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 te ontmoeten met rijen agenten aan de telefoon, die achter computers zaten en kaartjes beoordeelden. In plaats daarvan leek het meer op een controlekamer.
Er waren specialisten die dashboards monitorden en afstemden AI 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 kwaliteitsscoringsmodellen voor de AI-agent van het bedrijf.
Dit leek duidelijk anders dan de hyperbool die ik had gehoord over het verdwijnen van klantenondersteuningsfuncties voor een groot deel als gevolg van AI. 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 heb 21 vacatures voor klantenondersteuning geanalyseerd bij AI-native bedrijven, snelgroeiende startups en enterprise SaaS. Deze banen variëren van technische ondersteuning voor complexe softwareproducten tot meer transactionele, commerciële ondersteuning met betrekking tot facturering en andere veelvoorkomende problemen.
Wat ik ontdekte was 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 exploiteren van de 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
Gedurende het grootste deel van de afgelopen twintig jaar steun inhuren 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 conversatie-AI-systemen.
Deze rollen gaan over het configureren, monitoren en verbeteren van de AI-systemen in de loop van de tijd. Ze beoordelen gesprekslogboeken, controleren AI-gedrag 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 automatiseringen te scripten in Python of Bash. Velen verwachtten bekendheid met cloudinfrastructuur, observatietools of versiebeheersystemen zoals Git.
Dat zou zelfs vijf jaar geleden ondenkbaar zijn geweest in de functiebeschrijvingen van ondersteunende functies.
Maar het is logisch. Als AI-systemen falen, falen ze op grote schaal. Het diagnosticeren van deze fouten vereist technische vaardigheid, zoals inzicht in hoe modellen omgaan met externe systemen en wanneer een probleem zijn oorsprong vindt in configuratie versus productlogica.
Het werk is geëvolueerd van het ticket voor ticket oplossen van problemen naar het voorkomen van de volgende duizend tickets.
Mensen zijn nodig om moeilijkere 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 bevat, zei het duidelijk: zodra de automatisering de gemakkelijke vragen afhandelt, wordt het werk dat overblijft moeilijker. Dezelfde frontlijnagenten die zich vroeger op snelle winsten concentreerden, behandelen nu de meest gefrustreerde klanten en randgevallen, en ze hebben hun vaardigheden dienovereenkomstig moeten opschalen.
In de praktijk lijkt dit vaak op een klant die een cruciale workflow probeert te voltooien, zoals het synchroniseren van gegevens tussen systemen voordat de facturering wordt uitgevoerd. Een AI-agent begint met het uitwerken 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. Het is echter mogelijk dat de AI-agent niet is geïntegreerd in het juiste onderliggende systeem dat uren eerder stilzwijgend faalde. De klant volgt de richtlijnen, maar ontdekt stroomafwaarts dat de gegevens niet verlopen zoals verwacht. Wanneer het probleem escaleert, moet de materiedeskundige reconstrueren wat er in de verschillende systemen is gebeurd, redeneren 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 steeds niet alleen kan doen. Het vereist zowel technische kennis om storingen in verschillende systemen op te sporen, als menselijk oordeel om te beslissen wat onmiddellijk kan worden opgelost versus wat diepere product- of technische interventies vereist. Op deze manier gaat de ondersteuning minder over het beantwoorden van vragen uit de handleiding, en meer over het maken van de handleiding en het oplossen van de problemen die daarin niet 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 zou zijn.
In plaats daarvan neigde 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 van de klantenondersteuning zei dat ze menselijke agenten in hun activiteiten zouden betrekken om de rol van AI te helpen definiëren wanneer vorig jaar onderzocht 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 bepalen wanneer mensen tussenbeide komen.
Dit is waar het vroegere ‘controlekamer’-beeld werkelijkheid wordt. Het werk van mensen verandert van het simpelweg beantwoorden van vragen naar het daadwerkelijk vormgeven van systemen.
Alles bij elkaar wijzen deze trends op één conclusie: de klantenondersteuning is gespecialiseerd. Het repetitieve werk verdwijnt, maar het oordeelsgevoelige, technische werk breidt zich uit. Die verschuiving 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.
