Bijna 1 op de 5 consumenten die AI voor klantenservice hebben gebruikt, zegt dat de ervaring hun helemaal niets opleverde. Die bevinding uit het Qualtrics 2026 Customer Experience Trends Report verscheen in hetzelfde jaar waarin leveranciers automatiseringspercentages van 50%, 60% en zelfs 80% aankondigden.
Beide cijfers kunnen tegelijk kloppen. Het verschil zit in een enkel woord: deflectie.
Deflectie telt de interacties die de AI heeft aangeraakt. Autonome oplossing telt de problemen die de AI echt heeft opgelost. De oplossingsgraad van je AI-klantenservice is de afstand tussen die twee cijfers. En in die afstand raken klanten verloren en nemen CX-leiders dure beslissingen op basis van de verkeerde data.
Wat deflectie eigenlijk meet
Als een klant een vraag stelt en het systeem antwoordt met een link naar een FAQ-artikel, registreren de meeste platforms dat als geslaagde deflectie. Het ticket heeft nooit een mens bereikt. Het automatiseringspercentage stijgt. Het dashboard ziet er gezond uit.
Maar het dashboard weet niet of die klant zijn antwoord heeft gevonden. Het weet niet of hij het heeft opgegeven, de volgende dag terugbelde of stilletjes is vertrokken. Deflectie meet wat de AI deed. Het zegt niets over wat de klant ervoer.
Dit probleem wordt groter naarmate implementaties opschalen. Een NewtonX-onderzoek uit 2026 ondervroeg 2.000 consumenten en 500 CX-beslissers bij grote bedrijven op 3 continenten, en de tegenstelling was groot: bedrijven optimaliseren voor kostenbesparing en ticketdeflectie, terwijl consumenten oplossing boven alles stellen. Oplossing stond pas op plaats 7 van de uitkomsten die bedrijven naar eigen zeggen prioriteit gaven.
Hetzelfde onderzoek liet zien dat 55% van de bedrijven de prestaties van AI en menselijke medewerkers samen meet, waardoor het vrijwel onmogelijk is om te isoleren hoe de AI het echt doet. Als je de signalen niet kunt scheiden, kun je niet zien of je AI problemen oplost of alleen volume opvangt.
De kloof in 1 cijfer
Het helderste beeld van hoe groot die kloof is, komt uit Gartner-onderzoek dat inmiddels in de hele sector wordt aangehaald: AI deflecteert meer dan 45% van de klantvragen, maar slechts zo'n 14% leidt tot een volledige oplossing via selfservice. Dat is een kloof van 31 procentpunten tussen wat het dashboard rapporteert en wat de klant daadwerkelijk kreeg.
Van elke 100 vragen die de AI behandelt, eindigen er ongeveer 14 met een opgelost probleem voor de klant. De andere 31 werden als afgehandeld geteld zonder dat ze waren opgelost. Dat zijn de contacten die terugkomen als herhaalcontact, escalatie en klantverloop, en daarom kan een gezond ogend automatiseringspercentage een ongezonde operatie verhullen.
De rekensom die deflectie gevaarlijk maakt
Zo pakt dat in een enkele maand uit.
Je AI verwerkt 10.000 tickets. Het dashboard van de leverancier toont een automatiseringspercentage van 60%, dus 6.000 tickets zijn zonder mens afgehandeld. Op papier sterk.
Duik je echter in de data, dan zie je dat van die 6.000 geautomatiseerde interacties misschien 75% echt is opgelost. De klant kreeg wat hij nodig had en kwam niet terug. De overige 25% werd gedeflecteerd: de AI reageerde, maar het probleem bleef bestaan. Een deel van die klanten probeerde een ander kanaal. Een deel belde. Een deel vertrok.
Je werkelijke autonome oplossingsgraad is geen 60%. Het is 45%. En de 1.500 tickets die geautomatiseerd leken maar dat niet waren, zitten nog steeds in je systeem, vermomd als herhaalcontact, escalatie of klantverloop.
Een manier om dit op te sporen is het meten van de duurzaamheid van oplossingen: niet alleen of een probleem als opgelost is gemarkeerd, maar ook of de klant binnen 72 uur terugkwam over hetzelfde probleem. Een hoge deflectiegraad in combinatie met veel herhaalcontact is geen automatisering. Het is uitstel van kosten.
Hoe oplossing eruitziet in productie
Autonome oplossing betekent dat de AI het probleem van de klant volledig heeft opgelost, zonder menselijke tussenkomst, zonder vervolgticket en zonder tweede poging via een ander kanaal. Dat is een hogere lat dan de meeste dashboards van leveranciers kunnen meten, en het is precies de lat die samenhangt met de uitkomsten waar CX-leiders om geven: lagere kosten per ticket, hogere CSAT en minder klantverloop.
Er moet aan 3 voorwaarden zijn voldaan voordat een AI-interactie telt als echte oplossing.
De AI heeft toegang nodig tot je systemen: niet alleen je kennisbank, maar ook je orderbeheer, facturatie, CRM en ticketingtools. Een klant die een verzendadres wil wijzigen, heeft geen link naar je helpcentrum nodig. Die wil dat het adres gewijzigd wordt. Een overlay-architectuur die op je bestaande helpdesk aansluit in plaats van die te vervangen, maakt die toegang mogelijk zonder maandenlange migratie. Als de AI je systemen kan lezen maar er niet naar kan schrijven, kan hij vragen beantwoorden maar geen problemen oplossen. Dan heb je een geavanceerde FAQ, geen AI-agent.
De AI moet de actie ook uitvoeren. Een terugbetaling verwerken, een vlucht omboeken, een account bijwerken: dat zijn de interacties die tot oplossing leiden. Het verschil tussen platforms die informatie tonen en platforms die transacties uitvoeren, is het verschil tussen deflectie en oplossing.
De AI heeft bevestiging nodig dat de klant het eens is dat het probleem is opgelost. Dit is het onderdeel dat de meeste platforms overslaan. Ze sluiten het ticket zodra de AI reageert, niet wanneer de klant bevestigt dat het probleem is afgehandeld. Leveranciers die door de klant bevestigde oplossingen meten, zien consequent CSAT-scores die 15 tot 20% hoger liggen dan bij platforms die vertrouwen op het automatisch sluiten van tickets.
Als aan die 3 voorwaarden is voldaan, bewegen de cijfers. Onafhankelijk onderzoek van McKinsey uit 2026 naar serviceoperaties laat zien dat AI-agents die acties uitvoeren veel vaker tot oplossing leiden dan tools die op deflectie zijn gericht, tegen een fractie van de kosten per contact van menselijke afhandeling. Die kloof is structureel, geen kwestie van configuratie.
Hoe het eruitziet als het werkt
De productiecijfers bevestigen dit. Mastermind bereikte binnen 6 weken na implementatie een autonome oplossingsgraad van 93%. Geen deflectie, maar problemen die zonder mens werden afgesloten. Rho behield een CSAT van 95% terwijl het 12% meer contacten per maand verwerkte zonder extra personeel, omdat de AI echt volume opving in plaats van het door te schuiven.
Die resultaten hebben iets gemeen: de AI werd afgerekend op wat hij oploste, en was gekoppeld aan de systemen waar oplossing daadwerkelijk plaatsvindt. De oplossingsgraad, niet deflectie, is het cijfer dat overeenkomt met wat klanten ervaren en wat finance kan zien.
5 vragen voor elke leveranciersevaluatie
Als je op dit moment platforms voor AI-klantenservice evalueert, zou het onderscheid tussen deflectie en oplossing je eerste filter moeten zijn. Zo breng je het aan het licht in een demo of POC.
Hoe definieer je 'opgelost'? Als het antwoord draait om containment, deflectie of automatiseringspercentage zonder te specificeren dat het probleem van de klant volledig is opgelost, kijk je naar een deflectiemetric met een oplossingslabel. Vraag de leverancier om onderscheid te maken tussen interacties die de AI heeft afgehandeld en problemen die de AI heeft opgelost.
Wat is je herhaalcontactpercentage binnen 72 uur? Dit is de metric die schijnoplossingen blootlegt. Als 25% van de opgeloste tickets binnen 3 dagen een vervolgcontact oplevert, ligt de effectieve oplossingsgraad flink lager dan het kopcijfer. Leveranciers die vertrouwen hebben in de kwaliteit van hun oplossingen, delen dit cijfer. Wie aarzelt, heeft het waarschijnlijk niet gemeten.
Kan de AI acties uitvoeren in mijn backendsystemen, of alleen antwoorden tonen? Integratie met alleen leesrechten versus lees- en schrijfrechten is de architecturale scheidslijn. Een AI die een bestelling kan opzoeken maar geen retour kan verwerken, heeft altijd een lager plafond voor echte oplossing. Vraag specifiek naar de diepgang van de integratie met je bestaande helpdesk, CRM en orderbeheertools.
Hoe meet je of de klant de oplossing bevestigt? Een ticket automatisch sluiten nadat de AI heeft gereageerd, is iets anders dan bevestigen dat het probleem van de klant is afgehandeld. Vraag of het platform gebruikmaakt van klantbevestiging, vervolgenquêtes of het bijhouden van herhaalcontact. De methode is net zo belangrijk als het cijfer.
Ben je bereid te prijzen op basis van succesvolle oplossingen? Uitkomstgebaseerde prijzen brengen de belangen van de leverancier in lijn met de resultaten voor klanten. Als de leverancier alleen wint wanneer de problemen van je klanten echt worden opgelost, bouwt hij voor oplossing. Rekent hij per seat, per ticket of per bericht, ongeacht de uitkomst, dan ligt zijn belang bij volume, niet bij resultaat.
De verschuiving in metrics is al begonnen
De sector beweegt deze kant op, al gaat het langzaam. Gartner voorspelt dat AI in 2029 80% van de veelvoorkomende klantenserviceproblemen zal oplossen zonder menselijke tussenkomst. Het woord dat ertoe doet is oplossen, niet deflecteren. Sommige leveranciers passen hun facturatie al aan: ze scheiden geverifieerde oplossingen van gecontaineerde interacties en rekenen alleen voor uitkomsten die ze kunnen aantonen. Dat zegt sneller iets over de echte belangen van een leverancier dan welke case study ook.
Voor CX-leiders die dit kwartaal leveranciers evalueren, is het onderscheid tussen deflectie en oplossing geen filosofisch debat. Het is een inkoopfilter. Leveranciers die oplossing meten, bouwen producten die oplossing verbeteren. Leveranciers die deflectie meten, bouwen producten die deflectie verbeteren. Je klanten merken het verschil al lang voordat je dashboard dat doet.
Ben je nu een evaluatie aan het uitvoeren? Begin dan met de 5 vragen hierboven en toets de definitie van elke leverancier aan wat de oplossingsgraad werkelijk meet. Wil je weten waarom implementaties die er in een demo goed uitzien in productie vastlopen? De analyse van de kloof tussen pilot en productie bij AI-support behandelt de metrics die het verschil maken.
Zie hoe autonome oplossing eruitziet met jouw eigen ticketvolume. Plan een demo en neem je lastigste vragen mee.
Zie het op je eigen gesprekken.
Vraag een gratis demo op maat aan.
