Van simpele regels tot GenAI: ga voor de eenvoudigste oplossing met het hoogste rendement.
De ene AI is de andere niet. Terwijl iedereen over AI in klantcontact praat, gooien organisaties fundamenteel verschillende technieken op één hoop. Dat kost geld, energie en vaak ook geloofwaardigheid.
Vanaf de eerste kennismanagementsystemen met beslistabellen tot de komst van machine learning en generatieve AI met RAG zie ik hetzelfde patroon terugkomen.
Organisaties overschatten óf wat ze al hebben (“onze regelengine is AI!”), óf wat nieuwe technologie kan (“ChatGPT lost alles op!”).
Tijd voor helderheid over wat wél werkt — en wat niet.
Als we over AI praten, denken sommigen al snel aan sciencefictionbeelden: systemen die leren, denken, misschien zelfs bewustzijn ontwikkelen. Maar in klantcontact werken we volledig binnen wat experts narrow AI noemen: gespecialiseerde systemen die één taak of een beperkte set taken uitvoeren.
Binnen dat spectrum is er wél verschil in niveau. We bewegen van reactief (symbolische AI), naar adaptief (machine learning), naar generatief (GenAI), met of zonder context (RAG). Dat zijn geen verschillende soorten intelligentie — het zijn stappen in complexiteit en autonomie, nog ver verwijderd van artificial general intelligence (AGI), laat staan artificial superintelligence (ASI).
Wie dat verschil niet scherp ziet, verwart hype met praktijk en maakt verkeerde keuzes.
Vier typen AI die ertoe doen
| AI-type | Werking | Data-behoefte | Transparantie | Flexibiliteit | Beste toepassing | Grootste valkuil |
|---|---|---|---|---|---|---|
| Symbolische AI | If-then-regels, beslisbomen | Minimaal | Volledig | Beperkt | 70% van standaardvragen | Simpel werk onnodig complex maken |
| Machine Learning | Patronen uit historische data | Veel, schoon | Beperkt | Hoog | Voorspelling, kwaliteitsmonitoring | Denken dat data alleen genoeg is |
| GenAI zonder RAG | Generatie uit trainingsdata | Geen (pre-trained) | Geen | Zeer hoog | Creativiteit, drafts | Hallucinaties accepteren als ‘goed genoeg’ |
| GenAI + RAG | Generatie + eigen kennisbron | Gemiddeld | Redelijk | Zeer hoog | Complexe, contextgerichte antwoorden | Slechte documentatie = slechte output |
Symbolische AI
Wat het doet:
Bijvoorbeeld: Als klant belt over factuur én bedrag > €500 én het is na 17:00, dan route naar specialistenteam.
Wanneer inzetten:
-
Stabiele processen met duidelijke uitzonderingen
-
Compliance-kritische omgevingen
-
70% van routine klantcontact
-
Organisaties zonder perfecte data
Belangrijk om te beseffen:
Wie dit overslaat omdat het 'te simpel' klinkt, maakt een dure strategische fout. Begin hier.
Machine Learning
Wat het doet:
Voorspelt bijvoorbeeld welke klant gaat opzeggen, welk gesprek escaleert of welke medewerker extra training nodig heeft.
Sterk in:
Conversational intelligence — analyse van sentiment, gesprekspatronen, kwaliteitsmonitoring — met stabiele inzichten waar GenAI kan schommelen.
Wanneer inzetten:
-
Minimaal 12 maanden schone data
-
Team dat resultaten kan interpreteren én benutten
-
Behoefte aan voorspellende analyses
-
Consistente kwaliteitsmonitoring
Belangrijk om te beseffen:
"We hebben data, dus we kunnen ML" is een misvatting. Je hebt relevante data én mensen nodig die ermee kunnen werken.
GenAI zonder RAG
Wat het doet:
Genereert tekst, brainstormt ideeën, maakt concepten — maar weet niets over jouw organisatie.
Wanneer inzetten:
-
Voor concepten en drafts
-
Algemene klantcommunicatie
-
Brainstorms met teams
-
Niet-kritische creativiteit
Belangrijk om te beseffen:
GenAI hallucineert. Punt. Gebruik dit niet waar feitelijke juistheid cruciaal is.
GenAI + RAG
Wat het doet:
Haalt actuele informatie uit jouw documenten en procedures en genereert daarop gebaseerde antwoorden.
Wanneer inzetten:
-
Complexe kennisorganisaties
-
Frequent wijzigende procedures
-
Grote product- of dienstendiversiteit
-
Behoefte aan actuele, organisatie-specifieke informatie
Belangrijk om te beseffen:
RAG is maar zo goed als je informatiearchitectuur. Rommel erin = rommel eruit.
Waar het misgaat (en hoe je dat voorkomt)
Symbolische AI
⚠️ Regel-creep, onderhoudsmoeras
✅ Houd regels eenvoudig; voer periodieke opschoning en audits uit
Machine Learning
⚠️ Bias, modeldrift, oververtrouwen in voorspellingen
✅ Monitor modellen, check bias, combineer met menselijk toezicht
GenAI zonder RAG
⚠️ Hallucinaties, privacyrisico’s, instabiele analyses
✅ Beperk tot niet-kritische toepassingen; implementeer factchecking
GenAI + RAG
⚠️ Afhankelijk van rommelige documentatie, complexe implementatie
✅ Verbeter eerst informatiekwaliteit en governance voordat je technisch opschaalt
De investering: waar zit de waarde?
| AI-type | Operationele kosten | Wanneer waarde? | Risicoprofiel |
|---|---|---|---|
| Symbolische AI | Laag tot gemiddeld (bij groeiende complexiteit) | Snel, vooral bij repetitief werk | Laag |
| Machine Learning | Gemiddeld (incl. data-infrastructuur) | Na 12–18 maanden met voldoende data | Gemiddeld |
| GenAI zonder RAG | Hoog (per gebruik, API-kosten) | Moeilijk voorspelbaar, afhankelijk van toepassing | Hoog |
| GenAI + RAG | Gemiddeld tot hoog (afhankelijk van documentbeheer) | Na 6–12 maanden bij kennisintensieve processen | Gemiddeld-hoog |
👉 Belangrijk: waarde zit niet alleen in euro’s, maar ook in tijdswinst, kwaliteit en klanttevredenheid. Meet dus breed, niet alleen financieel.
De keuze: praktische beslisboom
1️⃣ Diagnoseer je organisatie
-
Hoe volwassen is je data?
-
Hoe stabiel zijn je processen?
-
Hoeveel transparantie is vereist?
-
Hoeveel foutmarge kun je accepteren?
2️⃣ Start simpel, bouw op
-
Begin met symbolische AI waar het kan
-
Voeg ML toe voor voorspelling en monitoring
-
Zet GenAI + RAG in voor contextspecifiek klantcontact
👉 Gouden regel: kies niet de hipste technologie, maar de minst complexe die jouw probleem oplost.
3️⃣ Combineer slim
De beste organisaties combineren:
-
Symbolische AI voor routing en filtering
-
ML voor prioritering en kwaliteitsmonitoring
-
GenAI + RAG voor complexe klantinteracties
-
GenAI zonder RAG voor interne creativiteit
Wat ik geleerd heb na twintig jaar veranderen
Of het nu kennismanagementsystemen waren, CRM-implementaties, of nu AI — telkens dezelfde les: technologie werkt alleen als het aansluit bij je organisatie, je processen en je mensen.
We bewegen weliswaar naar slimmere systemen, maar we zitten nog ver van zelfdenkende of bewuste AI. Dat is geen beperking — dat is de ruimte waarin je nu wél praktische stappen kunt zetten.
Tegelijkertijd, kies niet voor AI omdat het kan. Kies voor de juiste AI-benadering omdat het jouw klantcontact meetbaar verbetert. Begin eenvoudig, meet consequent, schaal voorzichtig.
En onthoud: klantcontact draait niet om de slimste technologie, maar om tevreden klanten tegen aanvaardbare kosten. AI is daarin een hulpmiddel, geen wondermiddel.
De organisaties die dat begrijpen, bouwen voorsprong op. De rest leert het onderweg — vaak tegen hoge kosten.
Vragen over welke AI-benadering bij jouw klantcontactorganisatie past? Ik help met een nuchtere analyse — geen AI-marketing, maar praktische keuzes die werken.