Hoofd klantensucces zegt dat AI niet zelfstandig kan werken in CX-workflows — het heeft voortdurend toezicht nodig

Angela Guedes is hoofd klantensucces bij Enginy, waar ze momenteel de organisatie overzet van een model met intensief klantcontact naar een gesegmenteerd model. Ze is ook de maker van de nieuwsbrief From the Ground Up.

We gingen met Angela om tafel om dieper in te gaan op wat wel en niet werkt met AI in CX. Dit had ze te zeggen.

Klantensucces leiden in B2B SaaS

Ik ben Angela Guedes. Ik bouw en leid al 10 jaar organisaties voor klantensucces, altijd binnen B2B SaaS.

Momenteel ben ik hoofd klantensucces bij Enginy, een intelligent GTM-platform van begin tot eind voor B2B-verkoopteams dat volledig op AI is gebaseerd. We zijn een verticale SaaS-aanbieder binnen verkoopautomatisering en bedienen alle segmenten, van SMB tot grote ondernemingen. We bevinden ons in de seedfase en groeien dit jaar van $3M naar $10M ARR.

We hebben momenteel een model met intensief klantcontact voor de klantbeleving en stappen over op een gesegmenteerd model. Elke klant heeft toegang tot productondersteuning via chat in de app en e-mail. We koppelen klanten ook aan een implementatiemanager en een accountmanager. We bedienen onze klanten via vergaderingen, telefoongesprekken en e-mail. Eerder dit jaar introduceerden we wekelijkse webinars over implementatie om implementatie en training op te schalen.

Ik houd toezicht op accountbeheer, implementatie en productondersteuning met 12 mensen. We zijn van plan het jaar af te sluiten met 20.

Hoe twee eenvoudige veranderingen de effectiviteit van een CX-team kunnen beïnvloeden

Ik heb het afgelopen jaar twee concrete veranderingen doorgevoerd:

De eerste was klantgericht. We gebruiken FIN (de AI-agent van Intercom) om ondersteuningsvragen af te vangen. In vier maanden tijd steeg het oplossingspercentage met 10 procentpunten. Hierdoor bereikten minder eerstelijnstickets het team en waren de tickets die wel bij een medewerker terechtkwamen daadwerkelijk complex. Daardoor konden we de tijd van het team anders inzetten.

De CX-score daalde in februari echter met 9 punten. We begrepen al snel waarom: FIN gaf verkeerde antwoorden omdat verouderde inhoud aan de agent werd gevoed. FIN reageerde vol vertrouwen op vragen die het niet had moeten beantwoorden, en de escalatielogica wist dit niet te onderscheppen. Klanten kwamen vast te zitten.

We losten dit op door een inhoudsaudit en een volledige evaluatie van de escalatieregels uit te voeren: we bepaalden wat FIN moest afhandelen, wat het onmiddellijk moest doorsturen en wat er moest gebeuren wanneer het iets niet wist. We herschreven de escalatielogica om eerder over te dragen bij signalen zoals herhaaldelijk herformuleren, signalen van frustratie en specifieke onderwerpcategorieën zoals facturatie en bugs. In april was de CX-score hersteld en stond deze 5 punten boven het beginpunt.

Angela deelt

…AI in ondersteuning is geen tool om eenmalig te implementeren en vragen af te vangen. Het is een systeem met een inhoudslaag die in kwaliteit afneemt, en als je die niet onderhoudt, krijg je een zelfverzekerde bot die het vertrouwen van klanten langzaam aantast, zo langzaam dat je het pas merkt wanneer de cijfers veranderen.

De les hieruit was dat AI in ondersteuning geen tool is om eenmalig te implementeren en vragen af te vangen. Het is een systeem met een inhoudslaag die in kwaliteit afneemt, en als je die niet onderhoudt, krijg je een zelfverzekerde bot die het vertrouwen van klanten langzaam aantast, zo langzaam dat je het pas merkt wanneer de cijfers veranderen. De daling in februari liet zien dat de cijfers veranderden. Het voordeel is het duidelijke signaal. Wanneer er iets misgaat, kun je het traceren. Dat krijg je niet in dezelfde mate met een menselijk team op schaal.

De tweede verandering was intern. We verbeterden ons werkproces voor de voorbereiding van gesprekken door Claude te koppelen aan Granola, Intercom, HubSpot en ons eigen product. Voorheen besteedden AM's 20–30 minuten aan het verzamelen van context voorafgaand aan elk gesprek: notities van de vorige vergadering, openstaande ondersteuningstickets, de verkoopfase en productgebruik.

Nu verzamelt Claude dit allemaal automatisch in één briefing voorafgaand aan het gesprek. AM's gaan het gesprek in met precieze context in plaats van algemene voortgangsgesprekken. Hierdoor konden we de voorbereidingstijd verkorten en gebruiken we de uren die we besparen voor proactieve benadering en gesprekken over waarde.

Hoe AI-aangedreven analyse van klantverloop de besluitvorming verbetert

Laten we dieper ingaan op een werkproces voor de analyse van klantverloop die ik in Claude heb gebouwd. Het voor de hand liggende startpunt voor de analyse van klantverloop is het veld "reden voor klantverloop" in het CRM. Daar zit ook de meeste vertekening. De accountmanager vult dat veld in nadat de deal verloren is gegaan, onder druk om de maand af te sluiten. Het weerspiegelt hoe de AM het verlies heeft omschreven, niet noodzakelijkerwijs waarom de klant is vertrokken.

Ik begon met een handmatige AI-prompt die ik elke maand uitvoerde. De uitvoer was inconsistent; ik besteedde meer tijd aan het herstellen ervan dan ik bespaarde, dus bouwde ik een geautomatiseerde vaardigheid die rechtstreeks gegevens uit HubSpot haalt, met duidelijke regels voor de eigenschappen en activiteiten waarnaar in het CRM moet worden gekeken.

De vaardigheid haalt elke verloren en risicovolle deal op binnen een bepaalde periode, normaliseert CRM-labels en groepeert de deals op basis van meerdere dimensies, waaronder een afgeleide reden die is gebaseerd op de volledige dealgeschiedenis: notities, gespreksverslagen, activiteiten en de voltooiing van het inwerktraject. Cruciaal is dat de verantwoordelijkheid voor klantverloop opnieuw wordt toegewezen op basis van causale logica, en niet op basis van wat de AM heeft geregistreerd.

Zo werd een recente deal geregistreerd als "Geen ROI", wat de meeste mensen lezen als een CS-falen. Maar uit de dealnotities bleek dat het verkoopproces verwachtingen had gewekt waaraan het product nooit had kunnen voldoen. Dat is een probleem met verkoopkwalificatie, niet met CS. We hadden iemand nodig gehad die elke notitie van elke verloren deal las (wat niet gebeurt) om dat zonder AI te ontdekken.

De uitvoer bestaat uit een document dat klaar is voor de CEO, plus afzonderlijke extracties voor CS, Product en Verkoop, elk met de bijbehorende gevallen en analyses van de hoofdoorzaken.

Waarom de stroom van inzicht naar resultaat moet zijn bewezen voordat je AI toevoegt

Ik zet AI in waar een mens de stroom van inzicht naar resultaat al heeft bewezen. Als die stroom nog wordt getest, komt AI er niet aan te pas — dat validatiewerk kan niet worden overgeslagen. Als je automatiseert voordat je het patroon hebt bevestigd, schaal je het verkeerde gedrag op.

Dit is waar AI momenteel het werk doet:

• Analyse: prognoses voor verlengingen en detectie van patronen in klantverloop. Dit is het duidelijkste voorbeeld. Ik ben gestopt met vertrouwen op de door AM's opgegeven redenen voor klantverloop (die zich groeperen rond "budget" en "geen fit", omdat ze gemakkelijk te registreren zijn) en ben echte redenen gaan afleiden uit notities, gespreksverslagen en productgebruik. AI bracht vastgelopen onboarding aan het licht achter de helft van de labels "budget". Daardoor konden we eerder in het proces ingrijpen.
• Samenvatting: voorbereiding van vergaderingen, opvolging en wekelijkse synthese van beslissingen. Dit is de enige manier waarop één CSM de relatiedichtheid kan onderhouden die we nodig hebben om ons efficiëntiedoel te bereiken.
• Supportchat: eerstelijnsantwoorden die zijn gebaseerd op documentatie die eerst door een mens is beoordeeld. De volgorde is belangrijk.

We proberen een mens bij het proces betrokken te houden. Wanneer AI een actie voorstelt (risicomarkeringen, signalen voor uitbreiding, vervolgstappen), beoordeel en valideer ik die samen met een CSM voordat de actie de klant bereikt. AI herkent patronen sneller dan ik, maar de persoon die de relatie beheert, behoudt het beoordelingsvermogen.

Zoals ik al zei, moet ik de stroom van inzicht naar resultaat zelf bewijzen voordat ik AI integreer. Daarom zijn coaching van AM's en prestatiebeoordelingen de duidelijkste voorbeelden van taken die volledig menselijk zijn gebleven. Uiteindelijk zal ik dit delegeren, maar eerst moet ik bij mijn AM's testen of het koppelen van specifieke acties aan specifieke signalen leidt tot betere resultaten voor de portefeuille. Zolang dat patroon niet standhoudt in 1-op-1-gesprekken, schaalt automatisering slechts een gok op.

Waarom CX-leiders AI van context moeten voorzien

Delegeer nooit het denkwerk en sla context nooit over.

Onthoud dat de uitvoer van AI slechts zo goed is als de context die je aanlevert. En niets kan menselijk denkwerk vervangen. Gebruik AI zeker om je aannames uit te dagen, hiaten in je redenering te vinden en je ideeën te toetsen aan branchenormen. Maar voor relevante uitvoer moet je AI voorzien van de context uit je hoofd en uit interne documenten.

Als je AI zonder deze context simpelweg vraagt iets te bouwen, zal de uitvoer op zijn best oppervlakkig en in de meeste gevallen irrelevant zijn.

Dit is vooral belangrijk bij chatbots — werk aan je klantcontext-laag. Een agent zonder volledige klantcontext geeft niet alleen een slecht antwoord; hij geeft een zelfverzekerd, fout antwoord. En onthoud dat chatbots niet zomaar zelfstandig kunnen draaien. Iemand moet eigenaar zijn van de content waarmee de AI wordt gevoed, escalatieregels definiëren en de uitvoer actief aan kwaliteitscontrole onderwerpen.

Hoe AI hiaten in je gegevens aan het licht kan brengen

Mijn advies? Begin met je gegevens, niet met je tools.

Het nuttigste wat AI op dit moment kan doen, is blootleggen wat er mis is in je bestaande systemen — niet een rapport genereren, maar hiaten vinden. Mijn eerste churnanalyse met Claude vertelde me niet waarom klanten vertrokken; het liet me zien dat AM's churnredenen inconsistent labelden, CRM-gegevens verouderd waren en kritieke velden ontbraken. Dat is een gegevensprobleem dat ik pas volledig zag toen AI ermee probeerde te werken.

Dat is het uitgangspunt. Begrijp wat je hebt, verhelp inconsistenties en vul aan wat ontbreekt. AI is slechts zo goed als de invoer die je het geeft. Leiders die deze stap overslaan, automatiseren ruis en vragen zich af waarom de inzichten niet aanslaan.

Schone gegevens zijn geen glamoureus advies, maar wel een vereiste.

Angela deelt

Mijn advies? Begin met je gegevens, niet met je tools…Dat is het uitgangspunt. Begrijp wat je hebt, verhelp inconsistenties en vul aan wat ontbreekt…Schone gegevens zijn geen glamoureus advies, maar wel een vereiste.

Blijf op de hoogte

Blijf op de hoogte van Angela Guedes via haar LinkedIn en Substack.

Er volgen nog meer interviews met experts op CX Lead!