Twee van de drie AI-antwoorden zijn in één keer goed genoeg om te versturen.
Een taalmodel kan in seconden een vriendelijk antwoord schrijven. Het moeilijke is dat het antwoord ook klopt: met de juiste productkennis, supportregels, actuele klantinformatie en de status van technische problemen. Robo Helma brengt die bronnen samen en maakt een conceptantwoord dat een medewerker controleert voordat het naar de klant gaat.
Case in het kort
67% zonder aanpassing verstuurd
18%
15%
Skills, vector search en live context
Waar zat het echte probleem?
Support automatiseren lijkt op het eerste gezicht een promptprobleem. In de praktijk zit de moeilijkheid ergens anders. Een goed antwoord vraagt om verschillende soorten kennis die elk een andere bron, actualiteit en betrouwbaarheid hebben.
Bekijk de aanpakProductkennis verandert continu
FAQ's, handleidingen, policies, known issues en andere documentatie moeten beschikbaar zijn voor de AI zonder alles in één enorme prompt te stoppen of kennis handmatig in code vast te leggen.
Niet alle kennis is documentatie
Tone of voice, supportbeleid, escalatieregels en werkwijze zijn instructies. Klantgegevens en actuele incidenten zijn juist live data. Die verschillende soorten context kun je niet betrouwbaar behandelen alsof ze allemaal hetzelfde zijn.
Een overtuigend antwoord kan nog steeds fout zijn
Een model kan heel netjes iets verzinnen wat plausibel klinkt. Voor support is dat niet genoeg. De AI moet weten welke bronnen leidend zijn, wanneer informatie ontbreekt en wanneer een mens moet controleren of overnemen.
Hoe hebben we het aangepakt?
- 01
Kennis opdelen naar functie
We behandelen gedrag en supportregels als OpenAI Skills, productdocumentatie als doorzoekbare kennis in een vector store en actuele klant- of systeeminformatie als externe context. Daardoor heeft iedere soort informatie een duidelijke plek.
- 02
Context ophalen vóór het antwoord
Per supportvraag verzamelt Helma eerst de relevante context. Productkennis komt via File Search, klantinformatie kan via een externe MCP-koppeling worden opgehaald en actuele incidentinformatie komt uit een aparte gecontroleerde bron.
- 03
Engineering en support verbinden
Een supportticket kan aan een bestaand GitHub-issue worden gekoppeld. Helma volgt de technische status read-only. Als engineering een issue sluit of heropent, kan die nieuwe status worden meegenomen in een klantveilig conceptantwoord zonder interne ontwikkelinformatie bloot te geven.
- 04
De mens houdt de eindcontrole
Helma maakt een conceptantwoord voor human review. De medewerker kan het direct versturen of aanpassen. Het oorspronkelijke AI-antwoord en het uiteindelijk verzonden antwoord worden beide bewaard, zodat we meten hoe bruikbaar de AI werkelijk is.
Wat hebben we gebouwd?
Robo Helma is een complete supportworkflow waarin AI, kennis, integraties, ticketing en feedback samenkomen, geen losse chatbot naast een bestaande helpdesk.
Een configureerbare kennislaag
Iedere brand kan eigen OpenAI Skills en een eigen vector store gebruiken. Skills bevatten bijvoorbeeld supportgedrag, tone of voice en escalatiebeleid. De vector store bevat productkennis zoals FAQ's, policies, known issues en documentatie.
Context uit echte systemen
Helma kan productkennis combineren met klantgebonden informatie, actuele incidenten, eerdere klantinteracties en gekoppelde engineeringcontext. Zo hoeft het model kritieke feiten niet zelf te bedenken.
Een volledige supportomgeving
Rond de AI bouwden we een multi-tenant inbox, ticketstatussen, interne notities, attachments, reporting, feedbackregistratie en koppelingen voor onder andere e-mail, Facebook Messenger, app-store reviews en GitHub.
Betrouwbare AI vraagt meer dan goede prompts
Klanten kunnen alles in een bericht zetten en externe bronnen kunnen verouderde of onbetrouwbare informatie bevatten. Daarom behandelen we die input niet automatisch als instructie voor het model.
Prompt injection wordt expliciet gecontroleerd
Helma controleert klantberichten op pogingen om instructies, veiligheidsregels, tools of verborgen prompts te manipuleren.
Iedere bron heeft een eigen rol
Productdocumentatie bepaalt productfeiten, klantdata bepaalt klantgebonden informatie en GitHub geeft alleen technische status. De ene bron mag niet zomaar iets overnemen van de andere.
Geen automatische beloften uit engineeringdata
Een gesloten GitHub-issue betekent bijvoorbeeld niet automatisch dat een fix al gedeployed of beschikbaar is. Die grens is expliciet opgenomen in de AI-workflow.
Wat levert het op?
67% kan direct naar de klant
Momenteel wordt 67% van de door Robo Helma gegenereerde supportantwoorden zonder aanpassing verstuurd. De medewerker hoeft het antwoord alleen nog te controleren en te verzenden.
Nog eens 18% heeft alleen een aanpassing nodig
Bij 18% is het gegenereerde antwoord grotendeels bruikbaar, maar past een medewerker nog iets aan voordat het wordt verstuurd.
De resterende 15% laat zien waar we verder kunnen verbeteren
Ongeveer 15% van de antwoorden wordt volledig aangepast. Omdat we het oorspronkelijke AI-concept en het uiteindelijke antwoord bewaren, kunnen we precies zien waar Helma nog tekortschiet en daarop verder verbeteren.
Bewijs
De betrouwbaarheid komt uit de engineering rondom het model. Robo Helma bewaart per AI-run welke context is gebruikt en meet wat medewerkers uiteindelijk met het gegenereerde antwoord doen.
Bekijk cases67% directe AI-acceptance
Twee van de drie gegenereerde antwoorden worden momenteel zonder inhoudelijke aanpassing verstuurd. Nog eens 18% wordt slechts enigszins aangepast.
Broninformatie is zichtbaar
In de AI-analyse kan een medewerker zien welke kennisreferenties via File Search gebruikt zijn, inclusief de gebruikte bestanden en beschikbare relevantiescores.
Verbetering is onderdeel van het systeem
Reporting vergelijkt het gegenereerde concept met het werkelijk verzonden antwoord en classificeert het als accepted, edited of rejected. Daardoor kunnen we meten of de AI beter wordt en waar verbetering nodig is.
Gerelateerde AI-vraagstukken
AI-agent laten bouwen
Je weet welke taak of workflow de agent moet uitvoeren. Nu moet hij technisch goed worden ontworpen, gekoppeld en betrouwbaar genoeg worden voor echt gebruik.
Bekijk vraagstukInterne AI-assistent laten ontwikkelen
Je wilt medewerkers sneller toegang geven tot interne kennis, documenten en systemen via een assistent die past bij jullie organisatie.
Bekijk vraagstukEigen documenten, data en kennis bruikbaar maken voor AI
De waardevolle informatie is er al. Nu moet AI er betrouwbaar, veilig en praktisch mee kunnen werken.
Bekijk vraagstukAI toevoegen aan bestaande software, app of SaaS
Het product bestaat al. Nu wil je AI-functionaliteit toevoegen zonder de bestaande architectuur, gebruikerservaring en betrouwbaarheid uit het oog te verliezen.
Bekijk vraagstukWe missen tests, evals of monitoring
De AI-functionaliteit draait, maar niemand kan objectief zien of wijzigingen beter worden, slechter worden of stilletjes iets breken.
Bekijk vraagstukBuild & Integrate
Heb je zelf een AI-vraagstuk waarbij meerdere kennisbronnen, bestaande systemen en betrouwbare AI samen moeten komen? Dan ontwerpen en bouwen we de benodigde workflow en integraties rondom jouw situatie.
Bekijk aanbodVaste prijs na scope
- Resultaat
- Productieklare AI geïntegreerd in je bestaande omgeving
- Doorlooptijd
- Afhankelijk van scope
- Volgende stap
- Eerst bepalen we welke kennis, systemen en controles echt nodig zijn