Een paar maanden geleden liep ik het kantoor binnen van een van onze klanten, een beursgenoteerd verticaal softwarebedrijf met tienduizenden kleine zakelijke klanten. Ik verwachtte een traditioneel ondersteuningsteam tegen te komen met een rij agenten aan de telefoon, die achter een computer zaten en tickets beoordeelden. In plaats daarvan leek het meer op een controlekamer.
Er zijn specialisten die het dashboard monitoren, afstemmen AI gedrag, het debuggen van API-fouten en het herhalen van kennisworkflows. Een teamlid dat zijn carrière begon met het afhandelen van vragen van klanten via chat en e-mail (wachtwoorden opnieuw instellen, functies uitleggen, eenmalige problemen oplossen en bugs escaleren) schrijft nu Python-scripts om de routering te automatiseren. Een andere poging is het bouwen van kwaliteitsbeoordelingsmodellen voor AI-agenten van ondernemingen.
Dit lijkt heel anders dan de hyperbool die ik heb gehoord over het verlies van de meeste klantenondersteuningsrollen aan AI. Wat ik bij ons klantenbestand zie, lijkt meer op een verschuiving in de manier waarop ondersteunend werk wordt gedefinieerd.
Dus besloot ik het van dichterbij te bekijken. Ik heb 21 vacatures voor klantenondersteuning geanalyseerd bij op AI gebaseerde bedrijven, snelgroeiende startups en zakelijke SaaS. Deze banen variëren van technische ondersteuning voor complexe softwareproducten tot meer transactionele en commerciële ondersteuning met betrekking tot facturering en andere algemene kwesties.
Wat ik ontdekte is dat de klantenondersteuning opnieuw wordt opgebouwd op basis van native AI-workflows en denken op systeemniveau. Ja, het reageren op individuele tickets is nog steeds belangrijk, maar de rol is het ontwerpen en exploiteren van technische systemen die klantproblemen op grote schaal oplossen.
Het resultaat is een nieuw soort ondersteunende rol, een rol die deels operator, deels technoloog en deels strateeg is.
AI-vaardigheden zijn nu tafelinzet
In de afgelopen twee decennia steun dienst geoptimaliseerd voor communicatieve vaardigheden en productbekendheid. Maar die basislijn is nu verdwenen.
Van de 21 vacatures die ik heb geanalyseerd, vereiste bijna driekwart expliciet ervaring met AI-tools, automatiseringsplatforms of conversationele AI-systemen.
Deze rollen gaan over het configureren, monitoren en verbeteren van AI-systemen in de loop van de tijd. Ze beoordelen gesprekslogboeken, controleren het AI-gedrag en identificeren foutmodi.
Met andere woorden: AI-geletterdheid is de basis geworden van moderne ondersteuningsinspanningen. Als je niet begrijpt hoe een AI-systeem zich gedraagt, kun je de klanten die erop vertrouwen niet ondersteunen.
Meer dan de helft van de rollen die ik analyseerde vereiste kandidaten om API’s te debuggen, logs te analyseren, SQL-query’s te schrijven of scripts in Python of Bash te automatiseren. Velen verwachten bekendheid met cloudinfrastructuur, observatietools of versiebeheersystemen zoals Git.
Dit zou zelfs vijf jaar geleden ondenkbaar zijn geweest bij het ondersteunen van functiebeschrijvingen.
Maar dat is logisch. Als AI-systemen falen, falen ze op grote schaal. Het diagnosticeren van dergelijke fouten vereist technische vaardigheid, zoals inzicht in de interactie van het model met externe systemen en wanneer een probleem zijn oorsprong vindt in configuratie versus productlogica.
Zijn werk is gegroeid van het oplossen van problemen, ticket na ticket, tot het voorkomen van duizenden toekomstige tickets.
Er zijn mensen nodig om moeilijkere problemen op te lossen
Naarmate AI onderdeel wordt van de ondersteuningsworkflow, wordt de aard van het werk technischer. Een ondersteuningsleider met wie ik sprak bij een bedrijf dat nu meer dan 80% van zijn tickets via AI gebruikt, zei het duidelijk: zodra de automatisering de gemakkelijke vragen oplost, zullen de banen die achterblijven moeilijker worden. Eerstelijnsagenten die ooit gefocust waren op snelle overwinningen, hebben nu te maken met de meest gefrustreerde klanten en moeilijke zaken, en ze moeten hun vaardigheden dienovereenkomstig verbeteren.
In de praktijk lijkt het er vaak op dat klanten kritieke workflows proberen te voltooien, zoals het synchroniseren van gegevens tussen systemen voordat de facturering wordt uitgevoerd. AI-agenten beginnen met het werken aan documentatie die is samengesteld door vakdeskundigen uit verschillende functies binnen het bedrijf. Van daaruit kan de AI-agent bevestigen dat alles correct is geconfigureerd. Het kan echter zijn dat de AI-agent niet in het juiste onderliggende systeem is geïntegreerd dat uren eerder geruisloos faalde. De klant volgt de gids, maar ontdekt stroomafwaarts dat de gegevens niet bewegen zoals verwacht. Wanneer problemen escaleren, moeten experts in het veld reconstrueren wat er in het hele systeem is gebeurd, bedenken wat de AI-agent heeft gemist en klanten helpen herstellen zonder het vertrouwen te verliezen.
Dit is het soort end-to-end-werk dat AI nog steeds niet alleen kan doen. Dit vereist technische vaardigheid om storingen in meerdere systemen op te sporen, evenals menselijk oordeel om te beslissen wat onmiddellijk kan worden opgelost versus wat een diepere product- of technische interventie vereist. Op deze manier gaat de ondersteuning minder over het beantwoorden van vragen buiten de handleiding, en meer over het maken van de handleiding en het oplossen van problemen die er niet in worden behandeld.
Het hybride mens-AI-model is de standaard
Ondanks de wijdverbreide angst dat AI ondersteunende banen zou vervangen, suggereerde geen enkele post die ik analyseerde dat de ondersteuning in de toekomst 100% geautomatiseerd zal zijn.
In plaats daarvan neigt bijna elke rol naar een hybride model waarin AI routinematige interacties afhandelt, terwijl mensen toezicht houden op de kwaliteit en het systeem voortdurend verbeteren.
Dit is logisch als je bedenkt dat 95% van de leiders op het gebied van de klantenondersteuning zegt menselijke agenten in hun activiteiten te zullen betrekken om de rol van AI te helpen bepalen wanneer vorig jaar onderzocht door Gartner.
Titels als ‘AI Support Specialist’, ‘AI Quality Analyst’ en ‘Support Operations Specialist’ richten zich bijna volledig op orkestratie, het ontwerpen van escalatielogica en het bepalen wanneer mensen zullen ingrijpen.
Dit is waar het vorige beeld van de ‘controlekamer’ werkelijkheid wordt. Menselijk werk verandert van het simpelweg beantwoorden van vragen naar het daadwerkelijk bouwen van systemen.
Over het geheel genomen wijzen deze trends op één conclusie: de klantenondersteuning is gespecialiseerd. Repetitief werk bestaat niet meer, maar werk dat technisch is en vol beoordelingen zit, wordt steeds wijdverspreider. Deze verschuiving is al zichtbaar in de manier waarop bedrijven werknemers werven. De vraag is nu of organisaties (en werknemers) klaar zijn om zich snel genoeg aan te passen.
