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 rijen agenten aan de telefoon, die achter computers tickets zaten te beoordelen. In plaats daarvan leek het meer op een controlekamer.
Er waren specialisten die dashboards monitorden en afstemden NAAR DE gedrag, het debuggen van API-fouten en het herhalen van kennisworkflows. Een teamlid dat zijn carrière was begonnen met het afhandelen van vragen van klanten via chat en e-mail (wachtwoorden opnieuw instellen, functies uitleggen, eenmalige problemen oplossen en bugs escaleren) schreef nu Python-scripts om de routering te automatiseren. Een andere was het bouwen van kwaliteitsscoremodellen voor de AI-agent van het bedrijf.
Dit leek duidelijk anders dan de overdrijving die ik had gehoord over het verdwijnen van klantenservicefuncties, grotendeels als gevolg van kunstmatige intelligentie. Wat ik in ons klantenbestand zag, leek meer op een verschuiving in de manier waarop ondersteunend werk wordt gedefinieerd.
Dus besloot ik het van dichterbij te bekijken. Ik analyseerde 21 klantenservicegerelateerde vacatures bij AI-native bedrijven, snelgroeiende startups en enterprise SaaS. Deze banen variëren van technische ondersteuning voor complexe softwareproducten tot meer transactionele zakelijke ondersteuning met betrekking tot facturering en andere veelvoorkomende problemen.
Wat ik heb ontdekt is dat de klantenondersteuning opnieuw wordt opgebouwd rond AI-native workflows en denken op systeemniveau. Ja, het reageren op individuele tickets is nog steeds belangrijk, maar de rollen zijn het ontwerpen en beheren van de technische systemen die klantproblemen op grote schaal oplossen.
Het resultaat is een nieuw soort ondersteunende rol, deels operator, deels technoloog en deels strateeg.
AI-vaardigheden zijn nu tafelinzet
Gedurende het grootste deel van de afgelopen twintig jaar steun aannemen geoptimaliseerd voor communicatieve vaardigheden en productbekendheid. Maar die basislijn is nu verdwenen.
Van de 21 vacatures die ik analyseerde, vroeg bijna driekwart expliciet om ervaring met AI-tools, automatiseringsplatforms of conversationele AI-systemen.
Deze rollen omvatten het opzetten, monitoren en verbeteren van AI-systemen in de loop van de tijd. Ze onderzoeken gesprekslogboeken, controleren het gedrag van de AI en identificeren foutmodi.
Met andere woorden: AI-geletterdheid is de basis geworden voor modern ondersteunend werk. Als u niet begrijpt hoe AI-systemen zich gedragen, kunt u 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 automatiseringsscripts uit te voeren in Python of Bash. Velen verwachtten bekendheid met cloudinfrastructuur, observatietools of versiebeheersystemen zoals Git.
Dit zou zelfs vijf jaar geleden ondenkbaar zijn geweest in ondersteunende functiebeschrijvingen.
Maar het is logisch. Als AI-systemen falen, falen ze op grote schaal. Voor het diagnosticeren van dergelijke fouten is technische expertise vereist, zoals inzicht in de interactie van modellen met externe systemen en wanneer een probleem zijn oorsprong vindt in configuratie versus productlogica.
Het werk evolueerde van het oplossen van problemen, kaartje voor kaartje, naar het voorkomen van de volgende duizend kaartjes.
Mensen zijn nodig om de moeilijkste problemen op te lossen
Zodra 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 met AI heeft, zei het duidelijk: zodra de automatisering de gemakkelijke vragen afhandelt, wordt het werk dat overblijft moeilijker. Dezelfde frontlijnagenten die zich ooit concentreerden op snelle overwinningen, behandelen nu de meest gefrustreerde klanten en randgevallen en hebben zich dienovereenkomstig moeten bijscholen.
In de praktijk blijkt vaak dat een klant een kritische workflow probeert af te ronden, zoals het synchroniseren van gegevens tussen systemen voordat er wordt gefactureerd. Een AI-agent begint met het verwerken van documentatie die een materiedeskundige heeft samengesteld vanuit meerdere functies binnen het bedrijf. Van daaruit kan de AI-agent bevestigen dat alles correct is geconfigureerd. Mogelijk is de AI-agent echter niet geïntegreerd in het juiste onderliggende systeem dat uren eerder stilzwijgend faalde. De klant volgt de aanwijzingen, maar ontdekt stroomafwaarts dat de gegevens niet zoals verwacht zijn verplaatst. Wanneer het probleem escaleert, moet de materiedeskundige reconstrueren wat er in de systemen is gebeurd, doordenken wat de AI-agent heeft gemist en de klant helpen herstellen zonder het vertrouwen te verliezen.
Dit is het soort end-to-end-werk dat AI nog niet alleen kan doen. Het vereist zowel de technische vaardigheid om fouten in ongelijksoortige systemen op te sporen als het menselijk oordeel om te beslissen wat onmiddellijk kan worden opgelost versus wat diepgaandere product- of technische interventie vereist. Op deze manier heeft de ondersteuning zich minder gericht op het beantwoorden van vragen in de handleiding en meer op het maken van de handleiding en het oplossen van problemen die daarin niet worden behandeld.
Het hybride mens-AI-model is de standaard
Ondanks de wijdverbreide angst dat AI ondersteunende banen zou kunnen vervangen, suggereerde geen enkele post die ik analyseerde dat de ondersteuning in de toekomst 100% geautomatiseerd zou zijn.
In plaats daarvan neigden bijna alle rollen 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 van de klantenservice zei dat ze menselijke agenten bij hun activiteiten zouden betrekken om de rol van AI te helpen definiëren wanneer vorig jaar geanalyseerd door Gartner.
Titels als ‘AI Support Specialist’, ‘AI Quality Analyst’ en ‘Support Operations Specialist’ waren bijna volledig gericht op orkestratie, het ontwerpen van escalatielogica en het definiëren wanneer mensen ingrijpen.
Dit is waar het vorige ‘controlekamer’-beeld werkelijkheid wordt. Het werk van mensen verandert van het simpelweg beantwoorden van vragen naar het daadwerkelijk modelleren van systemen.
Alles bij elkaar leiden deze trends tot één conclusie: de klantenondersteuning is gespecialiseerd. Repetitief werk verdwijnt, maar technisch, oordeelsgericht werk breidt zich uit. Deze verandering is al zichtbaar in de manier waarop bedrijven mensen aannemen. De vraag wordt nu of organisaties (en werknemers) klaar zijn om zich snel genoeg aan te passen.
