Het bijwerken van contactgegevens, voorkeuren en statussen in een CRM na een interactie of wijziging is een van de taken waar AI vandaag al een groot deel van het werk kan overnemen. Niet omdat AI "slim" genoeg is om klanten te begrijpen, maar omdat de taak zelf weinig interpretatie vraagt. Een adreswijziging, een nieuw telefoonnummer, een statuswijziging van lead naar klant: dat zijn velden die worden ingevuld, niet beoordeeld.
Drie assen geven hier de doorslag: gestructureerdheid, volume en foutkosten.
De gestructureerdheid scoort hoog omdat een CRM per definitie werkt met vaste velden. Een naam, een e-mailadres, een voorkeurscategorie: het zijn gegevens met een vaste plek en een vast formaat. Er is geen vrije tekst die geïnterpreteerd moet worden, geen context die moet worden gewogen. Dat maakt de taak geschikt voor regelgebaseerde verwerking: als veld X wijzigt in bron Y, werk veld X bij in systeem Z.
Het volume is eveneens hoog. Bij een bedrijf met een omvangrijk klantenbestand gaat het om tientallen tot honderden wijzigingen per dag, verspreid over losse, kleine handelingen. Precies het soort werk waarbij een terugkerend, voorspelbaar patroon meer opweegt dan incidentele uitzonderingen. Hoog volume in combinatie met hoge gestructureerdheid is de combinatie waarbij automatisering zich het snelst terugbetaalt.
De foutkosten liggen in het midden. Een verkeerd bijgewerkt telefoonnummer is vervelend, maar meestal herstelbaar bij het volgende contactmoment. Bij gevoeliger velden, zoals betaalvoorkeuren of toestemming voor marketingcommunicatie, wegen fouten zwaarder. Dat is ook waarom validatie geen overbodige stap is, maar een voorwaarde.
Oordeelsruimte en klantcontact scoren middelmatig tot hoog, en dat is precies waar de nuance zit. Een deel van de statuswijzigingen is eenduidig: een klant verhuist, het adres wijzigt, klaar. Maar niet elke wijziging is zo simpel. Wanneer een klantenservicemedewerker na een telefoongesprek moet inschatten of een klacht een statuswijziging naar "risico op opzegging" rechtvaardigt, is dat geen veldinvoer meer maar een beoordeling. Dat stuk blijft mensenwerk, of het wordt in ieder geval voorgelegd aan een medewerker die goedkeurt of afkeurt met reden.
Bij een bedrijf met een eenvoudig klantprofiel en weinig uitzonderingen ligt het aandeel dat AI kan overnemen dus hoger dan bij een bedrijf met complexe klantrelaties, veel maatwerkafspraken of gevoelige persoonsgegevens. Compliance speelt daar ook in mee: hoe meer een veld raakt aan AVG-gevoelige informatie of aan contractuele afspraken, hoe eerder een menselijke controleslag wenselijk is voordat een wijziging definitief wordt.
De techniek die nu al wordt ingezet is voornamelijk rpa: software die volgens vaste regels gegevens overneemt van de ene bron naar de andere, dubbele records signaleert en velden invult op basis van een vaste mapping. Dat is geen kunstmatige intelligentie die "begrijpt" wie de klant is, maar geautomatiseerde verwerking van gestructureerde invoer.
Drie randvoorwaarden bepalen of dat werkt:
Ontbreekt een van die drie, dan verschuift de taak terug naar categorie twee: AI doet het voorstel, een medewerker keurt goed of af.
Wat nu verandert is niet dat medewerkers overbodig worden, maar dat hun tijd verschuift van invoerwerk naar controlewerk. Waar een medewerker vroeger een adreswijziging met de hand overtypte, beoordeelt die medewerker nu een lijst met voorgestelde wijzigingen en klikt akkoord of niet akkoord. Dat is een andere taak, met een andere tijdsbesteding, niet per se minder werk maar wel ander werk.
Deze verschuiving loopt parallel aan wat er gebeurt bij orders invoeren in het systeem en bij orderstatus controleren en communiceren: ook daar is het patroon gestructureerde invoer, hoog volume, beperkte foutkosten, met uitzonderingen die bij een mens blijven liggen. Wie zich afvraagt hoe dit zich verhoudt tot andere klantgerichte taken, vindt een vergelijkbare afweging bij voorraad- en levertijdinformatie verstrekken, waar dezelfde spanning speelt tussen snelheid en de gevallen die net iets meer uitleg vragen. En voor wie het CRM-werk vooral als onderdeel van een breder proces ziet, is het overzicht van werk op de financiële afdeling een goed vertrekpunt, omdat klant- en factuurgegevens vaak dezelfde bronsystemen delen.
Of en hoe snel dit ingevoerd wordt binnen een organisatie is geen technische vraag alleen. Personeelsconsequenties die hier eventueel uit volgen, vallen onder de eigen wettelijke vereisten van een werkgever; daar doet deze pagina geen uitspraak over.
Deze pagina beschrijft één taak in isolatie. Het werkelijke beeld ontstaat pas wanneer deze taak wordt gezien naast de andere taken binnen een bedrijf: sommige met een vergelijkbaar profiel, andere volstrekt anders. Om daar een eerste indruk van te krijgen, is er een gratis quickscan: twaalf vragen, zonder account, met als uitkomst een indicatie welk deel van de uren in dat profiel vandaag door AI over te nemen is. De volledige werkscan, die het werk van een bedrijf in taken uiteenlegt en per taak doorrekent naar fte-capaciteit, is nog in aanbouw.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Antwoorden komen uit de kennisbank van deze site. Geen advies op maat, en geen scan van uw bedrijf.