Wat is agentic AI in klantenservice?

Agentic AI is software die zelfstandig een doel nastreeft, in plaats van alleen instructie voor instructie te reageren. In klantenservice betekent dat: een AI-agent begrijpt wat een klant wil, bepaalt welke stappen daarvoor nodig zijn, roept de systemen aan die het antwoord hebben of de actie kunnen uitvoeren, en controleert of het echt gelukt is. Zonder dat iemand elke stap stuurt. De echte vraag bij het vergelijken van leveranciers is niet “gebruikt het AI?”, maar of de software werk alleen verschuift of het ook daadwerkelijk afrondt.

Bijna elk serviceteam is hier op dit moment mee bezig, maar veel minder teams kunnen precies uitleggen wat de categorie inhoudt.

Gartner verwacht dat meer dan 40% van de agentic AI-projecten eind 2027 wordt stopgezet vanwege stijgende kosten, onduidelijke opbrengsten en zwakke risicobeheersing (Gartner-persbericht, 25 juni 2025). Uit hetzelfde onderzoek blijkt dat slechts zo’n 130 van de duizenden leveranciers die zichzelf “agentic” noemen echt aan de definitie voldoen. Gartner noemt dit agent washing. Aan de kant van de kopers zag McKinsey dat ongeveer 80% van de bedrijven generatieve AI heeft uitgerold, maar dat een vergelijkbaar aandeel geen echte impact op de winst ziet (McKinsey, Seizing the agentic AI advantage, 13 juni 202 5).

Agentic AI werkt dus duidelijk ergens: volgens een eigen prognose van Gartner lost het in 2029 autonoom 80% van de veelvoorkomende serviceproblemen op (Gartner, 5 maart 2025). Wat je nodig hebt, is een manier om de systemen die daar echt komen te onderscheiden van de systemen die 18 maanden lang tickets net iets eleganter routeren dan voorheen.

Waaruit een agentic systeem bestaat

6 onderdelen. De meeste leveranciers zijn sterk in 2 ervan en vaag over de rest.

• Perceptie. De vraag lezen en eruit halen wat er werkelijk gevraagd wordt, via tekst, spraak en afbeeldingen.
• Redeneren en plannen. Een doel opdelen in stappen en de volgorde bepalen. Dit is wat een agent onderscheidt van een script.
• Geheugen. Kortetermijngeheugen om te weten waar het is binnen een taak, plus langetermijngeheugen om te weten met wie het praat en wat er de vorige keer gebeurde.
• Tool- en actielaag. De echte koppelingen met je systemen: een bestelling opzoeken, een creditering uitvoeren, een abonnement wijzigen. Zonder deze laag kan het systeem een terugbetaling alleen beschrijven, niet uitvoeren.
• Orkestratie. Meerdere agents of stappen coördineren en context tussen hen doorgeven. Hier beginnen standaarden vorm te krijgen (Model Context Protocol voor toegang tot tools, agent-to-agent-protocollen voor coördinatie).
• Guardrails en escalatie. Weten wat het niet moet doen, en weten wanneer het moet stoppen en overdragen aan een mens, met de volledige context erbij.

Deze onderdelen werken in een lus, niet in een rechte lijn: waarnemen, plannen, handelen, controleren, bijsturen. Een gescripte flow draait maar één keer en werkt of loopt vast.

Wat met agentic AI wordt verward

In verkooppraatjes krijgen 4 andere categorieën het label “agentic”. Ze doen allemaal echt werk, maar geen van alle lost daadwerkelijk iets op.

Verschillende soorten AI die nuttig zijn voor verschillende klantenservicescenario’s.

Even over de termen: de branche noemt de eerste rij meestal “chatbots”. In dit artikel heten ze regelgebaseerde bots, omdat het echte verschil in de architectuur zit, niet in de naam.

Orkestratie is geen oplossing

Hier zit de meeste verwarring, dus laten we er duidelijk over zijn.

De agentic use cases die je het vaakst in productie ziet, zoals routering, triage, escalatieafhandeling, workfloworkestratie en personalisatie, zijn allemaal echt werk. Geen ervan lost iets op. Een systeem dat een ticket leest, correct classificeert, de juiste accountcontext ophaalt en het naar de juiste wachtrij stuurt, heeft iets nuttigs gedaan, maar het probleem van de klant is nog niet opgelost. Orkestratie versnelt je bestaande proces. Oplossen haalt daadwerkelijk werk van je bord.

Hier wordt ook de meettaal glibberig. 3 termen worden door elkaar gebruikt, terwijl dat eigenlijk niet kan:

• Deflectiepercentage. Het aandeel contacten dat zonder mens wordt afgehandeld. Makkelijk op te blazen, want klanten die het gewoon opgaven of vastliepen in een lus zien er in de log hetzelfde uit als een succes.
• Containmentpercentage. Het aandeel gesprekken dat in het geautomatiseerde kanaal bleef. Zegt niets over of het probleem is opgelost.
• Oplossingspercentage. Of het probleem echt is opgelost, bevestigd doordat de klant binnen 24–48 uur niet opnieuw contact opneemt, of door het de klant direct te vragen.

Alleen dat laatste getal weerspiegelt een echt klantresultaat. Geeft een leverancier je een getal zonder te zeggen welke van de 3 het is? Dan is dat het eerste wat je vraagt.

Hoe oplossen eruitziet als het werkt

De specifieke situatie zegt meer dan het kopgetal, want elke serviceleider werpt tegen: “onze omgeving is complexer dan die case study”. Daarom per team de beperking waarmee ze echt te maken hadden:

K1x draait workflows voor fiscale en juridische documenten met een klein supportteam en had geen enkele behoefte aan een lang IT-project. Het systeem werd bovenop hun bestaande omgeving gelegd in plaats van die te vervangen, en dat maakte een snelle uitrol mogelijk: in hun eerste week live haalden ze 80% autonome oplossing.

Clio verkoopt software voor advocatenkantoren aan een wereldwijde klantenbasis en vertrouwde niet zomaar op iemands woord. Ze evalueerden 32 leveranciers en testten er meer dan 10 rechtstreeks tegen elkaar voordat ze een keuze maakten. Resultaat: 80% autonome oplossing en live support die 4 keer sneller is.

Rho, een fintechbedrijf, zag het contactvolume stijgen zonder dat er extra personeel bij kwam. Het doel was simpelweg bijbenen zonder dat de ervaring slechter werd: ze hielden een CSAT van 95% vast terwijl ze met hetzelfde team 12% meer contacten per maand afhandelden.

Een Fortune 500-gamingbedrijf opereert in een gereguleerde sector met volumes die rond evenementen fors pieken. Het normale volume is 330.000+ interacties per maand bij 80% oplossing, en op één piekdag rond een evenement loste het systeem 13.000 interacties op.

Welk autonomieniveau je eigenlijk koopt

Frameworks voor autonomieniveaus krijgen steeds meer vorm. De Cloud Security Alliance publiceerde in januari 2026 een model met 6 niveaus, en de meeste andere versies zijn het over de opbouw eens, ook al gebruiken ze andere labels.

In de praktijk zitten de meeste enterprise-implementaties op voorwaardelijke autonomie: het systeem handelt de hele taak af binnen een vastgestelde grens en escaleert alles daarbuiten. Claimt een leverancier meer dan dat, dan beschrijft hij een roadmap, geen product.

Een voorbeeld met een terugbetaling maakt het concreet: bij voorwaardelijke autonomie leest het systeem het verzoek, toetst het aan het beleid, controleert de geschiktheid aan de hand van de bestelling, voert de creditering uit als die binnen de drempel valt, en draagt het verzoek met volledige context over aan een mens als dat niet zo is. Jij stelt die drempel in, en die instelling, niet het onderliggende model, bepaalt hoeveel het systeem echt doet.

5 vragen die de 2 categorieën van elkaar scheiden

1. Wat doet het systeem echt, en niet alleen wat zegt het? Vraag om de concrete lijst met acties die het in jouw systemen kan uitvoeren. Gaat het antwoord alleen over vragen beantwoorden, dan orkestreert het en lost het niet op.
2. Hoe wordt oplossing gedefinieerd en geverifieerd: deflectie, containment of bevestigde oplossing, en over welke periode?
3. Wat gebeurt er als de zekerheid laag is? Een systeem zonder echt escalatiepad gokt gewoon.
4. Wat vraagt de implementatie echt van je team? Weken van de solutions architect van een leverancier is iets heel anders dan weken van je eigen engineers.
5. Welke bij naam genoemde klanten in jouw sector, met jouw volume, willen echt met je praten? Eén referentiegesprek in een vergelijkbare omgeving vertelt je meer dan welke benchmark dan ook.

Veelgestelde vragen

Wat is agentic AI in klantenservice?

Software die zelfstandig een servicedoel nastreeft: het leest het verzoek, plant de stappen, handelt in de systemen waar de data staat en bevestigt het resultaat, zonder dat iemand elke stap stuurt. De kern: het rondt de taak af in plaats van hem alleen door te sturen.

Wat is het verschil tussen agentic AI en een chatbot?

Een regelgebaseerde bot koppelt invoer aan gescripte antwoorden en schuift alles wat onbekend is door naar een mens. Een agentic systeem redeneert over een onbekend verzoek, bepaalt welke stappen het zouden oplossen en voert die uit in live systemen. Het ene buigt af, het andere lost op.

Is agentic AI hetzelfde als generatieve AI?

Nee. Generatieve AI produceert alleen tekst als reactie op een prompt. Agentic AI gebruikt een generatief model als één onderdeel van een groter systeem dat ook plant, onthoudt en handelt. Generatieve AI kopen en agentic resultaten verwachten is een veelgemaakte fout.

Kan een AI-agent een terugbetaling doen of een bestelling wijzigen?

Ja, als hij gekoppeld is aan de systemen die die acties uitvoeren en dat binnen vastgestelde grenzen mag. De meeste bedrijven stellen een drempel in en sturen alles daarboven naar een mens.

Wat is een goed oplossingspercentage voor AI in klantenservice?

Dat hangt af van het kanaal, de complexiteit en hoe je meet. Echte productiecijfers lopen uiteen van ongeveer 50% tot 93%. Vraag elke leverancier precies hoe hij zijn getal definieert en verifieert voordat je het met dat van een ander vergelijkt.

Gaat agentic AI menselijke medewerkers vervangen?

De huidige systemen werken met voorwaardelijke autonomie: ze handelen afgebakend werk af en escaleren de rest. Tot nu toe is het patroon meer capaciteit: hetzelfde team verwerkt meer volume en besteedt meer tijd aan werk dat echt beoordelingsvermogen vraagt.

Voldoet agentic AI aan PCI DSS en HIPAA?

Compliance hangt af van het platform, niet van de categorie. Vraag naar specifieke certificeringen, of die ook voor spraak gelden en hoe persoonsgegevens in realtime worden verwerkt.

Waarom mislukken agentic AI-projecten?

Gartner wijst op stijgende kosten, onduidelijke opbrengsten en zwakke risicobeheersing. Daaronder zit meestal het echte probleem: iets kopen dat orkestreert en verwachten dat het oplost.