Complexe storingen kwamen te vaak bij dezelfde experts terecht
De fabrikant werkt met een gelaagd supportmodel. Algemene vragen worden in de eerste lijn afgehandeld, technischere problemen gaan naar de tweede lijn en de lastigste storingen komen bij gespecialiseerde derdelijns experts terecht.
Juist daar ontstond een knelpunt. Het aantal technische vragen was hoog en het vinden van de juiste informatie kostte tijd. Wachttijden van vier tot acht uur waren daardoor mogelijk, met directe gevolgen voor klanten die hun machines nodig hebben voor hun bedrijfsvoering.
De agent is uitgerust met technische kennis uit de serviceorganisatie
Macaw analyseerde eerst de bestaande supportprocessen en de vragen die bij derdelijns support terechtkwamen. Daarna werd een maatwerk AI-oplossing gebouwd op Azure OpenAI en Microsoft-technologie.
De serviceagent is voor zijn taak ingericht met kennis uit verschillende interne bronnen, waaronder ACD-handleidingen, troubleshooting manuals, training- en servicemanuals en eerder afgehandelde TopDesk-tickets.
technische vraag → relevante servicekennis → AI-analyse → mogelijke oorzaak en antwoord → servicemedewerker
In praktische zin is de agent daarmee getraind voor deze servicecontext: hij krijgt de juiste kennis, terminologie en instructies mee. Dat betekent niet automatisch dat het onderliggende foundation model opnieuw is getraind.
Sneller van vraag naar mogelijke oorzaak
Een belangrijk onderdeel van de oplossing is Root Cause Analysis. De agent helpt servicemedewerkers om relevante documentatie en vergelijkbare eerdere cases sneller te vinden en mogelijke oorzaken van een storing te onderzoeken.
De broncase rapporteert kortere wachttijden, snellere probleemoplossing en een betere inzet van gespecialiseerde serviceteams. Er zijn geen gepubliceerde percentages voor de gerealiseerde tijdsbesparing, dus we maken daar geen kunstmatige KPI van.
De operationele winst zit vooral in de verdeling van het werk: eenvoudige of terugkerende vragen hoeven minder vaak bij de meest gespecialiseerde experts terecht te komen.
Van chatbot naar AI-serviceagent
De oorspronkelijke oplossing is vooral sterk in kennis ophalen en technische medewerkers ondersteunen. Moderne agents kunnen daar inmiddels tools en acties aan toevoegen.
In Microsoft Foundry Agent Service bestaat een agent uit een model, instructies en tools. Daarmee kan een volgende versie niet alleen documentatie raadplegen, maar bijvoorbeeld ook een API aanroepen, informatie uit een servicesysteem ophalen of een vervolgstap in een workflow starten.
Dat maakt de stap van vraagbeantwoording naar echte service automation kleiner:
vraag → diagnose → tool of actie → menselijke controle waar nodig → vervolg
Voor bredere serviceprocessen sluit dat aan op Build your Agentic Workforce: AI-agents inzetten voor voorspelbaar werk, terwijl experts regie houden over uitzonderingen en complexe beslissingen.
Future-proof door kennis en model van elkaar los te koppelen
De oorspronkelijke oplossing gebruikt Azure OpenAI. Een nieuwe generatie kan in Microsoft Foundry uit een veel bredere modelcatalogus kiezen.
Daarmee kan dezelfde servicekennis en workflow bijvoorbeeld worden gecombineerd met GPT-modellen van OpenAI of Claude van Anthropic. Het model kan later worden vervangen of uitgebreid zonder dat alle manuals, instructies en proceslogica opnieuw hoeven te worden opgebouwd.
Dat is vooral relevant voor technische support, waar per taak andere eisen kunnen gelden aan redeneervermogen, snelheid, kosten en contextlengte.
Technische service-data vraagt om governance
Manuals zijn één ding; historische servicetickets kunnen ook klant-, machine- of operationele informatie bevatten. Daarom moet duidelijk zijn welke bronnen de agent mag gebruiken, welke medewerkers toegang krijgen en hoe antwoorden worden gecontroleerd.
Voor Azure-hosted modellen die door Azure worden aangeboden, gebruikt Microsoft prompts en antwoorden niet om foundation models te trainen zonder toestemming. Welke deployment en welk model wordt gekozen blijft daarbij relevant voor dataresidentie en governance.
Establish a Trusted Foundation richt zich op die basis: data geschikt maken voor AI en tegelijk governance, security, compliance en verantwoordelijkheden goed organiseren.
Relevant als technische support vastloopt op kennis en capaciteit
Deze aanpak past bij organisaties waar specialistische supportmedewerkers veel tijd kwijt zijn aan het terugzoeken van technische kennis en terugkerende vragen.
Een AI-serviceagent hoeft experts niet te vervangen. De eerste winst kan juist zitten in het beter uitrusten van servicemedewerkers, zodat complexe kennis sneller beschikbaar is en specialisten pas worden ingeschakeld wanneer dat echt nodig is.
Weet je nog niet of service automation voor jouw organisatie de juiste eerste AI-use case is? Met de AI Maturity Assessment zie je waar je staat op onder meer data, governance, processen en mensen. Het AI Value Program helpt daarna om de meest kansrijke use cases te prioriteren en naar implementatie te brengen.