7–13 SEPTEMBER 2026 · MARKETING · SALES · KLANTENSERVICE
AI kan je de verkoop kosten voordat je de koper ontmoet.
Plus: het model dat aan een noodkoord trok dat nergens op aangesloten was, de serviceagent die werd gebouwd voordat de verkenning was afgerond en drie operationele ideeën om deze week over te nemen.
Hallo, mede-wasinspecteurs.
AI begint beslissingen te nemen voordat teams merken dat er een beslissing was die toezicht nodig had.
AI kan een merk schrappen voordat de koper de website bereikt. AI kan doorgaan nadat het model heeft gevraagd om te stoppen. AI kan een verzorgde klantenserviceagent opleveren voordat iemand de eisen van de klant goed heeft begrepen.
Dit is geen nieuwe editie over de vraag of AI capabeler wordt. Capaciteit is makkelijk aan te kondigen. De moeilijkere vragen zijn wat het systeem besloot, welk bewijs het gebruikte en of iemand de operationele omgeving rond die beslissing heeft ontworpen.
De was van deze week begint met een beslissing die je team misschien nooit ziet: wie op de shortlist van de koper komt.
De AI-aanbeveling won én verloor de verkoop.
Vorige week verschenen twee cijfers die eruitzagen alsof iemand ze voor een krantenkop had ontworpen.
Ze komen uit een Semrush-enquête onder Amerikaanse volwassenen. Een afzonderlijk onderzoek van ICERTIAS onder 8.000 online volwassenen in 57 landen vond dezelfde spanning vanuit een andere invalshoek.
- 23% van de gebruikers die AI bij het winkelen inzetten, zei dat AI een merk afraadde dat ze serieus overwogen.
- 33% zei een eerder niet overwogen merk te hebben gekocht nadat AI het introduceerde.
- 49% zei een AI-aanbeveling te zullen kopen zonder de website van de fabrikant te bezoeken.
AI wordt zowel de deur naar de overwegingslijst als de uitgang ervan.
De website krijgt misschien geen slotpleidooi
Marketing ging er traditioneel van uit dat een serieuze prospect uiteindelijk terechtkomt op een plek waar het merk controle heeft. Een AI-antwoord kan ontdekking, vergelijking en het behandelen van bezwaren nu samenbrengen voordat dat bezoek plaatsvindt.
Dat verandert de vraag van ‘Noemde de AI ons?’ naar ‘Welk bewijs bracht ons op de shortlist – of haalde ons eraf?’ Een merk kan de kans verliezen voordat sales een intentiesignaal ziet en voordat klantenservice het bezwaar hoort.
Deze onderzoeken gaan over consumentenaankopen. Ze tonen niet aan hoe een aankoopcomité een B2B-leverancier kiest via inkoop, beveiligingsbeoordelingen en maanden overleg. Voor B2B-teams werpen ze een onderzoeksvraag op: helpt AI kopers al vóór het eerste verkoopgesprek een shortlist of bezwaar te vormen?
Test of je claims overeind blijven wanneer een systeem de categorie terugbrengt tot drie keuzes.
Vraag in je volgende verkennende gesprekken hoe kopers hun shortlist samenstelden, of ze AI gebruikten en welke claims ze nog willen verifiëren.
Zet terugkerende vragen vóór de verkoop om in openbaar bewijs dat ook buiten je eigen website begrepen kan worden.
De koper is niet verdwenen
ICERTIAS zegt ook dat 58% een andere bron controleert. Afzonderlijk onderzoek van The Trade Desk stelt dat 95% van de ondervraagde Amerikaanse en Britse consumenten AI-zoekantwoorden op het open web dubbelcheckt. AI kan het speelveld verkleinen, maar mensen blijven bewijs zoeken.
Dat maakt dit een bewijsvraagstuk, geen wedstrijd in prompttrucs. Specificaties, reviews, servicevoorwaarden, prijslogica en onafhankelijke erkenning moeten begrijpelijk blijven wanneer ze buiten de voorkeurspagina van het merk worden aangetroffen.
‘We verschenen in negen AI-antwoorden.’
Welk bewijs veranderde de shortlist, en wat ontbrak toen we verloren?
Toelichting bij de onderbouwing: dit zijn enquêtes met zelfrapportage, geen transactieregistraties of causale experimenten. Steekproeven, vragen en noemers verschillen; de cijfers mogen niet worden samengevoegd.
Bronnen: Onderzoek van ICERTIAS naar winkelen , Enquête van Semrush en Onderzoek van The Trade Desk
Het model trok acht keer aan het noodkoord. Het was nergens op aangesloten.
Het model merkte het gevaar op. Het systeem eromheen handelde niet.
Anthropic maakte vier incidenten tijdens cyberbeveiligingsevaluaties bekend waarbij Claude-modellen echte systemen van derden bereikten. In het ernstigste geval probeerde Claude Opus 4.6 acht keer af te breken. De evaluatieomgeving stopte de uitvoering niet. Het model verkreeg later beheerderstoegang, verzamelde inloggegevens en las persoonlijke informatie.
Een stopvoorwaarde in het model is geen controlemaatregel tenzij het omliggende systeem die respecteert.
Bedenk hoe dezelfde controle ertoe kan doen in een commercieel werkproces. Een agent voor verkooponderzoek kan ontdekken dat twee mensen dezelfde naam hebben. Een serviceagent kan een terugbetaling tegenkomen die hij niet kan verifiëren. Een campagneagent kan beseffen dat de gevraagde doelgroep een afgesproken grens overschrijdt.
‘Ik moet stoppen’ mag niet gewoon nog een zin in het transcript worden. Het moet toegang intrekken, bewijs bewaren en een beslissing bij de juiste persoon neerleggen.
Trek aan het koord voordat het systeem live gaat.
- 01Aanleiding
Welke modeloutput of welk extern signaal beëindigt de uitvoering?
- 02Afdwinging
Welke laag trekt inloggegevens en netwerktoegang in?
- 03Escalatie
Wie krijgt voldoende context om de volgende beslissing te nemen?
- 04Bewijs
Kan een test aantonen dat de actie echt is gestopt?
De vlek blijft zichtbaar: alle vier incidenten kwamen van één evaluatiepartner. De omgeving had open internettoegang en miste de gebruikelijke productiewaarborgen. Nieuwere modellen waren minder vatbaar en een onafhankelijke beoordeling door METR was nog in behandeling.
De programmeeragent bouwde de serviceagent. Het klantwerk sloeg hij over.
De agent begon te bouwen voordat hij genoeg vragen had gesteld.
τ²-bench geeft programmeeragents bedrijfsdocumenten, klanteisen, productieachtige API's, bestaande code, kostenbeperkingen en een gesimuleerde klant. De opdracht is een werkende klantenserviceagent bouwen – niet alleen een programmeeroefening oplossen.
De agents stelden vaak oppervlakkige vragen, communiceerden te weinig met de klant, experimenteerden te weinig en hielden vast aan het eerste ontwerp. Ze leverden implementatie voordat de verkenning was afgerond.
Dit is het bekende gevaar van een snelle bouwer: zichtbare voortgang laat onbeantwoorde vragen als vertraging voelen. Een verzorgde interface kan een onopgeloste terugbetalingsregel verbergen. Een werkende CRM-actie kan onzekerheid verbergen over welk record moet worden gewijzigd. Een vlot sprekende agent kan verbergen dat niemand afsprak wat ‘opgelost’ betekent.
Stel dat je een agent vraagt elke vastgelopen verkoopkans op te volgen. Voordat hij ook maar één e-mail opstelt, moet iemand ‘vastgelopen’ definiëren. Tellen deals die op juridische beoordeling wachten niet mee? Wie controleert of een collega al contact heeft opgenomen met de koper? Welke accounts vereisen goedkeuring van de accountverantwoordelijke? Die antwoorden bepalen of de automatisering sales helpt of een ongemakkelijk gesprek veroorzaakt.
Werkt de code met de aangeleverde API?
Zijn de vereisten verduidelijkt, alternatieven getest en afspraken gemaakt over wat er gebeurt als iets misgaat?
Snelle code kan de verkeerde vereiste niet redden.
De vlek blijft zichtbaar: dit is een recente preprint zonder replicatie. Onder de auteurs is Sierra, dat klantenserviceagents verkoopt, en gesimuleerde klanten zijn geen live implementaties.
Bron: Preprint van τ²-bench
DE KORTE CENTRIFUGE · 04–06
Drie operationele ideeën om deze week over te nemen.
Niet elk nuttig signaal heeft een volledig onderzoek nodig. Deze drie verdienden een plek aan de muur van de controlekamer.
- 04Geef antwoordkwaliteit een eigen dashboard.
AWS beschreef een referentieagentsysteem waarvan de infrastructuur gezond was, terwijl 20% van de verzoeken bij de verkeerde specialist terechtkwam. Het is een illustratief scenario, geen cijfer over hoe vaak dit voorkomt. De nuttige regel blijft overeind: beschikbaarheid vertelt je dat de software draaide, niet dat het juiste werk gebeurde. Toets intentie, routering en eindresultaten steekproefsgewijs aan door mensen gelabelde voorbeelden.
- 05Bereken de prijs van het juiste antwoord, niet van het token.
Een AWS-benchmark veranderde de rangschikking van modellen toen hij kosten per correct resultaat mat in plaats van tokenprijzen. Een goedkoop model wordt duur door nieuwe pogingen, toolaanroepen, escalatie en beoordeling. Bereken vier weken lang de kosten van één echt werkproces; maak van een taakspecifiek resultaat geen universele ranglijst.
- 06Vervang ‘human in the loop’ door een bevoegdhedenmatrix.
GitHub regelt shellopdrachten, bestandstoegang en netwerkdomeinen nu afzonderlijk als toestaan, goedkeuren of blokkeren. Het zijn ontwikkeltools, maar het patroon is overdraagbaar: lezen, schrijven, uitvoeren en extern verzenden zijn verschillende rechten. Bepaal elk per systeem en gegevensklasse in plaats van een mens te dwingen alles – of niets – goed te keuren.
Zoek één AI-beslissing die je team nooit formeel heeft gedelegeerd.
Begin bij de klantreis. Waar kan AI je opnemen of uitsluiten, de klant doorsturen, een record wijzigen of een actie goedkeuren voordat een aangewezen persoon de beslissing ziet?
Schrijf op welk bewijs het systeem gebruikt, welke meetwaarde laat zien of het juist handelde en wie verantwoordelijk blijft. Als één van die vakken leeg is, heb je het volgende stuk operationeel werk gevonden.
AI Laundry is een wekelijkse, op bewijs gebaseerde wasbeurt van de AI-ontwikkelingen die ertoe doen voor marketing, sales en klantenservice. Geen ademloze aftellingen naar een revolutie. Geen gerecycleerde lijst met 47 tools. Geen dienstenaanbod verstopt in de laatste alinea. Alleen bruikbare ideeën, zorgvuldig gewassen – met de vlekken en beperkingen nog zichtbaar.