Elke PSA-leverancier heeft er inmiddels een: een AI-laag die tickets leest, sorteert en liefst ook oplost. De demo’s zijn overtuigend, maar de vraag blijft waar dit echt uren bespaart. Het antwoord valt in twee helften uiteen, en die zien er heel verschillend uit.
Dat de servicedesk een primair doelwit is voor de implementatie van AI, ligt voor de hand. Het is de plek waar het meeste herhaalwerk zit, waar de tijd per ticket rechtstreeks in de marge doorwerkt en waar het personeelstekort het hardst aankomt. Kaseya’s State of the MSP-rapport over 2026 laat zien hoe ver de branche is: 53 procent van de ruim duizend ondervraagde MSP’s zet AI al in om ticketing, patching of monitoring te automatiseren, en tegelijk heeft ruim de helft daarvan pas een kwart van het werk geautomatiseerd. Aan de klantkant noemt 48 procent AI en automatisering de belangrijkste behoefte van hun klanten, terwijl 13 procent daar al noemenswaardig omzet uit haalt. De belangstelling loopt ver voor de praktijk uit, en dat maakt het een goed moment om die praktijk eens langs te lopen.
Klanten vragen om AI, de omzet en de automatiseringsgraad lopen achter. Bron: Kaseya, 2026 State of the MSP Report
Waar zit de bewezen tijdwinst?
Aan de voorkant van het ticket, bij het werk dat niemand leuk vindt. Een ticket komt binnen met als onderwerp “werkt niet” en drie regels tekst; iemand moet daar een categorie, een prioriteit, een klant en een contract aan hangen voordat een technicus ermee aan de slag kan. Dat is de dispatcherrol, en die laat zich goed automatiseren. Gespecialiseerde partijen als CloudRadial en Thread claimen twee tot drie minuten per ticket aan triagetijd en een nauwkeurigheid rond de negentig procent (en wat dat betekent voor verderop in het proces, later meer), en de grote platformen hebben die functie inmiddels ingebouwd of ingekocht. ConnectWise nam in januari zofiQ over en bouwt daar een agentic laag mee door het hele portfolio, Kaseya zet Cooper AI en zijn Digital Workforce in de markt, en HaloPSA laat AI categorieën voorstellen en ontvangstbevestigingen sturen. Wat die triage oplevert, zit deels in minuten en minstens zo veel in consistentie: een prioriteit 2 betekent op vrijdagmiddag hetzelfde als op dinsdagochtend, categorieën blijven kloppen en de rapportage laat eindelijk zien wat er werkelijk binnenkomt.
Dichter bij huis laat TOPdesk zien hoe die eerste laag eruitziet zonder de Amerikaanse marketing eromheen. De Delftse leverancier voert een eigen MSP-propositie met contract- en SLA-beheer per klant en tickets voor meerdere organisaties in één omgeving. Sinds april van dit jaar zitten AI-categorisatie en prioriteitsvoorstellen, incidentsamenvattingen, concept-kennisitems uit opgeloste tickets en een AI-zoekfunctie in de selfserviceportal in de Engaged- en Excellent-pakketten, met de data in de EU en de uitdrukkelijke policy dat AI suggesties doet, maar de technicus besluit. Autonome afhandeling ontbreekt, en TOPdesk waarschuwt zelf dat de AI weinig oplevert zolang het kennissysteem een rommeltje is. Wat er ook ontbreekt is de PSA-kant, tijdregistratie die doorloopt naar facturatie, dus MSP’s die op urenbasis factureren hebben er nog iets naast nodig. Voor de laag waar dit artikel over gaat, is het wel een goed ijkpunt voor wat er nu werkt.
De tweede bewezen laag zit naast de technicus in plaats van ervoor. AI die bij een open ticket vergelijkbare eerdere tickets, de bijbehorende documentatie en een voorgestelde oplossing klaarzet, bespaart vooral zoektijd, en na afloop kan dezelfde laag uit het opgeloste ticket een kennisartikel destilleren voor toekomstige naslag door AI of mens. Het onderzoek dat hierover het meest wordt aangehaald, van Stanford en MIT onder ruim vijfduizend supportmedewerkers, vond gemiddeld 14 procent meer opgeloste zaken per uur. Dat is een gemiddelde, en de daadwerkelijke verdeling is interessant: de minst ervaren medewerkers gingen 34 procent vooruit, de meest ervaren nauwelijks. Voor een MSP die volgens datzelfde Kaseya-rapport steeds moeilijker aan technici komt (het aandeel dat daarover klaagt steeg van 9 naar 16 procent) is dat de relevantste uitkomst van allemaal. AI maakt de nieuwe technicus sneller inzetbaar. Aan de senior die het toch al wist, voegt het weinig toe.
Waar valt het tegen?
Zodra de AI verder gaat dan voorbereiden en het ticket zelf gaat afhandelen, van intake tot sluiting. Leveranciers noemen dat agentic, en de belofte is dat een reeks agents een wachtwoordreset, een VPN-probleem of een volle printerwachtrij zonder tussenkomst afwerkt. Voor die eenvoudige, goed afgebakende gevallen werkt dat ook, zolang de runbooks kloppen en de identiteitscontrole op orde is. Het probleem begint bij ketens. Een agent die elke stap met 85 procent zekerheid goed doet, klinkt behoorlijk; tien van die stappen achter elkaar leveren nog geen twintig procent kans op een foutloos resultaat. Bij 95 procent per stap blijft daar zestig procent van over. Dat rekenvoorbeeld verklaart waarom de tegenvallers bijna altijd in de lange, complexe tickets zitten en zelden in het eenvoudige werk. Het zet de claims van succescijfers bij triage van 90% in een ander licht.
Elke stap die de AI zelf zet, gaat met een bepaalde kans goed; achter elkaar gezet loopt de foutkans snel op. Rekenvoorbeeld MSP Business
Gartner voorspelde vorig jaar dat ruim veertig procent van de agentic AI-projecten voor eind 2027 wordt stopgezet, vooral door oplopende kosten, onduidelijke waarde en gebrekkige governance, en waarschuwde tegelijk voor agent washing: van de duizenden leveranciers die agents claimen, verdienen er volgens het bureau maar zo’n 130 die naam. In de klantenservice is Klarna het waarschuwende voorbeeld. Het bedrijf meldde begin 2024 dat AI het werk van zevenhonderd medewerkers had overgenomen en nam ruim een jaar later weer mensen aan, omdat de kwaliteit was gezakt; kosten hadden te zwaar meegewogen, zei de CEO daar zelf over. Gartner denkt nu dat de helft van de bedrijven die om AI-redenen servicepersoneel schrapten, voor 2027 opnieuw mensen aanneemt voor hetzelfde werk. Voor een MSP met SLA-afspraken laat die les zich makkelijk vertalen: een AI die een ticket ten onrechte sluit, kost meer dan de triage ooit bespaarde. De klant belt terug, het ticket wordt heropend en een technicus mag het vertrouwen herstellen dat de agent kapot heeft gemaakt.
Er zit nog een verborgen kostenpost onder, namelijk datakwaliteit. Een triagemodel leert van de eigen tickethistorie, en een servicedesk die jarenlang alles onder “overig” heeft geboekt, krijgt daar een AI voor terug die hetzelfde doet. Het opschonen van categorieën, contracten en klantgegevens in de PSA is saai werk dat vóór de AI komt, en leveranciers zetten dat zelden in de demo.
Wat merkt de klant ervan, en mag dat?
Sinds 2 augustus gelden de transparantieregels uit artikel 50 van de AI Act. Een MSP die een chatbot of AI-telefonie inzet richting eindgebruikers moet bij het eerste contact duidelijk maken dat er een AI-systeem aan de lijn is, en in Nederland houdt de Autoriteit Persoonsgegevens daar toezicht op. Een melding dus in de chatbot, in de portal en aan de telefoon, plus een pad naar een mens voor de klant die dat wil. Ook ging op die datum de AI-geletterdheidsplicht uit artikel 4 in: wie AI inzet, moet zorgen dat het personeel er voldoende van snapt. Voor een servicedesk waar technici dagelijks AI-suggesties beoordelen bepaald geen formaliteit. Daar bovenop komt een vraag voor het contract: wie is verantwoordelijk als de AI een ticket verkeerd afhandelt, en of een automatisch gesloten ticket meetelt voor de SLA? Dat hoort in de dienstbeschrijving voordat de eerste agent live gaat.
Hoe begin je zonder spijt?
Bij het saaie werk. Triage, ticketsamenvattingen en kennisartikelen leveren binnen weken zichtbaar resultaat, vragen weinig inrichting en kunnen weinig kapotmaken. Meet daarbij de eerste reactietijd, het aantal heropende tickets en het aantal tickets per technicus per dag, en zet die naast de maand ervoor. Autonome afhandeling komt daarna, per use case, te beginnen bij het handjevol tickettypes dat maandelijks honderden keren voorbijkomt, met een mens die de eerste weken nog elke actie goedkeurt. Zorg voor een maandcontract met de leverancier, want de markt beweegt snel en de kans is reëel dat de leverancier van vandaag volgend jaar is overgenomen, of er iets beters voorbijkomt.
Een MSP die AI koopt om technici te schrappen: de cijfers wijzen op iets anders. Dezelfde mensen die meer tickets aankunnen, een nieuwe technicus die na twee weken meedraait in plaats van na twee maanden, en een dispatcher die eindelijk toekomt aan het werk waarvoor ze is aangenomen.
Bronnen
Kaseya, 2026 State of the MSP Report (april 2026); Brynjolfsson, Li en Raymond, “Generative AI at Work” (NBER Working Paper 31161; Quarterly Journal of Economics, 2025); Gartner, “Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027” (juni 2025); Gartner, “Gartner Predicts Half of Companies That Cut Customer Service Staff Due to AI Will Rehire by 2027” (februari 2026); CX Dive, “Klarna changes its AI tune and again recruits humans for customer service” (mei 2025, naar aanleiding van het Bloomberg-interview met Sebastian Siemiatkowski); ConnectWise, persbericht “ConnectWise to acquire zofiQ” (januari 2026); Channel Dive, “ConnectWise CEO knows why MSPs find it hard to measure AI success” (februari 2026); Channel Dive, “MSP platform providers pile on features” (mei 2026); Omdia, Global RMM/PSA Leadership Matrix 2026 (mei 2026); CloudRadial, “How ServiceAI’s Automated Ticket Triage is Reshaping the MSP Service Desk” (januari 2026); Thread, “The 5 Best AI Service Desk Platforms for MSPs in 2026” (juni 2026); TOPdesk, “AI-oplossingen voor servicemanagement” (2026); TOPdesk, “TOPdesk voor managed service providers”; Bird & Bird, analyse van de definitieve richtsnoeren van de Europese Commissie bij artikel 50 van de AI Act (juli 2026); Autoriteit Persoonsgegevens, “Transparantie-eisen AI gelden vanaf 2 augustus” (juli 2026).
