

De adoptie gaat hard. Salesforce (2026) meldt dat het gebruik van agent-technologie in de klantenservice in één jaar sprong van 39 naar 66 procent van de organisaties. Belangrijker dan de adoptie zelf is het rendement: zeven op de tien organisaties zien binnen zestig dagen na ingebruikname een meetbaar resultaat — in klanttevredenheid, in productiviteit en in de snelheid waarmee vragen worden opgelost.

Een concreet, gedocumenteerd voorbeeld komt van IBM (2026). Bij Camping World, een grote Amerikaanse retailer, liepen de wachttijden bij de service soms op tot uren. Na de inzet van een service-agent zakte de gemiddelde wachttijd naar zo’n 33 seconden. Dat is het soort verschil dat een klant direct voelt — en dat een serviceteam lucht geeft.

Zulke cijfers zijn bemoedigend, maar ze zijn geen belofte. Ze laten zien wat haalbaar is in een goed ingerichte situatie, niet wat je automatisch krijgt door ergens een agent “aan te zetten”. Het verschil zit in de aanpak.

Het eerlijke plafond

Hier hoort een nuchtere kanttekening bij. Ook in de domeinen waar agents het beste presteren, is honderd procent zelfstandigheid niet realistisch. HFS Research (2026) ziet zelfs in de sterkste, smalle toepassingen — en klantenservice is er daar één van — een plafond rond de 70 procent. Boven die grens blijft menselijk werk nodig.

Dat is geen tekortkoming, dat is precies de bedoeling. De agent vangt het volume: de vele vragen die lijken op elkaar en die je goed kunt controleren. De mens pakt de gevallen met gevoel en gewicht — een boze klant, een uitzondering, een klacht die om oordeel vraagt. Wie belooft dat de agent “alles” afhandelt, verkoopt een fabeltje. Wie de taakverdeling eerlijk maakt, bouwt iets dat blijft werken.

Hoe een goede service-agent eruitziet

Wat onderscheidt een agent van nu van de chatbot van vroeger? Vier dingen.

Ten eerste antwoordt hij vanuit jóúw kennisbank — je eigen handleidingen, voorwaarden en procedures — en niet vanuit het open internet. Zo blijven de antwoorden kloppen met wat jij daadwerkelijk aanbiedt.

Ten tweede kent hij zijn grenzen. Loopt een vraag buiten zijn bereik, dan draait hij niet in een kringetje maar draagt hij warm over aan een collega — inclusief de context van het gesprek, zodat de klant zijn verhaal niet opnieuw hoeft te doen.

Ten derde legt hij alles vast. IBM (2026) noemt in zijn richtlijnen voor verantwoorde agents onder meer sluitende logging, de mogelijkheid om in te grijpen, een eigen herkenbare identiteit per agent en menselijke goedkeuring vóór acties met grote impact. Zo kun je altijd terugzien wat er is gebeurd — en dat is de basis voor vertrouwen. Meer daarover lees je op onze pagina over governance.

Ten vierde begint hij in schaduwmodus, naast je team. Hij stelt antwoorden voor zonder ze zelf te versturen, en jullie vergelijken die met wat je mensen zouden doen. Pas als de kwaliteit staat, krijgt hij meer ruimte. Autonomie wordt verdiend, niet cadeau gegeven.

Zo begin je

Het patroon dat werkt, is klein en concreet. In het kort:

• Kies één vraagtype. Neem het meest voorkomende, meest routinematige onderwerp — niet de moeilijkste uitzondering.
• Doe een nulmeting. Leg vast hoe het nu gaat: gemiddelde wachttijd, afhandeltijd, klanttevredenheid. Zonder startpunt kun je geen winst aantonen.
• Zet de agent in schaduwmodus. Laat hem meedraaien en meten, zonder dat hij zelf naar klanten reageert.
• Ga gefaseerd live. Klopt de kwaliteit, geef hem dan stap voor stap meer ruimte — en houd de mens erbij voor alles wat daarboven uitkomt.

Zo verandert de klantenservice niet in één klap, maar wordt hij week na week een stukje sneller en rustiger. Meer voorbeelden van wat een agent oppakt, vind je bij onze toepassingen, en hoe we zo’n traject begeleiden lees je bij onze aanpak.

---

Benieuwd welke vraag in jouw klantenservice zich het eerst leent voor een agent? Plan een vrijblijvend gesprek — we maken het graag concreet.