Tijdens deze inspiratiedag stond de praktische inzet van AI binnen customer contact, customer experience (CX) en operations centraal. De focus lag niet op theoretische concepten of technologische buzzwoorden, maar op concrete toepassingen, praktijkervaringen en strategische inzichten waarmee organisaties meteen aan de slag kunnen.

Het programma bood een gevarieerde mix van keynotes, praktijkcases en demonstraties van bedrijven die vandaag al actief AI gebruiken. Verschillende sprekers gingen dieper in op thema’s zoals AI als digitale collega, de voorwaarden voor succesvolle AI-projecten, intelligente automatisering, AI-ondersteunde coaching en de toekomst van customer operations. Ook de uitdagingen bij implementatie kwamen aan bod, net als de manier waarop technologie en menselijk contact elkaar kunnen versterken.

Context ontbreekt
De belofte van artificiële intelligentie is groter dan ooit, maar in de praktijk lopen veel organisaties vast omdat ze AI benaderen als een technologieproject in plaats van als een veranderingsvraagstuk. ‘Wat vaak gebeurt, is dat bedrijven enthousiast starten met een pilot, bijvoorbeeld een chatbot of een generatieve AI-toepassing, maar al snel merken dat de resultaten tegenvallen’, zegt Jackie Janssen, CEO van Happy 2 Assist met expertise in leiderschapsontwikkeling, AI-gedreven innovatie en coaching. ‘Niet omdat de technologie niet werkt, maar omdat de context ontbreekt: er is geen duidelijke use case, geen koppeling met echte bedrijfsprocessen en vaak ook geen stevig datamodel waarop gebouwd kan worden. Zo ontstaat wat intussen vaak het “AI-pilot-kerkhof” wordt genoemd: een verzameling projecten die ooit veelbelovend leken, maar weinig echte impact hebben gemaakt.’

AI-strategie
De kernvraag voor organisaties is niet welke AI-tool ze moeten gebruiken, maar welke verandering ze precies willen realiseren in hun manier van werken. ‘Daarbij is het essentieel om eerst te bepalen wat menselijk en wenselijk blijft en wat net beter geautomatiseerd kan worden’, geeft Janssen aan. ‘Niet alles wat technisch mogelijk is, is ook zinvol om te automatiseren. Pas wanneer die afweging duidelijk is, kan je spreken van een echte AI-strategie. In de praktijk betekent dit dat je eerst je processen onder de loep moet nemen: waar werken mensen nog met lijsten, Excel-bestanden of manuele beslissingen, waar wordt dagelijks informatie opgezocht of overgetypt, en waar is er repetitief werk dat weinig toegevoegde waarde heeft? Daar zit de grootste opportuniteit voor AI.’

Logische startplek
In veel organisaties blijkt vooral de back-office een logische startplek. ‘Interne processen waarin veel data, informatie en kennis telkens opnieuw verwerkt moeten worden, lenen zich uitstekend voor automatisering en ondersteuning door AI’, meldt Janssen. ‘Denk bijvoorbeeld aan het samenvatten van gesprekken, het automatisch categoriseren van klantinteracties of het updaten van CRM-systemen. In contactcenters gaat vaak een groot deel van de tijd naar administratief after-call work, terwijl dat perfect kan worden overgenomen door AI-systemen die gesprekken transcriberen, samenvatten en structureren. Daardoor verschuift de focus van administratieve last naar echte klantinteractie, wat zowel efficiëntie als kwaliteit verhoogt.’

Menselijke controle
Aan de front-office, waar organisaties rechtstreeks contact hebben met klanten, leveranciers of burgers, ligt het complexer. ‘Daar spelen vertrouwen, kwaliteit en context een veel grotere rol’, aldus Janssen. ‘AI kan hier ondersteunen, bijvoorbeeld bij het sneller terugvinden van informatie of tijdens gesprekken met klanten, maar zonder duidelijke kwaliteitscontroles en ingebouwde grenzen kan het snel leiden tot foutieve of te generieke antwoorden. Daarom is het cruciaal om AI hier voorzichtig en altijd in combinatie met menselijke controle in te zetten.’

Succesvolle AI-adoptie
De reden waarom veel AI-projecten mislukken, ligt meestal niet in de technologie, maar in drie terugkerende fouten. ‘Ten eerste ontbreekt vaak een heldere use case: “we moeten iets met AI doen” is geen strategie’, zegt Janssen. ‘Ten tweede ontbreekt een degelijk datafundament, waardoor toepassingen zoals personalisatie of automatisering niet kunnen werken. En ten derde willen organisaties te snel te groot denken, waardoor ze starten met complexe projecten in plaats van klein te experimenteren. Succesvolle AI-adoptie verloopt bijna altijd gefaseerd: eerst bewustwording, daarna experimenteren, vervolgens integreren in bestaande processen en pas daarna opschalen en innoveren.’

Menselijke controlepunten
Experimenteren blijft cruciaal, want AI werkt nooit vanaf dag één perfect. ‘Generatieve AI heeft geen echte kennis of begrip van de fysieke wereld, maar werkt op basis van patronen uit trainingsdata’, aldus Janssen. ‘Daardoor kunnen fouten ontstaan in situaties die voor mensen vanzelfsprekend zijn. Daarom zijn duidelijke “guardrails” en menselijke controlepunten noodzakelijk.’

'Zo ontstaat intussen het “AI-pilot-kerkhof” een verzameling projecten die ooit veelbelovend leken, maar weinig echte impact hebben gemaakt'

Repetitieve processen
De meest succesvolle toepassingen zijn vaak eenvoudig en richten zich op repetitieve processen met gestructureerde input en duidelijke output. ‘Wat daarbij telkens terugkomt, is dat de menselijke factor centraal blijft staan. Creativiteit, empathie, nieuwsgierigheid en contextueel oordeelsvermogen blijven essentieel en maken het verschil tussen automatisering en echte waardecreatie’, geeft Janssen aan.

Gezonde balans
Uiteindelijk gaat het niet om de vraag of AI mensen zal vervangen, maar hoe organisaties een gezonde balans vinden tussen automatiseren en humaniseren. ‘Organisaties die daarin slagen, starten niet vanuit technologie maar vanuit een duidelijke visie op wat ze menselijk willen houden en wat ze willen optimaliseren’, aldus Janssen. ‘Wie dat helder heeft, kan vandaag al beginnen met experimenteren, zonder te wachten op perfecte omstandigheden. Dat onderscheidt bedrijven die blijven hangen in experimenten van bedrijven die echt waarde halen uit AI: ze weten waar ze willen automatiseren, en vooral ook waar niet.’

Waarom AI-projecten mislukken
CM.com-data scientist Olaf Wallaart benadrukte dat veel organisaties vandaag de dag investeren in AI-oplossingen, maar dat de resultaten vaak achterblijven bij de verwachtingen. Volgens hem ligt dat niet aan de kwaliteit van de huidige AI-modellen. ‘De beschikbare modellen zijn krachtig genoeg om veel bedrijfsprocessen te ondersteunen’, aldus Wallaart. ‘Het echte probleem zit in de manier waarop organisaties hun systemen, data en processen hebben ingericht. AI kan alleen succesvol zijn wanneer het beschikt over de juiste context.’

Onzekerheid
Hij illustreerde dit met het voorbeeld van klant Mark, die online een verjaardagscadeau voor zijn moeder bestelt. ‘Het bestelproces verloopt vlot, maar het pakket raakt vertraagd’, illustreert Wallaart. ‘De vervoerder meldt dit tijdig, de chatbot geeft correcte informatie en een medewerker van de klantenservice helpt Mark vriendelijk verder wanneer hij belt. Toch blijft Mark met onzekerheid zitten over de levering. Geen enkel onderdeel maakt een fout, maar de systemen werken los van elkaar. Informatie over vertraging, bestelling en urgentie wordt nergens samengebracht, waardoor de klantervaring negatief blijft.’

Onderliggende datastromen
Volgens Wallaart is dit een typisch architectuurprobleem. ‘Veel organisaties richten zich op het slimmer maken van chatbots en agents, terwijl de onderliggende datastromen onvoldoende geïntegreerd zijn. Daardoor blijven AI-systemen reactief in plaats van proactief: ze reageren pas wanneer een klant een vraag stelt, terwijl de benodigde informatie vaak al beschikbaar is om eerder te handelen.’

Beperkte resultaten
Hoewel steeds meer organisaties AI-agents inzetten in de klantenservice, blijven de resultaten vaak beperkt. ‘Klanten worden nog regelmatig doorgestuurd naar menselijke medewerkers en de klanttevredenheid stijgt minder dan verwacht’, aldus Wallaart. ‘Bedrijven kiezen vaak voor Custom GPT’s, workflowtools zoals Zapier, low-code platforms of maatwerkoplossingen. Maar er ontbreekt vrijwel altijd één cruciaal element: realtime klantcontext. Daardoor kunnen systemen onvoldoende inspelen op actuele situaties.’

Goede service
Om goede service te illustreren verwijst Wallaart naar de traditionele kruidenier. ‘Die kent zijn klanten, onthoudt eerdere aankopen en speelt proactief in op hun noden’, zegt Wallaart. ‘Goede service draait niet om meer data of slimmere AI, maar om het verbinden van signalen en het begrijpen van context.’ AI moet volgens hem niet mensen vervangen, maar ondersteunen. ‘De grootste waarde ontstaat wanneer mens en AI samenwerken: AI voert routinetaken uit en analyseert data, terwijl mensen zich richten op empathie en complexe situaties.’ Zijn conclusie is duidelijk: de focus moet verschuiven van slimmere AI naar betere context. ‘AI is niet het product. AI is het resultaat. Context is het product.’

AI als jouw beste trainer en coach
De discussie rond AI in sales is vaak gepolariseerd: volledige automatisering versus het verdwijnen van de menselijke factor. Salestrainer Andy Vlaeminck van salesUp ontkracht die tegenstelling. AI zal verkopers niet vervangen, maar wel de manier waarop ze worden getraind en gecoacht zal fundamenteel veranderen. Volgens Vlaeminck is sales geen exacte wetenschap. ‘Ondanks data en CRM-systemen blijft het resultaat van een verkoopgesprek onvoorspelbaar. Sales is 95% emotie en 5% data. Mensen kopen op basis van gevoel, vertrouwen en interactie. Technologie kan ondersteunen, maar nooit vervangen wat er in een echt gesprek gebeurt.’

Nieuwe medewerkers
Het grootste probleem is niet technologie, maar de realiteit binnen organisaties: hoge uitstroom, inconsistente onboarding en beperkte coachingcapaciteit. ‘Nieuwe medewerkers krijgen vaak een korte training en worden daarna snel ingezet, waardoor hun eerste succeservaringen lang op zich laten wachten’, zegt Vlaeminck. ‘Coaching blijft bovendien beperkt door tijdsgebrek bij teamleaders, waardoor slechts een klein deel van de gesprekken wordt geëvalueerd.’

Veilig leren
AI wordt volgens Vlaeminck een versterkende coach. ‘Het wordt ingezet voor realistische oefensituaties, automatische feedback, analyse van gesprekken en gepersonaliseerde coaching. Nieuwe medewerkers kunnen zo sneller leren en veiliger oefenen. Waar onboarding vroeger maanden duurde, kan dat worden teruggebracht tot weken, met continue leermomenten in plaats van incidentele training.’

Menselijke fouten
AI maakt het mogelijk om moeilijke gesprekken te simuleren zonder echte klanten. ‘Medewerkers maken fouten, krijgen directe feedback en bouwen sneller zelfvertrouwen op’, aldus Vlaeminck. ‘AI analyseert alle gesprekken, waardoor patronen zichtbaar worden: welke woorden werken, waar gesprekken mislopen en hoe prestaties evolueren. Coaching wordt zo continu en datagedreven, terwijl teamleaders zich meer kunnen richten op motivatie en teamontwikkeling.’ De paradox is dat hoe meer technologie bedrijven inzetten, hoe belangrijker menselijk contact wordt. ‘In een wereld vol automatisering wordt oprechte aandacht een onderscheidende factor. AI in sales verhoogt de menselijke lat in plaats van die te verlagen.’

De toekomst van customer operations
Toon Lybaert, CEO van Guidnce, schetste hoe AI evolueert van analyse-instrument naar een systeem dat actief processen optimaliseert. Hij identificeert drie grote uitdagingen in contactcenters. ‘Ten eerste zien managers slechts een klein deel van alle klantinteracties’, zegt Lybaert. ‘Ten tweede is er een gebrek aan tijd voor coaching. Ten derde worden terugkerende klantproblemen onvoldoende structureel aangepakt.’ Traditionele oplossingen zoals extra personeel of dashboards schieten vaak tekort. Door de opkomst van generatieve AI en agentic AI ontstaan nieuwe mogelijkheden. ‘AI fungeert daarbij als een operationeel zenuwstelsel dat inzichten genereert, problemen detecteert en verbeteringen voorstelt. Het doel is hogere klanttevredenheid en betere operationele prestaties, met AI als versterking van menselijke teams.’

Tekst Matthias Vanheerentals | Fotografie Dirk Leunis

Dit artikel werd eerder gepubliceerd in CustomerFirst #07 - 2026