Van 40% naar 67% selfservice: wat Eneco, Rabobank en KPN ons leren over AI-agents

AI-agents klinken voor veel organisaties nog als toekomstmuziek. Maar een blik op de klantcases die Microsoft publiceert laat zien dat Nederlandse — en internationale — organisaties er vandaag al meetbare resultaten mee boeken. We zetten de interessantste publiek gerapporteerde cijfers op een rij, en belangrijker: de lessen die eruit te halen zijn voor je eigen organisatie.

De cijfers die organisaties zelf rapporteren

Eneco meldt dat zijn klantenservice-agent, gebouwd met Copilot Studio, zo'n 24.000 chats per maand afhandelt — ruim twee keer zoveel als de oude chatbot — en 67% van de gesprekken zelfstandig oplost, waar dat eerder 40% was. Rabobank rapporteert dat zijn AI-assistenten dagelijks zo'n 20.000 telefoongesprekken en 7.000 chats verwerken, met 62% selfservice op chat. KPN meldt dat verkopers met Copilot for Sales bijna twee uur per week besparen en dat 69% van de accountmanagers de offertekwaliteit zag verbeteren. En chemieconcern Dow laat een autonome agent jaarlijks zo'n 100.000 vrachtfacturen controleren; fouten die voorheen dagen tot weken kostten om te vinden, komen nu in seconden boven.

Belangrijke kanttekening: dit zijn resultaten zoals de bedrijven ze zelf publiek rapporteren in Microsoft-klantcases. Ze zijn geen garantie voor jouw situatie — maar ze laten wél zien wat er realistisch mogelijk is, en in welke processen agents zich het snelst bewijzen.

Les 1: start bij één afgebakend proces met volume

Wat alle succesvolle cases gemeen hebben: ze begonnen niet met "we gaan AI doen", maar met één concreet proces met hoog volume en duidelijke regels. Klantvragen over energiecontracten. Vrachtfacturen. Offertes. Dat is geen toeval: een agent bewijst zich het snelst waar veel herhaling zit, de kwaliteit meetbaar is en een mens kan ingrijpen bij uitzonderingen. De spectaculaire toepassingen komen later; de businesscase begint saai.

Les 2: meet vóórdat je begint

Dat Eneco kan zeggen "van 40% naar 67% selfservice" komt doordat het de oude situatie kénde. Wie pas na de livegang gaat meten, kan nooit aantonen wat de agent heeft opgeleverd. Elke agent-businesscase begint daarom met een nulmeting en een keten van metrics: van gebruikscijfers (hoeveel gesprekken handelt de agent af?) via operationele KPI's (oplostijd, doorverwijzingen) naar businessresultaat (kosten, klanttevredenheid).

Les 3: bouw iteratief, met mensen in de lus

Holland America Line bouwde de eerste versie van zijn virtuele agent in drie maanden; biotechbedrijf Amgen zijn eerste agent in zes weken. Het patroon: een beperkte maar werkende eerste versie, die daarna op basis van echte gesprekken wordt verbeterd. Net zo belangrijk: in vrijwel alle cases draagt de agent complexe of gevoelige gevallen warm over aan een medewerker. De agent vervangt niet de mens, maar vangt het volume af zodat mensen toekomen aan het werk waar ze het verschil maken.

Les 4: governance vanaf dag één

Hoe meer agents, hoe belangrijker de spelregels: wie mag agents bouwen, welke data mogen ze gebruiken, wie is eigenaar en hoe wordt kwaliteit bewaakt? Zeker in gereguleerde sectoren — de financiële wereld van Rabobank voorop — is dat geen bijzaak maar voorwaarde. Onze ervaring: governance die vóór de eerste agent staat, versnelt elke volgende. Governance die achteraf moet worden opgetuigd, remt alles.

Wat is jouw eerste agent?

De gemene deler van al deze cases: ze begonnen met één goed gekozen proces, een nulmeting en een klein team. Dat kan elke organisatie — ook zonder het budget van een bank of energieconcern. In een werksessie van een dagdeel brengen we jullie processen in kaart en prioriteren we agent-kansen op impact en haalbaarheid. Plan een kennismaking en ontdek waar jouw organisatie het eerst resultaat ziet.