AI agent klantenservice meten: 4 KPI's die ertoe doen

Een afgehandeld gesprek is nog geen opgeloste klantvraag.

AI agent meten: waarom "aantal gesprekken" misleidt

Stel: een klant mailt waar zijn retour blijft. De AI agent antwoordt binnen een minuut met een net artikel over retourtermijnen. De klant reageert niet meer. In je rapport telt dat als een afgehandeld gesprek.

Alleen wilde de klant niet weten hoe lang retouren gemiddeld duren. Hij wilde weten waar zíjn pakket is. Dat zoekt hij nu zelf uit op de site van de vervoerder. Wat hij onthoudt, is dat je AI agent hem niet hielp. In je dashboard zie je daar niets van.

Gespreksvolume zegt iets over adoptie: vinden klanten de AI agent en gebruiken ze hem? Dat is nuttig om te weten, zeker in de eerste weken. Maar het zegt niets over resultaat. Een AI agent die veel praat en weinig oplost, kost je uiteindelijk meer dan hij bespaart.

Zendesk hanteert zelf een strengere lat. Een gesprek telt pas als automatische resolutie als er geen medewerker aan te pas kwam en een aparte AI-controle bevestigt dat het antwoord relevant was. Gaat het gesprek alsnog naar een medewerker, dan telt het niet mee. Toch blijft ook dat cijfer een benadering. Het kijkt naar het gesprek zelf, niet naar wat de klant daarna doet.

Heb je de basis vóór livegang goed neergezet? In ons gesprek met Stef over AI in klantenservice lees je wat je eerst op orde moet hebben. Dit artikel gaat over wat er daarna komt.

4 KPI's om je AI agent in de klantenservice te meten

Geen enkele metric vertelt het hele verhaal. Samen geven deze vier je wel een eerlijk beeld.

1. Automatische resolutie

Dit is je hoofdcijfer: het percentage gesprekken dat de AI agent volledig zelf oplost, zonder tussenkomst van een medewerker. Kijk er niet alleen als totaal naar, maar ook per onderwerp. Een resolutieratio van 60% kan betekenen dat je AI agent alle orderstatusvragen oplost en bij vragen over facturen volledig faalt. Dat tweede zie je alleen als je uitsplitst.

2. Overdrachten naar een mens

Een overdracht is niet per definitie slecht. Een klacht of een complexe technische vraag hoort bij een medewerker terecht te komen. De vraag is waaróm een gesprek wordt overgedragen. Meestal is het een van deze drie redenen:

De klant vraagt zelf om een mens. Soms terecht, soms omdat de AI agent te snel een standaardantwoord gaf.

De AI agent weet het antwoord niet. De informatie ontbreekt of is niet vindbaar in je kennisbronnen.

De AI agent mag de actie niet uitvoeren. Denk aan een adres wijzigen of een retour aanmaken zonder koppeling met je systemen.

Elk van die redenen vraagt om een andere oplossing. Hoe je de overdracht zelf inricht, zodat de klant zijn verhaal niet opnieuw hoeft te doen, lees je in AI in klantenservice: de juiste balans mens en machine. Hier gaat het om iets anders: wat de overdrachten je vertellen.

3. Herhaalcontact

Dit is de eerlijkste controle op je resolutiecijfer. Herhaalcontact is in feite de AI-variant van First Contact Resolution: lost het eerste contact de vraag echt op, of komt de klant terug? Komt dezelfde klant binnen een paar dagen terug met dezelfde vraag, via welk kanaal dan ook, dan was het gesprek niet opgelost. Wat je rapport ook zegt.

Dit meten vraagt wel dat je klantcontact over kanalen heen aan één klantprofiel hangt. Met een goed ingerichte omnichannel klantenservice zie je dat de chat van dinsdag en het telefoontje van woensdag bij dezelfde klant horen.

4. CSAT na een AI-gesprek

Vraag na een AI-gesprek om een korte beoordeling en vergelijk die met de CSAT van medewerkers op hetzelfde type vraag. Scoort je AI agent op retourvragen vergelijkbaar met je team? Dan zit je goed. Zie je een groot gat? Dan weet je waar je moet beginnen.

Een enquête bereikt wel maar een klein deel van je klanten. Hoe je met AI de rest van je gesprekken meeleest, lees je in Klanttevredenheid meten met AI.

Leg de vier naast elkaar

Het wordt pas echt interessant als je de cijfers combineert. Let vooral op deze patronen:

• Hoge automatische resolutie, veel herhaalcontact: schijnsucces. De AI agent sluit gesprekken af, maar de vraag komt via een andere weg terug.
• Hoge automatische resolutie, lage CSAT: klanten krijgen een antwoord, maar voelen zich niet geholpen. Lees die gesprekken terug.
• Veel overdrachten, hoge CSAT: vaak juist een goed teken. Je AI agent herkent zijn grenzen en zet netjes door.

Zet de vier daarom samen in één overzicht, bijvoorbeeld in een customer service dashboard dat je team elke dag ziet.

Wat overdrachten je vertellen over je kennisbank

Je AI agent is zo goed als de informatie waar hij uit put. Daarom zijn overdrachten zo waardevol: elke keer dat de AI agent het niet weet, wijst hij precies aan waar je kennisbank tekortschiet.

In de praktijk vallen de meeste overdrachten in drie groepen, elk met een eigen oplossing:

• Kennisgat: er bestaat simpelweg geen artikel over deze vraag. Schrijf het artikel in je helpcenter. Zendesk helpt je daarbij: het kan op basis van afgehandelde tickets voorstellen doen voor nieuwe helpcenterartikelen.
• Verouderde of tegenstrijdige content: de AI agent twijfelt of geeft een verkeerd antwoord. Ruim op, voeg samen en zorg dat er per onderwerp één actuele bron is.
• Procesgrens: de AI agent heeft data of een actie nodig die hij niet kan bereiken, zoals een koppeling met je orderbeheersysteem. Dit vraagt om een ander gesprek: welke acties wil je de AI agent laten uitvoeren, en welke koppelingen zijn daarvoor nodig?

Herken je die drie? Het zijn de voorwaarden die Stef vóór livegang noemt: vastgelegde kennis, bereikbare data en bewuste procedures. Overdrachten laten zien waar dat fundament na livegang nog scheurt.

Zo verbeter je je AI agent maand na maand

De organisaties die het meeste uit hun AI agent halen, hebben één ding gemeen: een vast ritme. Eén keer per maand kijken ze naar dezelfde cijfers en maken ze keuzes. Zo ziet dat ritme eruit:

1. Bekijk de cijfers. Begin met de top tien redenen voor overdracht en de onderwerpen met het meeste herhaalcontact.
2. Lees gesprekken terug. Neem een handvol gesprekken met een lage CSAT en lees ze van begin tot eind. Je ziet dan wat geen dashboard laat zien: een antwoord dat technisch klopt maar de vraag mist, of een toon die niet bij je merk past.
3. Pak de drie grootste knelpunten aan. Vul kennisgaten, ruim content op of zet een koppeling op de planning.
4. Test en vergelijk. Test de AI agent opnieuw op die onderwerpen en vergelijk de cijfers een maand later.

Stap 2 is in feite quality assurance voor je AI agent: dezelfde discipline die je al toepast op gesprekken van je medewerkers.

Wijs voor dit ritme één eigenaar aan. Zonder eigenaar verzandt het, dat zien we keer op keer. Twijfel je of je Zendesk-omgeving goed genoeg is ingericht om dit te meten? Een Zendesk Health Check laat snel zien waar het schuurt.

Praktijkvoorbeeld: Fairphone automatiseert 87% van de klantvragen

Hoe ver kom je als je dit serieus aanpakt? Fairphone zette medio 2025 Zendesk AI Agents Advanced in, met cloudmotion als implementatiepartner. De timing was bewust: rond de lancering van de Fairphone 6 verwachtte het team een flinke piek in klantvragen.

Het resultaat is een automatiseringsratio van 87%, zonder extra personeel. De AI agent handelt onder meer deze vragen af, in meerdere talen:

• producttroubleshooting
• productinformatie
• vragen over de status van een bestelling

Voor dit artikel is vooral interessant wat Fairphone ernaast deed:

• Zendesk Quality Assurance: het team kijkt structureel mee naar de kwaliteit van gesprekken.
• Productinzichten uit transcripties: de AI-gesprekken leveren input op voor het ontwikkelteam van Fairphone.

Dat is precies het verschil. Een percentage van 87% houdt alleen stand als je blijft meekijken naar wat er in die gesprekken gebeurt.

Lees het volledige klantverhaal van Fairphone.

Van livegang naar een AI agent die elke maand beter wordt

Livegang voelt als de finish, maar het is eigenlijk de start. Pas als echte klanten met je AI agent praten, zie je waar hij sterk is en waar hij tekortschiet. De organisaties die daar systematisch naar kijken, zien hun automatische resolutie maand na maand stijgen. Niet door een nieuwe tool, maar door een kennisbank die steeds beter aansluit op wat klanten vragen.

Het begint met eerlijk meten. Dat betekent: niet tevreden zijn met gespreksvolume, maar kijken naar resolutie, overdrachten, herhaalcontact en tevredenheid. Samen. Die vier cijfers vertellen je waar je AI agent geld bespaart en waar hij stilletjes frustratie veroorzaakt.

Wat levert dat op? Een team dat minder repetitieve vragen krijgt en meer tijd heeft voor gesprekken die er echt toe doen. En klanten die sneller geholpen zijn, zonder het gevoel dat ze tegen een muur praten. Wil je weten hoe dat er in jouw situatie uitziet, dan helpt het om erover te praten met mensen die hier dagelijks mee bezig zijn. Dat kan via klantenservice consultancy, of gewoon aan tafel.



Kom op 15 oktober naar PizzAI in Amsterdam en praat met ons en andere klantenservicemensen over AI in de praktijk. Kun je er niet bij zijn? Plan dan een AI quickscan en ontdek wat je AI agent echt oplevert.