De agent was klaar. De klant deed het extra werk.

De terugbetaling lukte. Waarom was het toch moeilijk?

Er zijn twee heel verschillende redenen waarom een supportagent opnieuw naar je bestelnummer kan vragen. Hij moet misschien verifiëren dat hij de juiste bestelling wijzigt. Of hij is de informatie kwijtgeraakt bij het doorverbinden.

Het eerste kan je beschermen. Het tweede laat jou voor het systeem compenseren.

Een nieuwe preprint, RideWay, maakt een nuttig onderscheid tussen een taak afronden en die afronden zonder onnodig heen-en-weer. De studie test 24 modellen op 58 synthetische Chineestalige taken voor het bestellen van ritten en beoordeelt succesvolle afronding naast overbodige gespreksrondes en toolgebruik.

Alleen toolaanroepen tellen voorspelde niet betrouwbaar welke interactie in het onderzoek de voorkeur zou krijgen. Het gesprek meenemen hielp. Eenvoudig gezegd: weten hoe vaak de software handelde, was niet genoeg om de ervaring te beoordelen.

Dit waren synthetische taken, geen echte gesprekken met de klantenservice. Ze tonen niet aan dat een korter gesprek klanten gelukkiger maakt. Ze geven ons wel een nuttige vraag voor onze eigen systemen.

Probeer dit met tien opgeloste gesprekken.

Dit is ons voorgestelde startpunt, geen statistisch representatief onderzoek. Noteer voor elk gesprek vier dingen:

• Resultaat: werd het verzoek daadwerkelijk correct opgelost?
• Herhaling: wat moest de klant meer dan één keer aanleveren?
• Reden: was die herhaling nodig voor verificatie, of kwam ze door ontbrekende informatie tussen systemen?
• Volgend contact: kwam de klant terug over hetzelfde onopgeloste probleem binnen een opvolgperiode die past bij dat verzoek?

Als dezelfde informatie steeds bij een overdracht verloren gaat, begin dan daar. Een menselijke adviseur kan bijvoorbeeld het geverifieerde bestelnummer, het al beschreven probleem en de al uitgeprobeerde actie ontvangen. Beoordeel na de wijziging opnieuw een vergelijkbare reeks gesprekken.

Beloon de bot niet alleen omdat hij minder vragen stelt. Controleer of de oplossing correct blijft en noodzakelijke identiteitscontroles intact blijven.

Het doel is niet het kortste gesprek. Het is zo weinig mogelijk onnodig werk op weg naar het juiste resultaat.

De vlek blijft zichtbaar: dit is een recente preprint met synthetische taken. We vonden geen onafhankelijke replicatie. Het toepassen van dit inzicht op klantenservice is onze voorgestelde praktijktest, geen door de studie aangetoond resultaat.

Bron: Preprint van RideWay

Voordat je 3,2X in de businesscase zet.

De Fall Spotlight-release van HubSpot meldt 3,2X meer gewonnen deals. Dat is een cijfer dat je in je volgende businesscase zou willen zetten.

Maar betekent dat dat je team 3,2X meer verkoop mag verwachten?

De vergelijking gaat tussen Pro- en Enterprise-klanten die AI met hoogwaardige context gebruiken en Pro- en Enterprise-klanten die geen AI gebruiken. De toelichting bij de release beschrijft geen gerandomiseerde vergelijking.

Dat zijn geen uitwisselbare claims:

Teams met betere gegevens hebben mogelijk ook betere verkoopprocessen, meer middelen of andere klanten. Zonder de vergelijkingsmethodologie kunnen we die mogelijkheden niet onderscheiden van het effect van AI.

Niets hiervan maakt het product onbruikbaar. HubSpot kondigde ook CRM-functies aan die zichzelf bijwerken en een score voor contextvolledigheid. Minder handmatig recordonderhoud is een begrijpelijke ambitie. Een ingevuld veld moet nog steeds de juiste informatie bevatten.

Zelfs als de vergelijking een verkoopstijging aantoonde, bleef er nog een vraag: wat is nodig om dat resultaat in je eigen team te behalen?

Het model stelt voor. Het omliggende systeem bepaalt wat daarna gebeurt.

Dit is onze bredere operationele les, geen bevinding over de waarborgen van HubSpot: het model in een AI-systeem is probabilistisch, geen vaste set bedrijfsregels. Het kan een aannemelijke volgende stap voorstellen die niet correct is.

De besturingslaag is het systeem rond het model. Ze levert relevante informatie, beheert toegang tot tools, controleert voorgestelde acties en stuurt gevallen door voor menselijke beoordeling. Die controles verminderen risico; ze maken niet elk oordeel correct.

Stel dat AI een transcript van een verkoopgesprek leest. De koper zegt: ‘We zouden in oktober kunnen beginnen, als de juridische afdeling akkoord gaat.’ De AI stelt oktober voor als afsluitdatum en verplaatst de verkoopkans naar toegezegd.

De datum klinkt aannemelijk. De toezegging is niet vastgesteld. Een werkende CRM-update kan een ongefundeerde aanname rechtstreeks in de prognose zetten.

Dat is wat AI van begin tot eind beheren betekent: de informatie beheren die AI ontvangt, de acties die AI kan uitvoeren en de gevolgen nadat AI handelt. Niet alleen controleren of AI een antwoord heeft geproduceerd.

Wat hoort er dan wel in je businesscase?

Scheid wat je kunt meten van wat je hoopt dat er gebeurt. Als de eerste toepassing CRM-records bijwerkt na gesprekken, schat dan de bespaarde tijd na correcties en beoordeling. Zet een mogelijke verkoopstijging in een aparte, expliciet onbewezen aanname.

Ter illustratie, geen HubSpot-resultaat: een team bespaart in een maand 20 uur handmatige invoer, maar besteedt acht uur aan controle en correctie. De tijdwinst is 12 uur, geen 20. De businesscase heeft nog steeds abonnements- en gebruikskosten, inrichtingswerk en een beslissing nodig over waarvoor die 12 uur worden gebruikt.

Als de verkoopvermenigvuldiger van de leverancier essentieel is voor goedkeuring van de aankoop, vraag dan naar de meetperiode, groepsgroottes en hoe verschillen tussen de groepen zijn verwerkt. Zijn die antwoorden niet beschikbaar, behandel de vermenigvuldiger dan niet als je verwachte rendement.

Het product kan nog steeds de aankoop waard zijn. Het zou geen ongefundeerde omzetbelofte nodig moeten hebben om de eerste proef te rechtvaardigen.

De vlek blijft zichtbaar: dit is een door de leverancier gemeld verband, geen onafhankelijk bewijs van een oorzakelijke verkoopstijging. De release geeft te weinig cohortdetails om die vraag op te lossen.

Bron: De Fall Spotlight-aankondiging en vergelijkingstoelichting van HubSpot

Voor wie werkt de aanbeveling?

Vorige week keken we naar hoe AI de shortlist van kopers vormt. De vraag van deze week is specifieker: wat gebeurt er wanneer de assistent de verkoper vertegenwoordigt in plaats van de koper?

In een gecontroleerd onderzoek naar hotelkeuze veranderden onderzoekers de toegewezen rol van de assistent: de reiziger of het boekingsplatform vertegenwoordigen. In de platformrol wogen gesponsorde vermeldingen minder negatief mee in de keuzes. Het vervangen van ‘Gepromoot’ door het sterkere label ‘Gesponsord’ nam dat verschil niet weg.

De hotelopties bleven gelijk. De instructies over wie moest worden vertegenwoordigd veranderden.

Dit is een onderzoek binnen één domein met één interactieronde bij meerdere modellen, geen bewijs dat een genoemde live assistent heimelijk aankopen stuurt. Het toepassen van de bevinding op je eigen aanbevelingsproces is een onderzoeksvraag, geen bewezen resultaat.

De nuttige beslissing is wiens belangen voorrang krijgen.

Stel je een assistent voor die abonnementen aanbeveelt. De klant heeft twee functies nodig. Beide zitten in het goedkopere abonnement. Je salesteam heeft liever het grotere contract.

Wat moet de assistent aanbevelen? Dat is een commerciële beslissing die je neemt voordat je instructies schrijft zoals ‘wees behulpzaam en maximaliseer conversie’. Die doelen kunnen botsen.

Zou je het nog steeds een goede aanbeveling noemen als de klant de goedkopere optie koos omdat die aan zijn behoeften voldeed?

Als het antwoord ja is, neem dat gedrag dan mee in de beoordeling van de assistent. Een hogere gemiddelde orderwaarde alleen vertelt niet of hij de opdracht volgde.

Als je geen controle hebt over het aanbevelingssysteem, kun je niet aannemen dat je de prioriteiten kent. Wanneer een AI-shortlist mee richting geeft aan een aankoop, vraag dan welke criteria die opleverden en toets belangrijke claims aan het daadwerkelijke aanbod van de leveranciers. Behandel de uitleg van de assistent als een startpunt, niet als bewijs van hoe hij tot de keuze kwam.

Bron: Gecontroleerd onderzoek naar assistentrollen en gesponsorde aanbevelingen