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 om kaartjes te proberen. In plaats daarvan leek het meer op een controlekamer.
Er waren specialisten die toezicht hielden op dashboards, tuning AI gedrag, het oplossen van API-fouten en het herhalen van kennisworkflows. Een teamlid dat zijn carrière was begonnen met het afhandelen van klantvragen via chat en e-mail (wachtwoorden opnieuw instellen, functies uitleggen, eenmalige problemen oplossen en fouten 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 hyperbool die ik had gehoord over het verdwijnen van klantenondersteuningsrollen, grotendeels 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 in AI ingebedde 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 werkgelegenheid geoptimaliseerd voor communicatieve vaardigheden en productkennis. Maar die basislijn is nu verdwenen.
Van de 21 vacatures die ik heb geanalyseerd, had bijna driekwart expliciete ervaring nodig met AI-tools, automatiseringsplatforms of AI-systemen voor sollicitatiegesprekken.
Deze rollen gaan over het configureren, monitoren en verbeteren van de AI-systemen in de loop van de tijd. Ze beoordelen gesprekslogboeken, controleren het AI-gedrag en identificeren foutcondities.
Met andere woorden: kunstmatige intelligentie 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, logbestanden te analyseren, SQL-query’s te schrijven of scriptautomatiseringen in Python of Bash te doen. Velen verwachtten kennis van cloudinfrastructuur, observatietools of versiebeheersystemen zoals Git.
Zelfs vijf jaar geleden zou dit 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 de interactie van modellen 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
Naarmate AI onderdeel wordt van de ondersteuningsworkflow, wordt de aard van het werk technischer. Een supportmanager 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 frontline-agenten die zich vroeger op snelle winsten concentreerden, behandelen nu de meest gefrustreerde klanten en edge-cases, en hebben hun vaardigheden dienovereenkomstig moeten opschalen.
In de praktijk lijkt dit er vaak op dat een klant een kritieke workflow probeert te voltooien, zoals het synchroniseren van gegevens tussen systemen, voordat de facturering wordt uitgevoerd. Een AI-agent begint met het werken op basis van documentatie die een materiedeskundige heeft samengesteld vanuit meerdere functies binnen het bedrijf. Van daaruit kan de AI-agent verifiëren 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 instructies, maar ontdekt stroomafwaarts dat de gegevens niet zoals verwacht zijn verplaatst. Wanneer het probleem escaleert, moet de materiedeskundige reconstrueren wat er in de verschillende 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 steeds niet alleen kan doen. Het vereist zowel technische kennis om fouten in verschillende systemen op te sporen, als menselijk oordeel om te beslissen wat onmiddellijk kan worden opgelost versus wat diepgaandere product- of technische interventie 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 standaard
Ondanks de wijdverbreide vrees dat AI ondersteunende banen zal vervangen, suggereerde geen enkele post die ik analyseerde dat de ondersteuning in de toekomst 100% geautomatiseerd zou zijn.
In plaats daarvan veranderde bijna elke rol in een hybride model, waarbij AI routinematige interacties afhandelt terwijl mensen de kwaliteit bewaken en het systeem voortdurend verbeteren.
Dit is logisch als je bedenkt dat 95% van de leiders van de klantenondersteuning zei dat ze menselijke agenten bij 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 definiëren wanneer mensen ingrijpen.
Dit is waar het vorige ‘controlekamer’-beeld werkelijkheid wordt. Menselijk werk 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.
