Uit een enquête van Gartner bleek dat 64% van de klanten liever heeft dat bedrijven geen AI gebruiken voor klantenservice. En eerlijk gezegd? Ze hebben geen ongelijk, in elk geval niet over de AI die de meesten van hen hebben meegemaakt. De chatbots die je door 5 menu's laten rondjes draaien en je daarna een telefoonnummer aanraden dat je al hebt geprobeerd. De chatbots die je ticket als "opgelost" markeren omdat je het opgaf, niet omdat er iets werd opgelost.
Dat is de erfenis van conversationele AI in klantenservice: systemen die zijn geoptimaliseerd om interacties in te dammen in plaats van ze op te lossen. Maar er draait inmiddels een andere architectuur in productie. Een die geen tijd verspilt aan alleen maar chatten met klanten, maar daadwerkelijk namens hen actie onderneemt. De branche noemt het agentic AI, en het prestatieverschil tussen deze 2 benaderingen is allesbehalve subtiel.
Conversationele AI is gebouwd om af te buigen. Dat is het kernprobleem.
Traditionele conversationele AI, de categorie waartoe de meeste chatbots van het afgelopen decennium behoren, werd ontworpen rond één metric: containment rate. Hoeveel interacties kun je weghouden bij een menselijke medewerker? Het systeem kon veelgestelde vragen beantwoorden, helpartikelen tonen en tickets doorsturen. Wat het niet kon, was daadwerkelijk iets oplossen. Geen terugbetalingen verwerken, accounts bijwerken of bestellingen aanpassen.
CNBC meldde in april 2026 dat veel servicechatbots klanten nog steeds vast laten zitten in wat zij omschreven als een doolhof van onduidelijkheid. Als je ooit de "deflection rate" van je chatbot hebt gemeten en daar tevreden over was, is het de moeite waard om te vragen: hoeveel van die afgebogen tickets eindigden echt met een tevreden klant? De eigen analyse van Maven AGI naar deflection- versus resolutiemetrics liet zien dat het antwoord vaak ongemakkelijk is.
Agentic AI beantwoordt niet. Het lost op.
De overstap van conversationele AI naar agentic AI is geen functie-upgrade. Het is een architectuurwijziging in wat het systeem moet doen. Analisten bij elk groot bureau komen op hetzelfde onderscheid uit: conversationele AI verbetert interacties, agentic AI verbetert de uitvoering.
De voorspelling van Gartner uit maart 2025 dat agentic AI tegen 2029 80% van de veelvoorkomende klantenservicevragen autonoom zal oplossen, trok een duidelijke lijn: conversationele AI is reactief en behandelt afgebakende vragen via dialoog. Agentic AI is proactief: autonome agents die beslissingen nemen, taken in meerdere stappen uitvoeren in backendsystemen en workflows afronden met minimale menselijke tussenkomst.
McKinsey benadrukt autonomie als het bepalende kenmerk: deze systemen splitsen brede doelen op in afzonderlijke taken, bepalen de volgorde van uitvoering, halen informatie op en beoordelen die, en zetten acties in gang. BCG noemt het de nieuwe grens in de transformatie van klantenservice. De rode draad in elke analistendefinitie is eenvoudig: agentic AI genereert geen antwoorden. Het levert resultaten.
In de praktijk betekent dit dat wanneer een klant contact opneemt over een factuurfout, een AI-agent het factureringssysteem raadpleegt, de transactiegeschiedenis controleert, de afwijking vaststelt, een correctie doorvoert, een bevestiging stuurt en de hele interactie vastlegt. 1 sessie. Geen escalatie. Geen "ik verbind je door met een specialist." (Tenzij escalatie natuurlijk nodig is. Dan moet de zaak worden doorgezet met de volledige context van het eerdere gesprek beschikbaar voor de menselijke medewerker.)
Het prestatieverschil is al meetbaar
De eerste implementaties bij enterprises leveren data op die het onderscheid concreet maakt. Traditionele, op regels gebaseerde chatbots halen 20–40% containment. Chatbots met LLM-integratie komen tot 40–55%. Goed geïmplementeerde agentic AI-systemen halen 70–80% autonome oplossing, en klanten van Maven AGI zien oplossingspercentages tot meer dan 90%. En dat is oplossing, geen containment.
De klantdata van Maven AGI onderbouwt dit. Mastermind bereikte 93% autonome oplossing in 6 weken. Papaya Pay haalde 90% in 3 weken. Clio bereikte 80% oplossing en loste 60% meer tickets op. Dit zijn geen pilotcijfers uit gecontroleerde omgevingen, maar productie-implementaties die echt klantvolume verwerken.
Gartner verwacht dat conversationele AI de personeelskosten van contactcenters in 2026 met $80 miljard verlaagt, en de enterprises die die ROI realiseren, zijn degenen die autonome oplossing meten, niet deflection. Data van IDC en Microsoft laat zien dat elke $1 die in AI-klantenservice wordt geïnvesteerd $3,50 oplevert, en bij koplopers zelfs 8x.
Het addertje: de meeste bedrijven zijn er nog niet
Ondanks alle momentum is de kloof tussen early adopters en de rest van de markt groot. McKinsey meldt dat minder dan 10% van de enterprises AI-agents heeft opgeschaald tot ze tastbare waarde leveren. BCG stelde vast dat slechts 28% meetbare bedrijfsimpact heeft gerealiseerd met generatieve AI in klantenservice. En Gartner waarschuwt zelf dat meer dan 40% van de agentic AI-projecten eind 2027 zal zijn stopgezet vanwege oplopende kosten of onduidelijke ROI.
De organisaties die resultaten zien, volgen een vast patroon: ze investeerden in data-infrastructuur en systeemintegratie voordat ze agents inzetten. Ze kozen platforms met een overlay-architectuur die aansluit op hun bestaande helpdesk—Zendesk, Salesforce, Freshdesk—in plaats van een volledige vervangingsmigratie te eisen. En ze maten succes aan klantresultaten, niet aan hoeveel tickets ze wisten te vermijden.
De voorspellingen van Forrester voor 2026 zijn onomwonden: dit jaar zullen iets meer AI-selfservice-initiatieven mislukken dan slagen, vooral omdat bedrijven onder kostendruk implementeren zonder het integratiewerk dat oplossing mogelijk maakt. De les uit zowel de successen als de mislukkingen is consistent: agentic AI is geen chatbot-upgrade. Het is een verandering in de operationele architectuur.
Wat dit betekent voor je CX-strategie
Als je vandaag een supportorganisatie leidt, is de praktische vraag niet "moeten we agentic AI omarmen?" Daarover zijn analisten het al eens. De vraag is hoe je de overstap faseert zonder de fouten te herhalen die de eerste generatie chatbots tot een grap maakten.
Op basis van wat in productie werkt, zijn 3 dingen het belangrijkst:
Meet wat ertoe doet. Stap over van containment rate naar autonoom oplossingspercentage. Als je leverancier geen echte oplossing kan rapporteren, geverifieerd aan de hand van de status in backendsystemen en niet alleen het afsluiten van een gesprek, dan doe je nog steeds aan containmenttheater. De aanpak van Maven AGI voor het evalueren van AI-agents legt precies uit waar je op moet letten.
Eerst integreren, dan implementeren. Het snelheidsvoordeel van een overlaymodel, dagen tot weken in plaats van maanden, werkt alleen als de AI je systemen ook echt kan bereiken. Dat betekent API-toegang tot je CRM, facturering, orderbeheer en ticketing. Zonder lees- en schrijfintegratie bouw je alleen een duurdere FAQ-bot.
Plan voor een hybride model. Elke succesvolle implementatie, in elk analistenrapport, komt uit op hetzelfde operationele model: 60–70% AI, 30–40% mens. Het doel is niet je team te vervangen. Het is om ze te bevrijden van repetitief oplossingswerk, zodat ze zich kunnen richten op de complexe interacties met veel op het spel, waar menselijk oordeel echt het verschil maakt.
Het venster om dit goed te doen wordt kleiner. De bedrijven die nu in beweging komen, met de juiste architectuur, de juiste integraties en de juiste metrics, presteren niet alleen beter dan hun concurrenten op supportkosten. Ze bouwen iets dat veel waardevoller is: klanten die erop vertrouwen dat hun probleem echt wordt opgelost wanneer ze contact opnemen. Dat maakt agentic AI mogelijk. De vraag is of jij daarnaartoe bouwt of nog steeds deflection meet en dat succes noemt.
Zie het op je eigen gesprekken.
Vraag een gratis demo op maat aan.
