AI is niet meer weg te denken uit de hedendaagse maatschappij. De snelheid waarmee deze nieuwe technologie de wereld verovert is ongekend en verslaat zelfs de stormachtige opmars van het internet in de tweede helft van de jaren ’90. Klanten kloppen steeds vaker aan de deur en vragen om ‘iets met AI’. Reden voor MSP Business om eens dieper te duiken in de achterkant. Waarmee moet je als MSP rekening houden wanneer je AI-oplossingen en -tools implementeert bij je klant? Wat zijn eigenlijk de kosten en hoe bereken ik dat door? In deze negendelige serie krijg je antwoord op al deze vragen.
Alle afleveringen:
1. Wat is een token en waarom moet jij dat weten?
2. Het geheugen van AI
3. Welk model kies je wanneer?
4. Betere vragen, betere antwoorden
5. Je eigen kennisbank koppelen
6. Trainen of instrueren?
7. Lokaal draaien of in de cloud?
8. AI in de servicedesk
9. Zet AI zelf aan het werk
De servicedesk is de plek waar IT-dienstverleners het vaakst in contact komen met eindgebruikers. Het is ook de plek waar AI het snelst zichtbaar resultaat oplevert — en waar de verwachtingen het vaakst botsen met de werkelijkheid. Want ja, AI kan tickets classificeren, antwoorden opstellen en kennisbanken doorzoeken. Maar nee, het vervangt niet zomaar je eerstelijns medewerker, en een slecht geïmplementeerde AI-assistent kost meer dan hij oplevert.
In deze aflevering kijken we naar wat AI concreet doet in de servicedesk, hoe je dat als MSP slim inzet — voor jezelf én voor je klanten — en waar de valkuilen zitten.
Wat AI goed kan in een servicedesk
Laten we beginnen met wat werkt. Een taalmodel is van nature goed in drie dingen die in een servicedesk voortdurend terugkomen: tekst begrijpen, tekst categoriseren en tekst genereren.
Ticketclassificatie is het meest voor de hand liggende beginpunt. Een binnenkomend ticket – via e-mail, chat of formulier – bevat informatie over het probleem, de urgentie en soms de gebruiker. Een AI-model kan dat ticket razendsnel lezen en categoriseren: is dit een hardwareprobleem of een toegangsvraag? Hoge of lage prioriteit? Welk team pakt dit op? Wat bij een mens tijd kost en bij drukte makkelijk mis gaat, doet een model consistent en zonder vermoeidheid.
Kennisbank-search is de tweede sterke toepassing. De meeste servicedesks hebben een kennisbank, maar die wordt zelden goed gebruikt. Medewerkers zoeken op trefwoorden, vinden niet wat ze zoeken en lossen het probleem toch zelf op, of ze bellen een collega. Een AI-model dat toegang heeft tot die kennisbank (via RAG, zoals besproken in aflevering 5) kan een binnenkomend ticket direct koppelen aan relevante artikelen, op basis van betekenis in plaats van trefwoorden. Een ticket over ‘mijn scherm blijft zwart na het opstarten’ matcht dan ook met een kennisbankartikel over opstartproblemen na een Windows-update, ook als die exacte woorden er niet in staan.
First-line response is de toepassing die het meest opvalt, maar ook het meest genuanceerd ligt. Een AI-model kan een conceptantwoord genereren op basis van het ticket en de kennisbank. De medewerker leest het, past aan waar nodig, en stuurt het door. Dat is sneller dan vanaf nul beginnen, zeker bij terugkerende vragen. Je kunt ook verder gaan: voor eenvoudige, goed omschreven problemen kan de AI het antwoord rechtstreeks naar de gebruiker sturen, zonder tussenkomst van een medewerker. Dat heet een volledig geautomatiseerde first-line response, en daar kom je al snel in het gebied van AI-agenten, wat we in de volgende en laatste aflevering van deze serie behandelen.
Wat AI niet kan vervangen
Veel MSP’s, en zeker veel van hun klanten, denken dat AI de servicedesk goedkoper maakt doordat je mensen kunt wegbezuinigen. Dat klopt in theorie, maar de praktijk is weerbarstiger. Hier zit het grootste misverstand.
AI is goed in patroonherkenning en tekstgeneratie. Het is slecht in context die niet expliciet in het ticket staat. Een medewerker die een eindgebruiker kent, weet dat ‘mijn laptop doet raar’ van die ene afdeling wellicht een probleem met een printerstuurprogramma is na de laatste update. Een AI weet dat niet, tenzij je die context actief meegeeft, bijvoorbeeld via een koppeling met je PSA-systeem en de geschiedenis van dat account.
AI is ook slecht in omgaan met emotie. Een eindgebruiker die voor de derde keer belt over hetzelfde probleem is niet alleen technisch gefrustreerd. Die persoon wil gehoord worden. Een geautomatiseerd antwoord – hoe accuraat ook – lost dat niet op, integendeel.
En dan is er nog het probleem van de randgevallen. AI presteert goed op de gevallen die lijken op wat het eerder heeft gezien. Maar een servicedesk krijgt ook tickets die buiten elk patroon vallen: een combinatie van problemen, een gebruiker die slecht kan omschrijven wat er mis is, of een situatie die escalatie vereist. Juist die gevallen zijn vaak de meest tijdrovende en daar biedt AI weinig soelaas.
De MSP als implementatiepartner
Een MSP heeft hier meerdere rollen. De eerste rol is intern: je eigen servicedesk slimmer maken. Dat betekent minder tijd per ticket, consistentere afhandeling en betere kennisbenutting. De investering is relatief laag als je al een ticketsysteem hebt dat API-toegang biedt. De meeste moderne PSA-platforms (ConnectWise, Autotask, HaloPSA) ondersteunen dat. Je koppelt je kennisbank, je stelt een model in dat drafts genereert, en je traint je team om die drafts te beoordelen in plaats van antwoorden te typen.
Je kunt ook extern een rol spelen: je klanten voorzien van een slimme eerstelijns support-laag. Denk aan een middelgroot bedrijf dat zijn eigen IT-helpdesk heeft, maar die wil ontlasten. Jij bouwt een AI-assistent die veelvoorkomende vragen afhandelt, tickets aanmaakt in het systeem en escalaties doorstuurt naar de juiste persoon. De klant heeft minder beldruk op zijn interne helpdesk, jij levert een beheerde dienst met meetbare resultaten.
Die tweede rol vraagt meer dan techniek. Je moet afspraken maken over wat de AI wel en niet mag afhandelen, wie verantwoordelijk is als het misgaat, en hoe je de kwaliteit van de gegenereerde antwoorden bewaakt.
Kwaliteitsbewaking: te vaak overgeslagen
Een AI-assistent in de servicedesk is geen product dat je installeert en vergeet. De kwaliteit van de output hangt af van drie dingen: de kwaliteit van de kennisbank, de kwaliteit van de systeemprompt, en de feedback die je teruggeeft aan het systeem.
Een kennisbank die verouderd is of vol staat met uitzonderingen en workarounds, produceert antwoorden die eindgebruikers op het verkeerde been zetten. Een systeemprompt die te vaag is, leidt tot antwoorden die technisch kloppen, maar praktisch onbruikbaar zijn. En als je niet bijhoudt welke gegenereerde antwoorden zijn aangepast of afgewezen door medewerkers, heb je geen signaal om het systeem te verbeteren.
Goed implementeren betekent dus ook een beheerproces inrichten. Wie controleert maandelijks of de kennisbank nog actueel is? Wie beoordeelt de kwaliteitsstatistieken? Wie past de systeemprompt aan als de output structureel afwijkt van wat je wilt?
Wat levert het op?
De return on investment van AI in de servicedesk is het makkelijkst te meten aan de kant van tijdsbesparing. Gemiddeld neemt de verwerkingstijd per ticket af als AI-assistentie goed is ingericht, zeker bij eenvoudige, terugkerende meldingen. De exacte winst verschilt sterk per organisatie en hangt af van ticketvolume, complexiteit en de kwaliteit van de bestaande kennisbank.
Minder tastbaar, maar minstens zo relevant: consistentie. Een AI-assistent geeft dezelfde antwoordkwaliteit op maandagochtend als op vrijdagmiddag. Geen vermoeidheidsfactor, geen kennisongelijkheid tussen junior en senior medewerker. Dat is ook een argument richting klanten die klagen over wisselende servicekwaliteit.
Wat je er niet van moet verwachten: een dramatische daling van je personeelskosten op korte termijn. AI verschuift werk, maar elimineert het niet. De medewerker die voorheen antwoorden typte, beoordeelt nu antwoorden en handelt de complexe gevallen af die de AI niet aankan. Dat is niet per se minder werk.
In de volgende en laatste aflevering van AI Business Basics gaan we een stap verder: wat gebeurt er als AI niet alleen antwoorden genereert, maar ook zelf acties onderneemt? Wat is een AI-agent, hoe verschilt hij van een chatbot, en wat betekent dat voor jouw processen en klantverantwoordelijkheid?
Dit is de achtste aflevering in de reeks ‘AI Business Basics’, waarin MSP Business de technologie achter AI stap voor stap uitlegt. Zonder marketingjargon, met de diepgang die je nodig hebt om er als IT-dienstverlener mee te werken, over te praten en op te bouwen.
