Als leidinggevende die verantwoordelijk is voor klantervaring op grote schaal, beoordeel je AI niet als concept, maar als capaciteit die betrouwbaar moet werken over kanalen, systemen en echte klantmomenten heen. Na jarenlang grootschalige intelligente systemen te hebben gebouwd bij Google en IBM, richtte ik Maven mede op om een gat te dichten dat ik steeds weer zag: supportautomatisering die kon praten, maar niet echt kon oplossen met de juiste context (en zonder hallucinaties).
Moderne klantenondersteuning vraagt om AI die kan redeneren en handelen – niet alleen reageren – via spraak, chat, e-mail en sms. Onze focus ligt altijd op het bouwen van agentic AI die kan redeneren, actie ondernemen en naadloos werkt via spraak, chat, e-mail en sms binnen enterprise-omgevingen.
Deze ‘starter’-woordenlijst met de 5 kernbegrippen van agentic AI in CX laat zien hoe wij dat vraagstuk in de praktijk benaderen. Ze is bedoeld als helder, praktisch naslagwerk terwijl je beoordeelt wat moderne, AI-gedreven klantenondersteuning kan en moet opleveren.
Benieuwd naar onze complete lijst met "100 essentiële termen over AI-agents"? Lees het volledige artikel hier.
Een introductie voor CX-teams onder druk
Enterprise CX-teams moeten kosten verlagen, sneller oplossen en het vertrouwen in hun merk behouden – en dat terwijl de volumes over alle kanalen groeien. Die druk gaat gepaard met verwarring wanneer leveranciers termen als agentic AI, autonome agents en AI-copilots inconsistent gebruiken.
Deze woordenlijst helpt je om:
- Belangrijke begrippen rond AI-agents te verduidelijken in heldere taal die aansluit bij enterprises.
- AI die alleen converseert te onderscheiden van agentic systemen die actie kunnen ondernemen.
- Onafhankelijke onderbouwing te bieden van toonaangevende partijen uit de branche.
- Als CX-leider technologiepartners met vertrouwen te beoordelen.
Onderzoek je hoe AI in jouw supportstrategie past? Dan kan deze gids dienen als gedeeld referentiepunt voor stakeholders uit CX, IT en operations.
1) Kernbegrippen rond AI en agents
Agentic AI
Agentic AI verwijst naar AI-systemen die taken kunnen plannen, beredeneren en uitvoeren binnen expliciete, door beleid bepaalde kaders om een doel te bereiken – vaak door tools, API's en workflows in enterprise-systemen aan te roepen. Anders dan traditionele chatbots of generatieve AI zijn agentic systemen ontworpen om werk af te maken, niet alleen om antwoorden te genereren.
IBM beschrijft agentic AI als een patroon waarin taalmodellen worden gecombineerd met tools en beslislogica om binnen echte systemen te handelen. 👉 Overzicht van IBM: Agentic AI — IBM
Gartner voorspelt dat agentic AI in 2029 80% van de veelvoorkomende klantenservicevragen autonoom zal oplossen, wat CX-operaties fundamenteel verandert. 👉 Persbericht van Gartner: Agentic AI transformeert de klantenservice
Maven-context: Maven AGI is gebouwd rond agentic uitvoering – AI-agents kunnen redeneren en veilige, controleerbare acties uitvoeren binnen supportworkflows. Meer informatie: Agent Maven
**Het perspectief van Maven-leiderschap: Volgens mij is de belangrijkste verschuiving op dit moment niet generatieve AI, maar handelingsbekwaamheid. Enterprises worstelen niet omdat ze geen antwoorden hebben; ze worstelen omdat systemen geen actie kunnen ondernemen over versnipperde tools heen. Agentic AI is belangrijk omdat het dat gat dicht. Zodra AI kan redeneren over intentie, kaders begrijpt en echte workflows veilig uitvoert, is het geen demo meer, maar infrastructuur.
AI-agent
Een AI-agent is een systeem dat input kan waarnemen, context kan vasthouden, kan redeneren over doelen en actie kan ondernemen om resultaten te behalen. Deze definitie gaat verder dan reactieve bots en sluit aan bij jarenlang AI-onderzoek.
Algemene definitie: 👉 AI-agent — Wikipedia
In CX-omgevingen moeten AI-agents:
- Intentie begrijpen over alle kanalen heen.
- Toegang hebben tot bedrijfskennis.
- Backend-acties uitvoeren (niet alleen voorstellen).
Maven-context: De AI-agents van Maven werken via spraak, chat, e-mail en sms met een gedeelde redeneerlaag, zodat klanten niet opnieuw hoeven te beginnen als ze van kanaal wisselen. AI-agents kunnen toegestane Actions aanroepen die in Maven zijn gedefinieerd, met parameters en Instructions; ze verzinnen zelf geen nieuwe Actions. Ontdek de agentkanalen: Agentkanalen
**Het perspectief van Maven-leiderschap: AI-agents slagen wanneer ze redeneren combineren met handelen. CX-teams hebben niet alleen antwoorden nodig, maar resultaten. Daarom zijn de agents van Maven ontworpen om op intentie te handelen via alle kanalen en contactmomenten.
Autonomie & human-in-the-loop (HITL)
Autonomie geeft aan hoe zelfstandig een AI-agent kan werken. In enterprise-CX is volledige autonomie zelden een kwestie van alles of niets. Systemen zoeken juist de balans tussen automatisering en menselijk toezicht.
Salesforce laat zien hoe agentic AI verschilt van assisterende AI: het voert taken proactief uit, maar laat waar nodig ruimte voor menselijke controle. 👉 Wat is agentic AI - Salesforce
Best practice: Workflows met een hoog volume en laag risico worden vaak volledig geautomatiseerd, terwijl gevoelige uitzonderingen met volledige context naar menselijke medewerkers gaan.
Maven-context: Maven ondersteunt configureerbare human-in-the-loop-waarborgen, zodat CX-teams zelf bepalen waar autonomie eindigt en menselijke controle begint. Autonomie is altijd begrensd door toegangsregels, de reikwijdte van Knowledge en beperkingen op Actions.
**Het perspectief van Maven-leiderschap: Autonomie betekent niet dat mensen volledig verdwijnen – het betekent dat ze zich kunnen richten op waardevolle uitzonderingen. HITL-strategieën zijn essentieel voor betrouwbaarheid en vertrouwen binnen enterprises.
2) Kanalen voor klantinteractie
Voice AI / spraakagents
Met Voice AI kunnen AI-agents live telefoongesprekken voeren – ze gaan om met onderbrekingen, accenten en intentie en voeren ondertussen realtime acties uit.
Maven Voice™ is ontworpen voor spraakautomatisering op enterpriseniveau en integreert met bestaande telefonie- en contactcenterinfrastructuur. Spraakkanalen werken net als alle andere kanalen, op basis van dezelfde Actions en Knowledge.
Wil je Maven Voice of een van onze andere agentoplossingen bespreken? Plan een demo
**Het perspectief van Maven-leiderschap: Klanten denken niet in kanalen, maar in resultaten. Een van de grootste tekortkomingen van verouderde supporttechnologie is dat spraak, chat, e-mail en sms los van elkaar worden behandeld. De agent moet de constante zijn, niet het kanaal. Kanalen zijn slechts interfaces; de intelligentie moet gedeeld zijn.
Chat- en messaging-AI
Chatagents voeren realtime digitale gesprekken op websites en in apps. Ze houden context vast, raadplegen kennis en schalen naadloos op wanneer dat nodig is.
Maven-context: Chatagents draaien op dezelfde redeneerlaag als spraak en e-mail, wat zorgt voor consistente antwoorden en acties. Alle kanalen delen dezelfde Knowledge, Actions en kwaliteitssignalen.
Ontdek de chatmogelijkheden: Chat
**Het perspectief van Maven-leiderschap: De gedeelde redeneerengine zorgt ervoor dat elke interactie naadloos aanvoelt, ook als de klant halverwege het gesprek van kanaal wisselt.
Automatisering van e-mail en sms
E-mail en sms zijn cruciaal voor interacties met een hoog volume. AI kan berichten op schaal classificeren, samenvatten, opstellen en afhandelen, met behoud van toon en compliance.
Maven-context: Interacties via e-mail en sms worden afgehandeld door dezelfde agentic engine. Dat zorgt voor continuïteit over kanalen heen en meetbaar snellere oplossingen.
**Het perspectief van Maven-leiderschap: Consistentie en context zijn ononderhandelbaar – zeker bij asynchrone kanalen als e-mail en sms.
3) Kennis, context en redeneren
Kennisgrafen & gefundeerde AI
Enterprise-AI moet gebaseerd zijn op betrouwbare, beheerde kennis om hallucinaties en beleidsschendingen te voorkomen. Zonder betrouwbaar fundament geven zelfs krachtige modellen inconsistente antwoorden, tonen ze verouderde informatie of overtreden ze beleid.
Maven-context: De Graph of Record van Maven is een eigen aanpak om AI te funderen op de waarheid binnen de onderneming. Het verbindt kennis uit de bestaande systemen van een organisatie zonder data te kopiëren, te migreren of te centraliseren. In plaats van bedrijven te vragen hun informatie naar een nieuw systeem over te zetten, legt Maven intelligente, realtime verbindingen met bronsystemen zoals CRM's, ticketingplatforms, contentrepository's en datawarehouses.
Omdat elk antwoord rechtstreeks uit deze systemen komt, zorgt de Graph of Record ervoor dat antwoorden de nieuwste data weerspiegelen, bestaande rechten volgen en het bedrijfsbeleid respecteren.
Vraagt een klant bijvoorbeeld naar de accountstatus of factureringsvoorwaarden, dan antwoordt de agent op basis van live systeemcontext, niet op basis van een opgeslagen samenvatting. Dat vermindert hallucinaties, verouderde antwoorden en compliancerisico's drastisch, vooral in gereguleerde of operationeel complexe omgevingen.
**Het perspectief van Maven-leiderschap: Intelligentie zonder fundament is een risico. Kennis, context en waarborgen zijn het moeilijkste – en belangrijkste – werk voor AI op enterpriseschaal. De Graph of Record van Maven is de hoeksteen van Business AGI, omdat intelligentie daarmee door de hele onderneming kan schalen en tegelijk accuraat, compliant en operationeel solide blijft. Door systemen te verbinden in plaats van te dupliceren, kunnen organisaties AI sneller inzetten, verborgen infrastructuurkosten verlagen en met vertrouwen de stap maken van experiment naar productie.
Contextueel geheugen & RAG
Met Retrieval-Augmented Generation (RAG) kunnen agents tijdens runtime relevante bedrijfsdata ophalen. Contextueel geheugen zorgt voor continuïteit bij lange interacties of interacties over meerdere sessies. RAG in Maven haalt informatie op uit afgebakende Knowledge Bases die toegangsregels en zichtbaarheidsvoorwaarden respecteren.
IBM en Gartner benadrukken dat fundering en context essentieel zijn voor betrouwbare enterprise-AI. 👉 Inzichten van IBM over enterprise-AI: Enterprise AI Agents — IBM
**Het perspectief van Maven-leiderschap: Dankzij RAG en geheugen kan de AI met vertrouwen handelen en fouten vermijden die het vertrouwen van klanten kunnen schaden.
4) Integraties en uitvoering van workflows
CRM- en backend-integraties
AI-agents moeten integreren met CRM's, factureringssystemen en interne tools om echt werk te doen – zoals records bijwerken of terugbetalingen verwerken.
Maven-context: Maven integreert met systemen als Salesforce en Zendesk, zodat agents toegestane Actions kunnen aanroepen die systeemdata lezen of schrijven.
Bekijk alle integraties van Maven: Integraties
**Het perspectief van Maven-leiderschap: AI die niet kan handelen, is gewoon weer een extra interfacelaag. Agents moeten volwaardige operators zijn binnen enterprise-systemen, volledig controleerbaar en veilig.
API's & veilige uitvoering
Via API's kunnen agents met enterprise-systemen communiceren, workflows starten en acties uitvoeren op een manier die zowel veilig als controleerbaar is. Zo voldoe je aan de governance-standaarden van je organisatie en vergroot je tegelijk de operationele efficiëntie en schaalbaarheid.
Maven-context: Dankzij de API-first-aanpak van Maven kunnen agents complexe workflows direct binnen enterprise-systemen uitvoeren. Maven zorgt ervoor dat elke actie valt onder strikte authenticatie, traceerbaarheid en compliancemaatregelen. Zo integreren klanten naadloos met hun bestaande infrastructuur, houden ze de controle en realiseren ze meetbare efficiëntiewinst.
**Het perspectief van Maven-leiderschap: Wij zien veilige uitvoering als strategische aanjager van innovatie binnen enterprises. Vertrouwen en verantwoording zijn de hoekstenen van succesvolle automatisering. Door ervoor te zorgen dat elke geautomatiseerde actie traceerbaar, controleerbaar en in lijn met het governancebeleid is, geven we organisaties het vertrouwen om hun operaties veilig op te schalen.
5) Metrics en KPI's die ertoe doen voor CX-leiders
Autonomous Resolution Rate (ARR)
Definitie: Het percentage klantvragen of tickets dat volledig door AI-agents wordt opgelost, zonder menselijke tussenkomst. Autonome oplossing verwijst naar gesprekken die zijn afgehandeld zonder overdracht en zonder negatieve feedback, in lijn met ‘Resolved by Maven’ in de productmetrics.
Waarom het ertoe doet: Meet hoe effectief en betrouwbaar agentic AI zelfstandig taken uitvoert. Dat helpt kosten te verlagen en geeft medewerkers ruimte voor waardevoller werk.
Voorbeeld: Papaya Pay liet met Maven AGI 90% van de vragen autonoom beantwoorden.
First Contact Resolution (FCR)
Definitie: Het percentage klantproblemen dat bij het eerste contact wordt opgelost, ongeacht het kanaal.
Waarom het ertoe doet: Een hoge FCR wijst op efficiëntie en een naadloze klantervaring. AI-agents kunnen de FCR verhogen doordat ze direct toegang hebben tot kennis en systemen, waardoor er minder vervolgcontact nodig is.
Voorbeeld: Papaya Pay behaalde een first contact resolution rate van 70% na de inzet van Agent Maven™.
Time to Resolution (TTR)
Definitie: De gemiddelde tijd tussen het moment waarop een klant een vraag indient en het moment waarop het probleem volledig is opgelost.
Waarom het ertoe doet: Een lagere TTR betekent snellere service en een betere CX. AI-agents kunnen de TTR drastisch verlagen door automatisch informatie op te halen, systemen bij te werken en acties uit te voeren.
Voorbeeld: Enumerate loste met Agent Maven™ 80% van de tickets op in minder dan 3 minuten – een duidelijk lagere TTR in productie.
Customer Effort Score (CES)
Definitie: Een metric die aangeeft hoe makkelijk het voor de klant was om zijn probleem opgelost te krijgen, meestal gemeten met een enquête na de interactie (bijv. ‘Hoe makkelijk was het om je probleem vandaag op te lossen?’).
Waarom het ertoe doet: Een hoge CES (weinig moeite) hangt samen met klanttevredenheid, loyaliteit en minder klantverloop. AI-agents dragen hieraan bij door frictie te verminderen, onnodige stappen te vermijden en contextbewuste hulp te bieden.
Voorbeeld: Mastermind loste 93% van de chatvragen op met 75% snellere reactietijden, een sterke indicator voor minder klantinspanning.
Lagere overheadkosten
Definitie: De daling van operationele kosten door repetitieve taken te automatiseren, workflows te stroomlijnen en minder extra personeel nodig te hebben.
Waarom het ertoe doet: Met lagere overheadkosten kunnen organisaties budget vrijmaken voor strategische initiatieven, beter schalen en winstgevend blijven, ook als het aantal klantvragen groeit. AI-agents dragen hieraan bij door grote volumes interacties autonoom af te handelen, waardoor routinetaken minder afhankelijk zijn van medewerkers.
Hogere CSAT en NPS
Definitie CSAT: Een maatstaf voor hoe tevreden klanten zijn over een specifieke interactie of de service in het algemeen, meestal gemeten met een korte enquête na de interactie (bijv. ‘Hoe tevreden ben je over de ondersteuning die je hebt gekregen?’ op een schaal van 1–5 of 1–10). Waarom het ertoe doet: CSAT weerspiegelt het directe klantsentiment en de kwaliteit van de ervaring. AI-agents kunnen de CSAT positief beïnvloeden met accurate, snelle en contextbewuste oplossingen.
Voorbeelden: Rho behaalde een klanttevredenheid (CSAT) van 95% en ondersteunde meer contacten zonder extra personeel. Tijdens de evaluatie van 50+ leveranciers door Thumbtack scoorde Maven 15%+ beter dan de concurrentie op de interne CSAT-beoordeling van het bedrijf.
Definitie NPS: Een maatstaf voor klantloyaliteit en de bereidheid om een merk aan te bevelen, gemeten met een enquêtevraag als: ‘Hoe waarschijnlijk is het dat je ons bedrijf aanbeveelt aan een vriend of collega?’ Respondenten geven een score van 0–10, die als volgt wordt ingedeeld:
NPS-berekening =%Promoters−%DetractorsNPS
Waarom het ertoe doet: NPS weerspiegelt klantloyaliteit op de lange termijn. AI-agents die frictie verminderen, sneller oplossen en zorgen voor een consistente ervaring over kanalen heen, kunnen het aantal promoters verhogen en het aantal detractors verlagen.
Voorbeeld: Enumerate rapporteerde een NPS van +40, een teken van sterke loyaliteit en tevredenheid over de supportervaring die Maven mogelijk maakt.
Julie Mohr, Principal Analyst bij Forrester, schreef op 1 december 2025 dat “met AI en automatisering in het spel de oude ‘sneller is beter’-mentaliteit nog minder zin heeft” en geeft haar visie op 5 nieuwe, op AI gerichte KPI's.
👉 Inzicht van Forrester: Tijd om het succes van de servicedesk opnieuw te bekijken
Maven-context: Veel klanten van Maven behalen een ARR van >90% voor gerichte workflows. Bekijk de resultaten van klanten: Klantcases
**Het perspectief van Maven-leiderschap: Alleen volume afvangen is geen succes – oplossen wel. Metrics moeten echte resultaten voor klanten weerspiegelen, niet alleen het aantal tickets.
Tot slot
We weten dat een woordenlijst waarschijnlijk maar een van de vele stappen is bij het bepalen of, hoe en wanneer agentic AI binnen jouw organisatie kan worden ingezet.
Onze sales, solution engineers en ons customer experience-team werken nauw samen met potentiële klanten om eisen aan te scherpen, draagvlak voor de investering te creëren, een roadmap voor tests en bèta op te stellen en het potentieel van agentic AI binnen jouw CX-strategie helder te maken.
Een eerste gesprek over je doelen en waar je staat in het proces kan de volgende stap zijn! We denken graag mee over de weg vooruit: Neem contact op met ons team
Over de auteur
Sami ShalabiMedeoprichter & Chief Technology Officer, Maven AGI
Sami Shalabi is verantwoordelijk voor de productvisie en platformarchitectuur van Maven voor enterprise AI-agents via spraak, chat, e-mail en sms. Als voormalig senior engineering leader bij Google en IBM richt Sami zich op agentic AI-systemen die redeneren, autonomie en enterprise-integraties combineren om meetbare CX-resultaten te leveren.
Zie het op je eigen gesprekken.
Vraag een gratis demo op maat aan.
