Uitdagingen
Het probleem? Niemand kon bevestigen dat die cijfers echt waren.
Tickets hadden labels. Maar een ticket met het label "orderstatus" kon eigenlijk een klacht over een verloren pakket zijn. Een ticket met het label "boekhouding" kon een annulering zijn die ook een kredietnota nodig had. Na verloop van tijd stapelden deze inconsistenties zich op en kon het leiderschapsteam drie vragen niet beantwoorden die eigenlijk eenvoudig hadden moeten zijn:
Zetten we onze tickets correct in categorieën?
Welke problemen nemen eigenlijk het meeste van de tijd van ons team in beslag?
Waar moeten we als eerste investeren in automatisering?
Zonder antwoorden was een geplande investering in AI-ondersteuning vertraagd. Er was geen gevalideerde data om een businesscase op te bouwen. En met het groeiende volume over 11 talen, voelde het aannemen van meer agenten als de enige optie, een dure optie die het onderliggende probleem niet zou oplossen.
Aanpak
Voordat we ook maar één regel code schreven, moesten we weten wat er daadwerkelijk aan de hand was.
We zijn begonnen met een ontdekkingsfase samen met Just Carpets' ondersteunend personeel, waarbij we echte workflows in kaart brachten, niet het gedocumenteerde proces, maar de daadwerkelijke dagelijkse realiteit van hoe tickets werden afgehandeld en hoe labels werden toegepast.
Daarna exporteerden we alles. 100.000+ tickets. Klantberichten, agentenreacties, interne notities, bestaande tags. Alles gestructureerd in één dataset.
Stap 1 — Semantische ticketanalyse op schaal.
We hebben een aangepaste LLM-agent ingezet om elk ticket te lezen zoals een menselijke analist dat zou doen, waarbij we intentie en context begrijpen, niet alleen sleutelwoorden matchen. Voor elk ticket controleerde de agent of de bestaande tag overeenkwam met de werkelijke inhoud, stelde herclassificaties voor waar dat niet het geval was, detecteerde product- en dienstvermeldingen voor nauwkeuriger filtering, en beoordeelde de gevoelsvoortgang over de volledige gespreksboog.
Stap 2 — Oorzaakanalyse en complexiteitsmapping.
Buiten classificatie onderzochten we patronen. Welke tickettypes vereisten de meeste heen-en-weer communicatie? Waar verslechterde de klantgevoelens halverwege het gesprek? Welke problemen clusterden rond specifieke vervoerders, regio's of tijdsperioden? Deze analyseklaag onthulde de knelpunten die tag-gebaseerde rapportage al jaren verborgen hield.
Stap 3 — Rangschikking van automatiseringskansen.
Met nauwkeurige tagging hersteld en complexiteit in kaart gebracht, konden we elke ticketcategorie rangschikken op volume, oplostijd, gevoelseffect en automatiserings-ROI. In plaats van te gokken waar te investeren, had Just Carpets een data-onderbouwde routekaart gerangschikt op bedrijfsimpact.
De ontdekkingsfase loste niet alleen de data op. Het creëerde het blauwdruk voor alles wat daarna gebouwd werd.
Oplossingen
Met de routekaart in de hand bouwden we wat Just Carpets echt nodig had: geen chatbot, maar een intelligent AI-agentensysteem dat in staat is om klantenservicetickets van begin tot eind af te handelen, in alle 11 talen, de klok rond.
De architectuur: een orkestrator met gespecialiseerde sub-agenten.
In plaats van één groot model dat alles probeert te doen, hebben we een orkestrator gebouwd die begrijpt wat een klant nodig heeft en de aanvraag naar de juiste specialist stuurt. Elke sub-agent is geoptimaliseerd voor precies één taak:
De orderstatus-agent raadpleegt de order-API en interpreteert verzendgegevens om klanten nauwkeurige, real-time leveringsupdates te geven.
De factuur-agent navigeert door de documentstructuur van ExactOnline, haalt de juiste PDF op en verstuurt deze, een proces dat eerder meerdere handmatige stappen per ticket vereiste.
De creditfactuur-agent zoekt de originele factuur op, keert de regels om om een creditnota te creëren, plaatst deze terug in ExactOnline en logt dit, waardoor wat een volledig handmatige financiële workflow was, wordt teruggebracht tot één menselijke goedkeuring.
De orkestrator hanteert harde regels die geen enkele sub-agent kan negeren: nooit rauwe API-output aan een klant laten zien, escaleren naar een mens wanneer iets onduidelijk is, en altijd reageren in de taal van de klant met de juiste toon.
Bovenop het agentensysteem hebben we een permanente intelligentielaag ingezet, een live analyse-tool die elk nieuw binnenkomend ticket in real-time verwerkt. Het valideert continu de nauwkeurigheid van tags, volgt de prestaties van agenten, scoort gesprekssentimenten en brengt opkomende ondersteuningsonderwerpen aan het licht voordat ze grote problemen worden hebben. Just Carpets' leiding heeft nu een levend dashboard van wat klanten daadwerkelijk zeggen, niet alleen wat tickets gelabeld zijn als.
Een opmerking over kosten — omdat het ertoe doet.
Oplossingen zoals Intercom's AI rekenen tot €0,99 per opgeloste conversatie. Bij Just Carpets' ticketvolumes loopt dat op tot tienduizenden euro's per jaar voor een systeem dat niet integreert met je ERP, geen financiële documenten maakt, en zich niet aanpast aan je specifieke workflows. Door eigenaar te zijn van de stack daalt de kosten per opgelost ticket tot een fractie daarvan. De intelligentie blijft binnen je onderneming. En het systeem groeit met je mee zonder dat de prijs per ticket tegen je opschaalt.
Resultaten
De impact verspreidde zich over de hele ondersteuningsoperatie, van de datalaag tot aan de besluitvorming door de leiding.
Ticketclassificatie is van onbetrouwbaar naar betrouwbaar gegaan. Voor de eerste keer weerspiegelde de rapportage van Just Carpets waar klanten daadwerkelijk over schreven, waardoor de leiding een basis had voor beslissingen waar ze achter konden staan.
De AI-agent behandelt nu de type tickets die voorheen de meeste handmatige tijd consumeerden. Vragen over orderstatus, factuurverzoeken en creditnota-creatie, processen die elk meerdere systeemaanmeldingen, handmatige opzoekingen en handgeschreven antwoorden vereisten, worden nu automatisch opgelost of met een enkele goedkeuringsklik.
Het ondersteuningsteam richtte hun focus op complexe zaken die echt menselijk oordeel nodig hebben, in plaats van repetitieve opzoekingen. En met de live intelligence-laag die continu draait, raakt de automatiseringsroutekaart niet verouderd; het actualiseert zichzelf naarmate de behoeften van klanten evolueren.
Zoals Gijsbert, COO bij Just Carpets, het beschreef: het What's Next-team werkte als een verlengstuk van hun eigen team. De focus lag nooit alleen op het inzetten van tools omwille van het inzetten. Het ging erom de operatie eerst te begrijpen en dan iets te bouwen dat daadwerkelijk erin werkt.
Het totale project duurde 12 weken. Zes weken van ontdekking en analyse. Zes weken van bouwen en implementeren. Beide helften waren even essentieel, want het verkeerd op grote schaal automatiseren is duurder dan helemaal niet automatiseren.
Resultaten
Tijd besparen op tickets
Van alle tickets die door AI zijn aangeraakt
Kostenbesparing in AI voor een opgelost ticket
