Een technische uiteenzetting van zes AI-functies die de ondersteuningswerkdruk met 48,5% hebben verminderd. Leer welke specifieke problemen elk oplost, de implementatiebenadering en meetbare resultaten van een leider in ondersteuningsactiviteiten.
Jozef Štofira heeft meer dan 15 jaar ervaring met het leiden van wereldwijde technische teams en het opschalen van ondersteuning in meer dan 100 markten, en nu leidt hij de klantenserviceactiviteiten bij Quality Unit. Zijn laatste presentatie op E-commerce Mastermind richtte zich niet op AI-theorie, maar op specifieke AI-functies die het LiveAgent-team heeft geïmplementeerd met behulp van FlowHunt en de meetbare resultaten die ze hebben behaald.
Wat volgt is zijn uiteenzetting van zes verschillende AI-functies, hoe elk specifieke ondersteuningsknelpunten aanpakt en de operationele verbeteringen die zijn team heeft gedocumenteerd.
Als u geïnteresseerd bent in het volledige LiveAgent AI-implementatieverhaal met gedetailleerde statistieken, zie ons LiveAgent succesverhaal .
Veel ondersteuningsteams zullen vroeg of laat met hetzelfde probleem worden geconfronteerd: het ticketvolume groeit sneller dan budgetten. De traditionele benadering van het proportioneel opschalen van het personeelsbestand naar het ticketvolume stuit uiteindelijk op financiële beperkingen. Ondertussen ervaren overwerkte bestaande medewerkers een burn-out door repetitieve vragen die tijd verbruiken die beter kan worden besteed aan echte klantproblemen.
De benadering van Jozef Štofira was gericht op het identificeren welke ondersteuningstaken machines beter kunnen uitvoeren dan mensen en deze eruit te filteren. Het einddoel was om de aandacht van medewerkers te verleggen naar waardevolle interacties waar menselijk beoordelingsvermogen, empathie en expertise het meest belangrijk zijn.
Jozef Štofira presenteerde een gestructureerde AI-implementatie rond discrete functies, elk gericht op een specifiek ondersteuningsknelpunt. In plaats van een monolithisch “AI-ondersteuningssysteem” te implementeren, heeft zijn team oplossingen geïmplementeerd die specifieke inefficiënties direct aanpakken.
Het probleem: Een overbelasting van repetitieve vragen, pre-salesvragen en algemene informatieverzoeken die niets te maken hebben met daadwerkelijke productondersteuningsbehoeften.
De oplossing: FlowHunt AI-chatbot direct verbonden met de documentatie en kennisbank van LiveAgent, specifiek geïmplementeerd op alleen pagina’s met veel verkeer en lage complexiteit.
Het resultaat: 48,5% vermindering van het handmatige live chatvolume. LiveAgent ging van 3.500 maandelijkse gesprekken die menselijke medewerkers vereisten naar 1.800. De chatbot behandelt nu het verschil autonoom, filtert vragen en escaleert alleen die welke echt menselijke expertise vereisen.
De kritieke beslissing was het creëren van een chatbot die niet probeert alles af te handelen. Het richt zich alleen op het afwenden van basisvragen, het opzoeken van documentatie en het helpen met eenvoudige probleemoplossing, terwijl het onmiddellijk niveau 2-complexiteit escaleert naar menselijke medewerkers.
Het probleem: Traditionele spamfilters falen tegen geavanceerde koude outreach en semi-relevante berichten die technisch gezien geen spam zijn, maar ook geen geldige ondersteuningsverzoeken zijn.
De oplossing: AI-analyse van context en intentie in plaats van trefwoordmatching. Het systeem evalueert of een inkomend bericht een echte ondersteuningsbehoefte vertegenwoordigt of automatisch moet worden gesloten.
Het resultaat: Bij 2.000+ maandelijks ticketvolume elimineert dit 3-6 uur pure medewerker-tijd per maand besteed aan handmatige spambeoordeling.
Het verschil is dat regelgebaseerde systemen zoeken naar patronen, terwijl AI intentie evalueert. Een koude verkoop-e-mail kan regelgebaseerde spamtrefwoorden niet activeren, maar is duidelijk geen ondersteuningsverzoek dat aandacht van een medewerker vereist.
Het probleem: Handmatige categorisatie onder tijdsdruk leidt tot inconsistentie en lacunes. Vóór AI-implementatie bleven 15% van de tickets ongecategoriseerd, wat blinde vlekken creëerde in ondersteuningsanalyses en toewijzing van middelen.
De oplossing: Automatische AI-analyse en categorietoewijzing via API op het moment dat tickets het systeem binnenkomen.
Het resultaat: Volledige eliminatie van ongecategoriseerde tickets (van 15% naar 0%). Bij volumes van meer dan 10.000 tickets is dat 14-28 uur per maand bespaard.
De bredere impact is dat ondersteuningsleiderschap nu nauwkeurige, volledige gegevens heeft voor trendanalyse, capaciteitsplanning en meting van teamprestaties—gegevens die eerder werden beschadigd door inconsistente handmatige categorisatie.
Het probleem: Klanten dienen vaak ondersteuningsverzoeken in waarbij essentiële informatie ontbreekt die nodig is voor oplossing. Medewerkers beoordelen handmatig, identificeren lacunes en vragen om aanvullende details, wat de oplossing vertraagt en capaciteit verbruikt.
De oplossing: FlowHunt-chatbot voert validatiecontroles uit op inkomende verzoeken. De chatbot identificeert ontbrekende informatie en vraagt deze onmiddellijk op. Voor verzoeken die compleet en geldig zijn, geeft het systeem onmiddellijke bevestiging en passende routering.
Het resultaat: 5-10 uur per maand bespaard bij 600+ verzoekvolume, plus aanzienlijke verbetering van de klantervaring door onmiddellijke feedback in plaats van vertraagde verzoeken om verduidelijking.
De klanten ontvangen nu onmiddellijk begeleiding over wat er nodig is, in plaats van te wachten tot een medewerker om meer informatie vraagt. Dit versnelt de algehele oplossingstijd aanzienlijk.
Het probleem: Zelfs wanneer medewerkers tickets persoonlijk moeten afhandelen, wordt tijd verspild aan het opstellen van reacties, het doorzoeken van documentatie en het waarborgen van consistente merkstem en technische nauwkeurigheid.
De oplossing: Door AI gegenereerde reactieconcepten van FlowHunt halen relevante informatie uit de kennisbank zonder handmatige invoer van medewerkers. Het enige wat overblijft is beoordelen, wijzigingen aanbrengen en verzenden. Zelfs voor complexe reacties kunnen medewerkers eenvoudig korte instructies geven die AI uitbreidt tot volledige, professioneel opgemaakte antwoorden.
Het resultaat: 2-3 minuten bespaard per reactie. Bij 4.000+ maandelijkse reacties die dit niveau van betrokkenheid vereisen, ongeveer 166 uur per maand bespaard.
Dit heeft ook een positieve impact op training. Nieuwere medewerkers kunnen onmiddellijk reacties op expertniveau produceren dankzij uitgebreide toegang tot de kennisbank via AI, waardoor de stress van het krampachtig lezen van documentatie wordt geëlimineerd.
Het probleem: Bepalen wanneer automatisering een interactie moet afhandelen versus wanneer menselijke aandacht nodig is, en zorgen voor soepele overgangen die klanten niet dwingen informatie te herhalen.
De oplossing: Definieer escalatieregels om te bepalen wanneer de FlowHunt-chatbot onafhankelijk antwoordt versus wanneer deze overdraagt aan menselijke medewerkers. Volledige gespreksgeschiedenis en context worden doorgegeven bij elke overdracht.
Het resultaat: Klanten ervaren naadloze overgangen. Medewerkers ontvangen volledige context en kunnen gesprekken natuurlijk voortzetten in plaats van opnieuw te beginnen.
Deze functie gaat niet over het maximaliseren van het automatiseringspercentage, maar over het optimaliseren van de grens tussen wat machines afhandelen en wat mensen afhandelen, waarbij elk in hun sterke gebied opereert.
Start vandaag uw gratis proefperiode en zie binnen enkele dagen resultaten.
Jozef gaf een voorbeeld van hoe deze zes functies integreren gedurende een complete ondersteuningsverzoeklevenscyclus, van eerste klantcontact tot oplossing:
Fase 1: intelligente intake
Wanneer een klant contact opneemt, worden twee AI-functies onmiddellijk geactiveerd. Anti-spam evalueert of het een echte ondersteuningsbehoefte is of dat het automatisch moet worden gesloten. Tegelijkertijd analyseert automatische categorisatie de inhoud en wijst passende tags toe voordat enige menselijke beoordeling plaatsvindt.
Deze frontlinie-filtering zorgt ervoor dat medewerkers alleen legitieme ondersteuningsverzoeken zien die al correct zijn gecategoriseerd voor routering en prioritering.
Fase 2: hybride chatafhandeling
De FlowHunt-chatbot beheert inkomende gesprekken en beantwoordt rechtstreeks eenvoudige vragen. Wanneer de complexiteit de capaciteiten van de bot overschrijdt of klanten expliciet om menselijke hulp vragen, draagt intelligente escalatie het gesprek over aan live medewerkers met volledige context.
Dit creëert een gelaagd systeem waarbij AI afhandelt wat het kan, en mensen afhandelen wat ze zouden moeten, met naadloze overdracht die ervoor zorgt dat klanten nooit wrijving ervaren op het overgangspunt.
Fase 3: versnelling van medewerkers
Voor verzoeken die menselijke afhandeling vereisen, is de antwoordassistent aangedreven door FlowHunt beschikbaar in het reactievenster. Het kan reactieconcepten genereren met relevante informatie uit documentatie en geeft medewerkers ofwel een startpunt of vermindert de tijd die wordt besteed aan het onderzoeken van antwoorden aanzienlijk.
Ondertussen handelt automatisering routinematige bevestigingen en standaardreacties af, zoals bevestigingen van demo-verzoeken, zonder enige betrokkenheid van medewerkers.
Fase 4: continue leerlus
De laatste fase omvat het extraheren van kennislacunes die tijdens door mensen afgehandelde interacties zijn geïdentificeerd. Wanneer chatbotgesprekken vragen onthullen die de AI niet kon beantwoorden uit bestaande documentatie, legt het systeem de expertoplossing vast die door menselijke medewerkers is verstrekt.
Deze informatie wordt de basis voor nieuwe kennisbankartikelen, waardoor de capaciteiten van de chatbot in de loop van de tijd worden uitgebreid zonder handmatige ontwikkeling van de kennisbank te vereisen. Het systeem leert van elke interactie die het niet volledig kan automatiseren.
Het LiveAgent-team heeft niet alle zes functies tegelijkertijd geïmplementeerd. Net zoals Michal Lichner schetste in zijn AI-implementatiegids , implementeerden ze incrementeel, te beginnen met de functies met de grootste impact en de laagste complexiteit eerst, en gingen door met dagelijkse monitoring van alle functies.
De chatbot werd aanvankelijk gelanceerd op specifieke websitesecties waar verkeerd geleide verkeer het zwaarst was, zoals blogs en woordenlijstpagina’s, in plaats van de cruciale productondersteuningspagina’s. Dit stelde het team in staat prompts te verfijnen, FAQ’s uit te breiden en prestaties te valideren voordat ze uitbreidden naar meer technische ondersteuningsscenario’s.
Automatische categorisatie kwam als volgende, waarbij het onmiddellijke data-integriteitsprobleem werd aangepakt dat ondersteuningsanalyses schaadde. Zodra de nauwkeurige categorisatie was vastgesteld, konden andere functies die afhankelijk waren van juiste routering en prioritering op die basis voortbouwen.
De antwoordassistent werd als laatste geïmplementeerd onder klantgerichte functies, nadat het team vertrouwen had opgebouwd in het vermogen van AI om merkstem en technische nauwkeurigheid te behouden door minder zichtbare implementaties.
Elke functie onderging dagelijkse monitoring tijdens de initiële implementatie. Het team verfijnde systeemprompts, breidde kennisbanken uit en paste escalatieregels aan op basis van echte klantinteracties in plaats van theoretische scenario’s.
Ontvang gratis de nieuwste tips, trends en aanbiedingen.
De AI-functies integreren direct met bestaande LiveAgent helpdesk-infrastructuur via API-verbindingen in plaats van volledige systeemvervanging te vereisen. Dit maakte incrementele implementatie mogelijk zonder lopende activiteiten te verstoren.
Kennisbankintegratie gebruikt goedgekeurde bedrijfsdocumentatie als bron van waarheid in plaats van te vertrouwen op algemene AI-training. Dit vermindert het hallucinatierisico drastisch en zorgt voor consistente, nauwkeurige reacties die zijn afgestemd op daadwerkelijk bedrijfsbeleid en -procedures.
Het escalatiesysteem gebruikt gedefinieerde regels in plaats van probabilistische besluitvorming. Wanneer specifieke triggers optreden—klant vraagt expliciet om menselijke hulp, AI-vertrouwen daalt onder drempel, gespreksscomplexiteit overschrijdt gedefinieerde parameters—gebeurt overdracht automatisch met volledige contextoverdracht.
Verzoekvalidatie werkt via sjabloonmatching en controle van verplichte velden in plaats van te proberen willekeurige klantcommunicatiestijlen te begrijpen. Deze pragmatische benadering pakt 90% van de onvolledige inzendingen aan zonder de complexiteit van natuurlijke taalbegrip.
Terugkijkend op de implementatie identificeert Štofira ook vereisten die moeten bestaan voordat AI deze resultaten kan leveren:
Georganiseerde kennis: Een uitgebreide, goed onderhouden documentatie is cruciaal. AI kan verspreide tribale kennis niet op magische wijze organiseren. Het heeft gestructureerde, toegankelijke informatie nodig om mee te werken.
Duidelijke procesdefinitie: Escalatieregels, categorisatieschema’s en reactiesjablonen moesten expliciet worden gedefinieerd. AI heeft structuur nodig om binnen te werken, geen vage richtlijnen over “goed beoordelingsvermogen”.
Toewijding aan iteratie: Huidige prestaties resulteerden uit maanden van verfijning, niet initiële implementatie. Het team zette zich in voor dagelijkse monitoring, continue promptverbetering en voortdurende FAQ-uitbreiding op basis van echte klantinteracties.
Integratiecapaciteit: Het vermogen om AI-functies te verbinden met bestaande systemen via API’s maakte incrementele implementatie mogelijk. Zonder dit zou het team worden geconfronteerd met een alles-of-niets systeemvervanging die te riskant zou zijn geweest om te proberen.
Realistische verwachtingen: Management begreep dat AI leertijd zou vereisen en niet onmiddellijk piekcapaciteit zou bereiken. Dit geduld stelde het team in staat goed te optimaliseren in plaats van systemen bij het eerste teken van imperfectie te verlaten.
De presentatie eindigde met een korte vermelding van toekomstige richtingen die zijn team verkent. Deze omvatten het uitbreiden van AI-antwoordassistentcapaciteiten naar e-mailgebaseerde tickets naast chat, het ontwikkelen van geautomatiseerde workflows die opgeloste ondersteuningsinteracties transformeren in kennisbankartikelen, en het uitbreiden van autonome ticketverwerking naar extra communicatiekanalen waaronder WhatsApp en sociale mediaplatforms.
Dit raamwerk biedt praktische begeleiding voor ondersteuningsleiders die evalueren waar ze met AI moeten beginnen.
Het is belangrijk om te beginnen met het identificeren van uw meest voorkomende, meest repetitieve ondersteuningsinteracties. Deze vertegenwoordigen de beste initiële doelen omdat succes het meest haalbaar is en impact het meest meetbaar is. Deze benadering bespaart u vroege burn-out. Vergeet niet om geen perfectie te verwachten vanaf het begin, maar prestaties te monitoren en ruimte te vinden voor verbetering. Alleen met duidelijke regels, voldoende kennisbronnen en een leerlus kan AI echt beginnen uw ondersteuningsactiviteiten ten goede te komen.
De resultaten van LiveAgent tonen aan dat AI in klantenservice werkt wanneer het doordacht wordt geïmplementeerd met duidelijke succescriteria en realistische verwachtingen. De vraag is niet of AI ondersteuningsactiviteiten kan verbeteren, maar eerder of teams zich kunnen inzetten voor de systematische, functie-voor-functie benadering die die verbeteringen duurzaam maakt.
Het operationele raamwerk van Jozef laat zien hoe AI-functies in de praktijk werken, waarbij de dagelijkse realiteit van klantenservice op schaal wordt afgehandeld. Als u geïnteresseerd bent in complexe AI-implementatie, bekijk dan onze andere artikelen uit de serie:
Michal Lichner’s implementatieroadmap legde de strategische basis—waar AI-inspanningen te richten en hoe inhoud en processen systematisch voor te bereiden vóór implementatie.
Viktor Zeman’s technische infrastructuur zorgt ervoor dat zodra u ondersteuningsactiviteiten heeft geautomatiseerd, klanten u daadwerkelijk kunnen ontdekken via AI-gemedieerd zoeken en handelsprotocollen.
Samen vormen deze drie perspectieven een compleet beeld: strategische planning, operationele uitvoering en technische infrastructuur voor e-commerce in een AI-gemedieerde handelsomgeving.
De zes functies zijn: (1) AI-chatbot voor deflectie van niveau 1-vragen, (2) Anti-spam door contextuele analyse, (3) Automatische categorisatie voor data-integriteit, (4) Validatie en volledigheidscontrole van verzoeken, (5) Antwoordassistent voor versnelling van reacties, en (6) Intelligente escalatie en overdracht. Elke functie richt zich op een specifiek operationeel knelpunt in plaats van te proberen een monolithische AI-transformatie te bewerkstelligen.
Implementeer incrementeel, functie voor functie, te beginnen met de meest voorkomende, meest repetitieve interacties. Implementeer elke functie afzonderlijk, valideer het succes met meetbare statistieken en breid dan uit. Begin met gebieden zoals blogpagina-chats of automatische categorisatie waar succes het meest haalbaar is, en bouw vertrouwen op voordat u technische ondersteuningsscenario's aanpakt. Plan voor maanden van optimalisatie, niet dagen van implementatie.
Essentiële vereisten zijn onder meer: georganiseerde, toegankelijke kennisbanken met uitgebreide documentatie; duidelijke procesdefinities voor escalatieregels en categorisatieschema's; API-integratiecapaciteit met bestaande helpdesksystemen; toewijding aan dagelijkse monitoring en iteratieve verbetering; en realistische verwachtingen dat huidige prestaties maanden van verfijning vereisen, niet onmiddellijke perfectie.
De levenscyclus integreert alle functies: Fase 1 (Intelligente intake) gebruikt anti-spam en automatische categorisatie om verzoeken te filteren en te routeren. Fase 2 (Versnelling van medewerkers) activeert de antwoordassistent voor reactieconcepten en automatiseert routinematige bevestigingen. Fase 3 (Hybride chat) combineert chatbotafhandeling met intelligente escalatie naar menselijke medewerkers. Fase 4 (Leerlus) legt kennislacunes vast uit menselijke interacties om AI-capaciteiten in de loop van de tijd uit te breiden.
Maria is copywriter bij FlowHunt. Een taalliefhebber actief in literaire gemeenschappen, ze is zich er volledig van bewust dat AI de manier waarop we schrijven verandert. In plaats van zich te verzetten, probeert ze te helpen de perfecte balans te vinden tussen AI-workflows en de onvervangbare waarde van menselijke creativiteit.
Bouw dezelfde zes AI-functies die het ondersteuningsteam van LiveAgent hebben getransformeerd—chatbot deflectie, anti-spam, automatische categorisatie, validatie van verzoeken, antwoordassistentie en intelligente escalatie.
Ontdek hoe het Support Team van LiveAgent de FlowHunt AI-chatbot heeft geïmplementeerd om ticketcategorisatie te automatiseren, intelligente overdracht naar men...
Leer hoe je een 24/7 AI-klantenservicebot ontwerpt, bouwt en implementeert. Inclusief praktijkvoorbeelden, technische uitleg, best practices, concrete stappen e...
FlowHunt maakt moeiteloze AI-automatisering mogelijk met een no-code platform, waarmee gebruikers hun eigen tools kunnen creëren. Opgericht door QualityUnit, de...
Cookie Toestemming
We gebruiken cookies om uw browse-ervaring te verbeteren en ons verkeer te analyseren. See our privacy policy.
