Vergeet frustrerende chatbots

Veel mensen zullen het herkennen: je belt een klantenservice en komt terecht in een eindeloos keuzemenu. ‘Mensen willen direct geholpen worden, in plaats van door een doolhof van keuzes navigeren’, zegt Tias. Dezelfde frustraties gelden ook voor de huidige generatie chatbots. ‘Deze bots werken vaak op basis van vooraf ingestelde flows’, legt Tias uit. ‘Als je vraag net niet binnen die opties valt, krijg je geen passend antwoord.’

Met LLM’s is dat anders. ‘In plaats van vast te zitten aan vooraf bepaalde antwoorden, kunnen LLM’s een open dialoog voeren. Ze begrijpen wat je zegt en reageren daarop, zonder dat ze door een vaste structuur hoeven te gaan. Dit maakt de interactie natuurlijker en sneller’, zegt Tias.

Een Large Language Model (LLM) is een AI-systeem dat tekst begrijpt en genereert. Het is ontworpen om menselijke taal te verwerken en natuurlijke reacties te geven. Hierdoor kunnen bedrijven snel en automatisch vragen van klanten beantwoorden, zonder menselijke tussenkomst. Door dit te combineren met speech to text en text to speech, kun je ook bellen met een LLM.

‘LLM’s kunnen met verschillende talen omgaan. Of je nu Nederlands, Engels, Spaans of Chinees spreekt, AI kan overal op inspelen.’ Dit maakt het voor bedrijven mogelijk om wereldwijd klanten te bedienen. ‘Daarnaast wordt een bot niet ziek en is dus altijd beschikbaar. Je kunt je business zo eindeloos schalen en 24/7-beschikbaar maken. Ook wachtrijen zijn dan verleden tijd’, vertelt Tias.

AI LLM’s kun je inrichten voor snellere afhandeling van veelvoorkomende klantvragen die geen standaard script volgen. Een LLM kan namelijk volledig autonoom en efficiënt afhandelen open vragen afhandelen als ‘Wanneer heeft u nog 2 balkonkaarten beschikbaar voor de show van Herman van Veen?’.

Medewerkers kunnen zich daardoor bezighouden met de complexere vraagstukken waar menselijke interventie wenselijk is. ‘Klanten verwachten direct antwoord’, zegt Tias. ‘En met behulp van onze AI-oplossingen, kun je hieraan voldoen. Zo verhoog je de efficiëntie en verminder je de druk op klantenserviceafdelingen. Het mes snijdt aan twee kanten; het draagt bij aan een betere klanttevredenheid en het levert vaak ook nog een kostenreductie op.’

Om dit te kunnen realiseren, is de kwaliteit van de antwoorden een belangrijk aandachtspunt. AI is namelijk zo goed als de gegevens waarmee je het voedt en traint. ‘Als je een LLM traint met onvolledige of verkeerde data, krijg je onjuiste antwoorden’, legt Tias uit. ‘Shit in, is shit out. Monitoring en voortdurende verbetering is daarom essentieel.’

Een hybride vorm is een goede startformule. ‘In de eerste fase gebruik je een LLM voor eenvoudige en routinematige vragen. Tegelijkertijd zorg je ervoor dat er een medewerker beschikbaar is voor situaties die meer empathie en nuance vereisen of wanneer klanten niet met een LLM willen converseren. Ook dat moet kunnen.’

Een aspect om rekening mee te houden, is de privacy van klant-gegevens. LLM leert van de data die het ontvangt en dat kan vragen oproepen over hoe deze data wordt verkregen, gebruikt en beschermd. ‘Klanten moeten erop kunnen vertrouwen dat hun gegevens veilig worden bewaard en alleen worden gebruikt met hun toestemming’, aldus Tias. Bedrijven moeten dus niet alleen focussen op de efficiëntie en bedrijfsvoordelen van AI en LLM’s, maar ook op de ethische en juridische aspecten ervan. Sound of Data helpt je hier graag bij.

Dit interview is een verkorte versie van een artikel uit de Twinkle (08-2024).