Je automatiseert support-QA door AI elk ticket te laten beoordelen met je eigen scorekaart en die scores te controleren tegen je menselijke reviewers voordat je erop vertrouwt. Mensen houden de kalibratie, betwiste scores, risicovolle tickets en coaching. De AI vervangt de magere steekproef, niet jouw oordeel over wat een goed ticket is.
#Belangrijkste punten
- AI-beoordeling leest elk ticket, dus QA hangt niet meer af van een kleine steekproef.
- De scorekaart blijft van jou: het hoofd support schrijft hem en keurt hem goed.
- Controleer de AI tegen je eigen reviewers op dezelfde tickets voordat je op één enkele score vertrouwt.
- Klachten, risicovolle gevallen en betwiste scores gaan altijd naar een persoon, en coaching blijft een gesprek tussen mensen.
#Waarom is een steekproef voor QA niet genoeg?
Een gebruikelijke review leest maar een klein deel van de tickets. Illustratief voorbeeld, de cijfers zijn aannames: een team sluit 12.000 tickets af en reviewers lezen er 120. Dat is 1 procent. De andere 99 procent wordt nooit beoordeeld, dus een slechte gewoonte kan lang onopgemerkt blijven.
AI-beoordeling leest ze allemaal. De winst is dekking, geen vervanging van je reviewers. Het doel is hun aandacht te richten op de tickets die een mens nodig hebben, in plaats van op de tickets die toevallig in de steekproef zaten.
#Hoe zet ik AI-beoordeling op met mijn eigen scorekaart?
Begin met de scorekaart die je al gebruikt. Schrijf elk criterium als een duidelijke vraag met een vaste schaal. Claude Developer Docs, Anthropic, accessed october 2026 zegt dat je evaluaties zo opzet dat beoordelen geautomatiseerd kan worden, inclusief door een LLM beoordeelde schalen zoals een toonscore van 1-5 op een supportantwoord.
Hergebruik voor de criteria wat Anthropic in de gids voor klantenservice-agents beoordeelt op een steekproef van gesprekken: of de bedoeling begrepen is, of het antwoord relevant was en of escalaties terecht of onterecht waren. Voeg eigen criteria toe, zoals of het beleid is gevolgd.
Het hoofd support keurt de scorekaart goed. De AI bepaalt niet wat goed is. Het werk van Stennir op het gebied van AI-advies begint hier, met een scorekaart in gewone woorden waar je reviewers het al over eens zijn.
#Hoe weet ik of de AI-scores te vertrouwen zijn?
Laat voordat je een score vertrouwt twee reviewers blind dezelfde 100 tickets beoordelen, en laat ook de AI ze beoordelen. Vergelijk daarna. Illustratief voorbeeld, de cijfers zijn aannames: de AI zit bij 90 van de 100 binnen één punt van de reviewers. Zit je onder je norm, formuleer de scorekaart dan opnieuw en draai de test nog eens.
Dezelfde Anthropic-pagina zegt dat het een best practice is om te beoordelen met een ander model dan het model dat de uitvoer maakte. Als een bot antwoorden opstelt, laat datzelfde model ze dan niet beoordelen. Herhaal de blinde controle apart voor Arabisch en Engels.
#Wat moet bij mensen blijven?
- Kalibratie: reviewers beoordelen regelmatig een nieuwe steekproef opnieuw en vergelijken die met de AI.
- Geschillen: als een medewerker een score aanvecht, beslist een benoemde reviewer.
- Risicovolle tickets en klachten: die gaan naar een persoon en worden niet automatisch beoordeeld.
- Coaching: de AI vindt het patroon, een teamleider voert het gesprek.
We are
Stennir bepaalt samen met jou de scorekaart, bouwt de beoordeling en controleert die tegen je eigen reviewers, zodat jij beslist wat er beoordeeld mag worden.
We aren't
Een QA-dashboard dat medewerkers beoordeelt op eigen regels, of mensen rangschikt zonder dat iemand het resultaat controleert.
#Wat kan een hoofd support nu doen?
Schrijf je huidige scorekaart uit als gewone vragen en haal 100 tickets op die je reviewers al hebben beoordeeld. Dat is genoeg om het idee te testen. Bekijk hoe AI voor klantenservice past bij jouw wachtrij en laat het AI-advies van Stennir het samen met je afbakenen. Plan een gesprek van 30 minuten, of doe de gratis gereedheidsscan.
#Veelgestelde vragen
Wat heeft het van ons nodig voordat het tickets kan beoordelen?
Het heeft je scorekaart nodig als duidelijke vragen, een set tickets die je reviewers al hebben beoordeeld en leestoegang tot de tickettekst. Ook is een regel nodig voor welke tickets niet worden beoordeeld en direct naar een persoon gaan. De scorekaart telt het zwaarst, want de AI kan alleen toepassen wat jij vastlegt.
Wie bepaalt wat een goed ticket is, en wie keurt de scorekaart goed?
Het hoofd support bepaalt dat, samen met de reviewers die het werk kennen. De AI past de scorekaart toe en schrijft hem niet. Stennir helpt je normen om te zetten in duidelijke vragen met een schaal, maar jouw team keurt goed, en elke latere wijziging doorloopt dezelfde goedkeuring.
Beoordeelt het Arabische en Engelse gesprekken op dezelfde manier?
Stennir ondersteunt Arabisch en Engels volledig, andere talen op aanvraag. Controleer toch elke taal apart, want een score die in het Engels overeenkomt met je reviewers, klopt in het Arabisch misschien niet. Doe dezelfde blinde vergelijking op Arabische tickets en pas de formulering aan voordat je op die scores vertrouwt.
Wat gebeurt er als een medewerker het niet eens is met een score?
De medewerker meldt het, en een benoemde reviewer beoordeelt het ticket opnieuw met de hand. Die menselijke score vervangt de AI-score. Bewaar de betwiste tickets en gebruik ze om de formulering van de scorekaart aan te scherpen. Als geschillen zich rond één criterium ophopen, is dat criterium waarschijnlijk onduidelijk.
Wat kan er misgaan, en welke tickets moeten altijd naar een menselijke reviewer?
De AI kan sarcasme, lokale formuleringen of een ontbrekend beleidsdetail verkeerd lezen en te mild of te streng scoren. Stuur klachten, juridische dreigementen en veiligheidskwesties naar een persoon. Zie de AI-score als aanleiding voor coaching, niet als oordeel over een medewerker.
