AI is geen oplossing voor slecht kennismanagement. Het is een vergrootglas

Het model gaf antwoord. Alleen klopte het niet

In een van onze trajecten lieten we een generatief model los op een bestaande kennisbank. De testvraag was eenvoudig: binnen hoeveel dagen moet een klant zijn factuur betalen? Het antwoord kwam vlot, netjes geformuleerd, met de zelfverzekerdheid van een medewerker die het dossier kent. Het klopte niet.

Niet omdat het model faalde. Wel omdat de kennisbank op zeven plekken iets anders zei. Het ene team hanteerde zestig dagen, een ander dertig, het callcenter veertien. Niemand had dat ooit zo bedacht, het was simpelweg meegegroeid met de organisatie. Het model kon geen consistente waarheid vinden, dus construeerde het er zelf een.

Daar ligt de kern van vrijwel elk vastgelopen AI-project in klantcontact. Niet in de techniek, maar in de input.

Waarom dit nu pijn gaat doen

Rommelige kennis is geen nieuw probleem. Medewerkers zoeken te lang, klanten krijgen verschillende antwoorden, en iedereen weet dat de kennisbank "een keer moet worden opgeschoond". Maar het was een traag probleem. Een ervaren medewerker herkende het verouderde artikel, overlegde even met een collega en corrigeerde de fout voordat de klant er last van had. Die compensatielaag hield de chaos leefbaar.

Een generatief model heeft die laag niet. Geen ervaring, geen onderbuikgevoel, geen collega om even mee te sparren. Het pakt wat het vindt en formuleert dat overtuigend. Een verouderde betalingstermijn komt eruit als feit. Een uitzondering uit 2019 wordt geciteerd alsof het de hoofdregel is.

Daarmee verandert het risicoprofiel. Fouten worden sneller gemaakt, vaker herhaald en zijn lastiger te herleiden. Wie AI loslaat op een rommelige kennisbank, schaalt niet zijn dienstverlening op, maar zijn inconsistentie.

AI is een meedogenloze auditor

Er zit ook iets waardevols in. Wat jarenlang verborgen bleef in mappenstructuren, intranetpagina’s, e-mailbijlagen en mondelinge afspraken, komt nu aan het licht. Versnipperde kennis. Dubbele artikelen. Tegenstrijdige instructies. Onduidelijk eigenaarschap. Verschillende antwoorden per kanaal.

Organisaties die daarvan schrikken, doen er goed aan dat schrikken serieus te nemen. Het is geen AI-probleem dat zich openbaart. Het is een kennismanagementprobleem dat eindelijk zichtbaar wordt.

AI-ready worden begint in onze projecten dan ook zelden bij een model of een leverancier. Het begint bij opruimen. Alle kennisbronnen in kaart brengen, inclusief de informele. Duplicaten verwijderen volgens één principe: één onderwerp, één bron. Verouderde content archiveren op een plek die niet doorzoekbaar is voor medewerkers, chatbots of AI. En conflicten niet wegpoetsen, maar inhoudelijk oplossen met een eigenaar die de knoop mag doorhakken.

Deze fase levert geen demo op. Ze levert wel ruimte op: in de praktijk verdwijnt regelmatig zo’n dertig procent van de kennis zonder dat iemand het mist.

Scheid het "wat" van het "hoe"

Een van de meest onderschatte ingrepen in kennismanagement is het strikt scheiden van inhoud en proces.

"Hoeveel belasting betaal ik over mijn vakantiegeld?" is een wat-vraag. Het antwoord is een feit, een percentage, een uitzondering. "Hoe doe ik aangifte?" is een hoe-vraag. Het antwoord is een procedure, in stappen. In oudere kennisbanken staan die twee soorten kennis door elkaar, in lange artikelen die alles tegelijk willen uitleggen. Voor een medewerker in gesprek is dat onwerkbaar. Voor een taalmodel is het gevaarlijk, omdat feiten en stappen niet betrouwbaar uit elkaar te houden zijn.

De scheiding levert meer op dan overzicht. Inhoudelijke experts bewaken feiten en regels. Contentbeheerders bewaken structuur en leesbaarheid. Compliance wordt eenvoudiger, omdat regels apart worden beheerd en herzien. En dezelfde regel is herbruikbaar in de chatbot, op de website en in de werkinstructie, vanuit één bron. Organisaties die deze stap zetten, hebben doorgaans dertig tot vijftig procent minder content nodig.

Taxonomie bepaalt of AI de vraag begrijpt

Taxonomie klinkt als een administratief detail, iets voor de archivaris. In werkelijkheid bepaalt het of AI raak schiet of mist.

Een model zonder context zoekt in de volle breedte. Een vraag over een zakelijk abonnement wordt dan beantwoord met de voorwaarden van een particulier abonnement. Een vraag over retourneren van een online bestelling met het beleid van de fysieke winkel. Plausibel geformuleerd, en fout.

Goede AI begint niet bij zoeken. Ze begint bij het positioneren van de vraag: om welk klanttype gaat het, welk product of welke regeling, welke fase in de klantreis, welk type antwoord wordt gevraagd. Pas als die context vaststaat, kan een model gericht zoeken en met enige zekerheid antwoorden.

Daar hoort een tweede discipline bij. Registreer klantvragen consequent. Veel organisaties werken met vrije tekst en een grote rubriek "overig", en dat is een doodlopende weg. Wie wil sturen op contactreductie, forecasting en de kwaliteit van chatbotantwoorden, heeft een gesloten lijst met precieze categorieën nodig. Liever vijftig scherpe categorieën dan vijfhonderd vrije tekstregels.

En de titel van een kennisartikel weerspiegelt de klantvraag. Niet "Beleid bij niet-tijdige betaling", maar "Wat gebeurt er als ik mijn rekening te laat betaal?". Taalmodellen matchen vragen op vragen aanzienlijk beter dan vragen op de titels van interne procedures.

Eén versie van de waarheid is een governancevraagstuk

Marketing schrijft de website. Operations onderhoudt de kennisbank. Een leverancier beheert de chatbot. Een trainingsteam maakt de werkinstructies. Iedereen doet zijn werk zorgvuldig, en toch zegt elk kanaal iets anders.

De klant merkt dat direct. Op de website staat tien werkdagen verwerkingstijd, telefonisch hoort hij veertien, de chatbot meldt zeven, en een taalmodel dat een oude pagina heeft gelezen noemt weer een ander getal. Wie gelijk heeft, doet er op dat moment niet meer toe. Het vertrouwen is weg.

De oplossing is geen nieuw platform, maar een centrale kennisarchitectuur waarin één gevalideerde bron alle kanalen voedt. Kanalen mogen verschillen in toon en lengte. Een telefonisch script is korter dan een werkinstructie, en een chatbot klinkt anders dan een juridische pagina. Maar de regels, feiten, termijnen en uitzonderingen komen uit dezelfde bron, zodat een wijziging op één plek overal doorwerkt.

Dat vraagt organisatorische moed. Marketing en operations trekken samen op, en de chatbotleverancier beheert niet langer zijn eigen content. Dit is zelden een technisch project. Het is een governanceproject.

AI doet het voorwerk, mensen beslissen

AI is uitstekend in werk waar mensen traag of slordig in zijn. Vergelijkbare artikelen clusteren. Duplicaten herkennen. Inconsistenties signaleren, ook als de formulering verschilt. Lange, juridische teksten terugbrengen naar begrijpelijke taal. Titels voorstellen die aansluiten bij de klantvraag. Dat schaalt op een manier die met handwerk niet te evenaren is.

Er zijn ook zaken waar AI niet zelfstandig verantwoordelijk voor kan zijn. Niet omdat het model ze niet aankan, maar omdat de gevolgen van een fout te zwaar zijn: juridische en fiscale juistheid, beleidsinterpretatie waarin nuance bepalend is, en de definitieve publicatie richting klanten.

Daarom werken we met een eenvoudige verdeling. AI signaleert, mensen valideren. AI suggereert, mensen publiceren. Daarbij hoort één harde regel: het model mag niet improviseren. Ontbreekt informatie, dan meldt het dat expliciet in plaats van een plausibel antwoord te construeren. Leg daarnaast vooraf vast wat een goed antwoord altijd moet bevatten. Zonder die acceptatiecriteria is AI een orakel zonder controle. Mét die criteria is het gereedschap met heldere grenzen.

Van kostenpost naar stuurinstrument

Wie kennismanagement serieus inricht, krijgt er iets bij wat zelden op de businesscase staat: data. Niet de zachte aanname dat klanten dit wel zullen willen weten, maar harde informatie over wat klanten werkelijk vragen, hoe vaak, en in welke fase van hun klantreis.

In de praktijk zit zestig tot zeventig procent van het contactvolume in een beperkt aantal contactredenen. Meestal status ("waar blijft mijn aanvraag?"), proces ("wat is de volgende stap?") of onzekerheid ("klopt dit wel?"). Veel van die vragen zijn te voorkomen. Niet met betere antwoorden, maar met betere processen.

Veroorzaken facturen veel contact, dan los je niet het kennisartikel op. Je lost de factuur op. Onduidelijke regels, ongelukkige timing, verwarrende formuleringen: daar zit de oorzaak. Kennismanagement maakt dat zichtbaar door vragen te tellen, te classificeren en te herleiden naar hun drivers. Zo ontstaat verband tussen contactvolume en oorzaak, tussen first contact resolution en de kwaliteit van content en taxonomie, en tussen forecasting en de operationele kalender. Kennismanagement is dan geen contentproject meer, maar een operationeel sturingsmiddel.

En nu jij: beginnen kan klein

Je hebt geen AI-strategie nodig om deze week te beginnen. Kies één vraag uit je top tien en tel hoeveel verschillende antwoorden je organisatie erop geeft, over alle kanalen samen. Dat resultaat opent vrijwel altijd het gesprek. Wijs voor je drie belangrijkste kennisdomeinen één eigenaar aan, met naam, tijd en mandaat, geen commissie. Leg een gesloten lijst van klantvraagcategorieën vast en schrap "overig". En doe een nul-meting op vindbaarheid, accuratesse en contactvolume, zodat je over zes maanden weet of het beter is geworden.

Organisaties die AI succesvol inzetten in klantcontact, beginnen zelden bij het model. Ze beginnen bij kennis, eigenaarschap en processen. Technologie versnelt wat er staat. Ze repareert niet wat ontbreekt.

AI is niet de oplossing voor slecht kennismanagement. AI is het vergrootglas.

De stappen zijn bekend, de aanpak is beproefd en de winst is meetbaar. Beginnen kan klein. Volharden is de echte uitdaging.

Wil je weten hoe AI-ready jouw kennisorganisatie werkelijk is? Neem één echte klantvraag, loop alle kanalen langs en kijk kritisch naar wat je aantreft. Dat is een leerzaam uur.