Vandaag lanceren we Intelligent Fields: het antwoord van Maven AGI op het vastleggen en ordenen van de data uit elk klantcontact. Data die zakelijke beslissingen, upsellkansen, productupdates en andere strategische onderdelen van je organisatie kan sturen.
Je AI-agent leest al elk gesprek. Hij lost tickets op, beantwoordt vragen en verwerkt volume. Maar zodra het gesprek eindigt, verdwijnt alles wat hij heeft geleerd. Geen record van waarom de klant gefrustreerd was. Geen signaal dat de klant over opzeggen begon. Geen melding dat hetzelfde probleem deze week al 11 keer is langsgekomen.
Het transcript bestaat. De data niet.
De standaardoplossing is handmatig taggen: aangepaste velden in je helpdesk die medewerkers invullen. Dat werkt tot het volume piekt, er nieuwe medewerkers instromen of de taxonomie verschuift. Dan daalt de naleving en wordt de data onbetrouwbaar.
Daarom lost handmatig taggen, de standaardkeuze van de meeste teams, het probleem niet echt op.
De valkuil van handmatig taggen
Handmatig taggen heeft een fatale zwakte: het hangt af van mensen die het op schaal consequent doen. En dat doen ze niet. Het volume piekt, nieuwe medewerkers stromen in, uitzonderingen worden overgeslagen. De naleving daalt en de data wordt ongemerkt onbetrouwbaar, vaak zonder dat iemand het merkt tot de rapportages niet kloppen.
Maar zelfs perfect taggen loopt tegen een plafond aan. Dropdowns leggen categorieën vast, geen context. Het verschil tussen een gefrustreerde klant en een klant die op het punt staat te vertrekken, is geen tag. Het zijn 4 zinnen ergens midden in een transcript.
Wat er echt moet gebeuren
Gestructureerde gespreksdata moet automatisch uit het volledige transcript worden gehaald, met iets dat taal begrijpt in plaats van op trefwoorden te matchen.
Dat is precies wat Intelligent Fields doet.
Je definieert een veld: een naam, een type (tekst, ja/nee, keuzelijst, getal of meervoudige keuze) en instructies in gewone taal over wat het veld moet vastleggen. De Maven-agent evalueert het veld automatisch bij elk gesprek. Het resultaat wordt opgeslagen, is doorzoekbaar en gekoppeld aan het gesprek, met een betrouwbaarheidsscore en een onderbouwing van de classificatie.
Een concreet voorbeeld: churnrisico
Zo ziet dat er in de praktijk uit. Je maakt een veld Churnrisico aan, type Keuzelijst, met 3 opties: Hoog, Gemiddeld, Laag. De instructies zijn in gewone taal: kies Hoog als de klant opzeggen noemt, frustratie over facturering uit of een onopgelost probleem heeft over meerdere berichten heen.
Dat is de hele setup. Na publicatie evalueert de agent het veld bij elk gesprek.
Voor een klant die schreef: "Ik probeer dit al een week opgelost te krijgen en als het vandaag niet is opgelost, zeg ik op", geeft het veld Hoog, betrouwbaarheid 0,91, met als onderbouwing: "Klant noemt expliciet opzeggen en heeft een onopgelost factureringsprobleem over meerdere berichten heen."
Dat record is nu doorzoekbaar. Elk gesprek waarin Churnrisico = Hoog in de afgelopen 30 dagen. Stuur het in realtime door naar een retentiespecialist. Voer het in je CRM in.
Ingericht in minuten, niet in sprints
Alles zit in Agent Designer. Definieer een veld in gewone taal, kies het type en publiceer. Geen code nodig. Voor teams die velden programmatisch willen beheren, is er een volledige REST API.
Wat dit mogelijk maakt
De supportteams die het meeste uit hun AI-agents halen, gebruiken ze niet alleen om tickets sneller op te lossen. Ze gebruiken ze om te begrijpen wat er in elk gesprek gebeurt, op een schaal die geen menselijk reviewproces kan evenaren.
Intelligent Fields maakt dat mogelijk. Elk gesprek dat je agent afhandelt, wordt een gestructureerd datarecord. Elk record is doorzoekbaar. Elke trend is zichtbaar.
Zie het op je eigen gesprekken.
Vraag een gratis demo op maat aan.
