AI-agent voor de automatisering van supportickets, van antwoord tot afsluiting

Een goed getrieerd ticket dat onbeantwoord blijft, dient nergens toe. Zodra u weet waarover het gaat en hoe dringend het is, moet u nog steeds het antwoord opstellen, het plaatsen, de termijn bewaken voordat hij afloopt, en het ticket netjes afsluiten. Dat is het deel van het werk, het meest repetitieve en het meest gevoelig voor volume, dat een autonome AI-agent kan overnemen.

Het probleem

De kost van een slecht behandeld ticket is snel zichtbaar in het klantgedrag. Volgens de Zendesk Benchmark-gegevens, overgenomen door Zendesk, verandert 73% van de consumenten van merk na meerdere slechte serviceervaringen, en meer dan de helft doet dat al bij één slechte ervaring (https://www.zendesk.fr/blog/customer-service/satisfaction/customer-service-statistics/). Het CX Trends 2026-rapport van Zendesk, gebaseerd op meer dan 11.000 respondenten in 22 landen, wijst in dezelfde richting: 85% van de bevraagde CX-verantwoordelijken schat dat klanten vertrekken na een onopgelost probleem, zelfs al bij het eerste contact (https://cxtrends.zendesk.com/).

Het goede nieuws is dat dezelfde Zendesk Benchmark-gegevens tonen dat AI al als nuttig wordt ervaren op precies dit terrein: bijna 8 op de 10 consumenten vinden een AI-bot nuttig voor eenvoudige problemen, en twee derde van de bevraagde leidinggevenden zegt dat hun AI-investeringen in klantenservice significante prestatieverbeteringen hebben opgeleverd. Een concreet resultaatsignaal komt van een leverancier uit de sector: Intercom, dat zijn eigen AI-supportagent (Fin) verkoopt, meldde in juni 2026 een gemiddeld oplossingspercentage van 76% over al zijn meer dan 7.000 klantteams, een cijfer dat volgens de uitgever elke maand vooruitging (https://www.intercom.com/blog/from-resolutions-to-outcomes-evolving-how-fin-delivers-value/). Het is een cijfer dat een leverancier over zijn eigen product aankondigt, geen onafhankelijke meting, en moet met die kanttekening worden gelezen, maar de orde van grootte geeft een idee van wat AI-ondersteunde verwerking kan dekken op tickets met kennisbasis.

Wat deze cijfers niet tonen, is het werk dat vooraf nodig is om een hoog oplossingspercentage haalbaar te maken: een actuele kennisbasis, relevante macro's voor terugkerende gevallen, een SLA-opvolging die vóór de deadline waarschuwt in plaats van erna. Zonder deze voorbereiding levert geautomatiseerde verwerking vooral generieke of misplaatste antwoorden op, wat het vertrouwen eerder schaadt dan verbetert. Dat is precies de kloof die deze agent is ontworpen om te dichten: steunen op wat al bestaat in plaats van een antwoord uit het niets te verzinnen.

Wat de agent doet, stap voor stap

Op Atako werkt deze agent op al geopende en gecategoriseerde tickets, ongeacht of ze door een persoon of door een specifieke trieeragent zijn getrieerd. Hij bewaakt de wachtrij continu, over alle gekoppelde ticketingkanalen heen, zonder afhankelijk te zijn van de teamuren.

Voor elk ticket zoekt hij in de kennisbasis van het bedrijf het meest relevante artikel, en stelt hij vervolgens een antwoord op dat is afgestemd op de precieze context van het ticket en de door het bedrijf bepaalde toon. Als de op de ticketingconnector toegekende grant schrijftoegang geeft, plaatst hij het antwoord rechtstreeks; zo niet, bereidt hij het voor als concept ter menselijke validatie. Parallel berekent en bewaakt hij de resterende SLA-termijn voor elk ticket naar prioriteit, en waarschuwt hij het team op Slack wanneer een ticket zijn deadline nadert zonder voldoende antwoord. Wanneer de aanleiding van een ticket overeenkomt met een patroon dat al meerdere keren is opgelost, past hij een macro toe of stelt hij er een voor, in plaats van een antwoord vanaf nul op te stellen. Zodra het ticket is opgelost, werkt hij de klantfiche in het CRM bij met een samenvatting van de resolutie.

De gebruikte integraties

Zendesk en Freshdesk ontvangen het opgestelde antwoord via update_ticket, als de grant schrijftoegang toestaat, en laten de agent de status van het ticket volgen tot de sluiting. Notion dient als kennisbasis: de agent zoekt er het relevante artikel met search of query_database voordat hij ook maar iets opstelt, wat voorkomt dat hij een antwoord zonder bron verzint.

HubSpot werkt de klantfiche bij zodra het ticket is opgelost, met een samenvatting van de resolutie vastgelegd op het betrokken contact of de deal. Slack ontvangt de waarschuwing wanneer een ticket zijn SLA-deadline nadert zonder voldoende antwoord, zodat een mens de controle overneemt voordat de termijn afloopt.

Wat bij de mens blijft

De agent stelt nooit een antwoord vanaf nul op: hij steunt op de bestaande kennisbasis, en als die het onderwerp van het ticket niet dekt, heeft hij niets betrouwbaars te bieden. Elke integratie die hij gebruikt hangt af van een precieze grant: een grant met alleen leestoegang op Zendesk verplicht de agent bijvoorbeeld om zijn antwoorden als concept voor te bereiden in plaats van ze rechtstreeks te versturen, wat een systematisch menselijk controlepunt oplevert zolang het team dat wenst.

Drie verantwoordelijkheden blijven duidelijk menselijk. Ten eerste, gegenereerde antwoorden valideren of corrigeren voor verzending bij alles wat niet overeenkomt met een al door het team gevalideerde macro. Vervolgens, complexe of geëscaleerde tickets behandelen die de kennisbasis niet dekt, wat echt oordeel over de klantsituatie vereist en soms een commerciële beslissing waarvoor de agent geen mandaat heeft. Ten slotte, de kennisbasis actueel houden: hoe goed ontworpen ook, een agent kan niet correct antwoorden vanuit verouderde of onvolledige documentatie.

Deze werkwijze volgt het principe van human-in-the-loop: de agent absorbeert het repetitieve opstellen en de termijnopvolging, de mens behoudt de controle over wat werkelijk naar de klant gaat zodra een geval buiten het bekende kader valt. Elke actie van de agent, geplaatst antwoord, toegepaste macro, CRM-update, wordt vastgelegd met status en is raadpleegbaar in de activiteitentijdlijn van de agent, en in detail in het bedrijfsbrede integratielogboek voor een beheerder.

Meetbaar resultaat

Op de lange termijn verandert deze regelmaat ook hoe het supportteam zijn werklast ervaart: minder stresspieken door SLA-deadlines die stilletjes aflopen, en meer tijd voor tickets die werkelijk menselijk oordeel vereisen in plaats van een antwoord dat elders al geschreven staat.

Het belangrijkste voordeel is meetbaar op twee assen: het respecteren van SLA-termijnen, omdat de agent elk ticket continu bewaakt en vóór de deadline waarschuwt in plaats van erna, en de regelmaat van de antwoordkwaliteit, omdat ze altijd uit dezelfde kennisbasis komen in plaats van telkens anders geformuleerd te worden door verschillende mensen. Dat ontslaat u niet van het actueel houden van een kennisbasis, het is zelfs een voorwaarde om dit resultaat op lange termijn te laten standhouden: hoe goed ontworpen ook, een agent blijft afhankelijk van de kwaliteit van wat hem wordt gegeven om te lezen, wat van documentatie een continue investering maakt eerder dan een eenmalige taak die aan het begin van het project wordt geregeld en daarna vergeten tot het volgende incident.

Het Standard-plan van Atako kost 20 euro per maand per agentslot, met 1000 credits per maand inbegrepen voor de modelaanroepen die worden gebruikt bij het zoeken van artikelen, het opstellen en de SLA-opvolging. Deze kost blijft gelijk ongeacht het ticketvolume dat in de maand wordt verwerkt, alleen het aantal gelijktijdig actieve agents telt mee. De details staan op de pagina tarieven.