Tech-CXO zegt dat leiders te veel automatiseren in plaats van slecht productontwerp te verbeteren
Shankar Sahai legt uit waarom CX-leiders slecht productontwerp en rommelige data moeten aanpakken voordat ze AI inzetten om problemen in klantreizen te automatiseren.
Shankar Sahai
CXO bij UpendNow.com
AI-onderzoek: AI verkort de tijd voor kwalitatief onderzoek van weken naar minuten door specifieke gebruikersfrictie in real time zichtbaar te maken.
Menselijk oordeel: Mensen moeten de context van de sector interpreteren, klantreizen opnieuw ontwerpen en gevoelige beslissingen over serviceherstel beheren.
Contextuele ondersteuning: AI voorziet ondersteuningsmedewerkers van de volledige sessiecontext, waardoor ze sneller en relevanter kunnen helpen zonder klanten in chatbots vast te zetten.
Ontwerp eerst: Beter productontwerp werkt vaak beter dan personalisatie wanneer gebruikers eenvoudigere werkstromen, duidelijkere interfaces en sneller zoeken nodig hebben.
Datafundament: Succesvolle AI-pilots vereisen opgeschoonde, verenigde data; anders versterkt automatisering tegenstrijdigheden, ruis en slechte beslissingen.
Shankar Sahai is CXO bij UpendNow.com, een AI-platform voor productieorkestratie dat het maken van video’s, films en advertenties stroomlijnt. Zijn focus ligt op het voorkomen dat de organisatie dure dingen bouwt die niemand wil. En dat doet hij met AI.
We gingen met Shankar in gesprek om te ontdekken wat hij automatiseert — en waar design belangrijker is dan automatisering.
Ervoor zorgen dat de menselijke ervaring overeenkomt met de beloften uit de bestuurskamer
Hallo allemaal, ik ben Shankar Sahai en ik ben directeur klantbeleving bij UpendNow.com.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Als ik wat ik elke dag doe in één zin zou moeten samenvatten, dan is het dit: ik voorkom dat bedrijven ongelooflijk dure dingen bouwen die niemand wil of weet te gebruiken. Het grootste deel van mijn tijd besteed ik op het chaotische kruispunt van productontwikkeling, klantonderzoek en operationele strategie.
Bij UpendNow zijn we diep actief binnen de B2B-wereld. We helpen organisaties bij het navigeren door grootschalige digitale transformaties en het herstellen van verstoorde klantreizen. Wanneer we het over "schaal" hebben, gaat het minder om het tellen van een enorm aantal supporttickets — hoewel we er genoeg zien — en meer om het aanpakken van enorme operationele complexiteit. We onderzoeken ecosystemen met meerdere kanalen waarin klanten in dezelfde week kunnen wisselen tussen een webportaal, een mobiele app, directe ondersteuning en een verkoopmedewerker, terwijl ze verwachten dat het bedrijf zich op magische wijze elke interactie herinnert.
Als CXO help ik managementteams om CX niet langer te zien als slechts een kostenpost in de vorm van een "supportdesk", maar het te gaan behandelen als een kernonderdeel van de bedrijfsvoering. Wij verzetten het zware werk — van diepgaand gebruikersonderzoek tot workflowautomatisering en agile transformaties — om ervoor te zorgen dat de menselijke ervaring overeenkomt met de grote beloften die in de bestuurskamer worden gedaan.
Hoe AI kan worden geïntegreerd in kwalitatief gebruikersonderzoek
We hebben een interne AI-pijplijn gebouwd die onbewerkte gespreksgegevens automatisch in realtime verzamelt, categoriseert en op sentiment in kaart brengt… Daardoor verdween het giswerk. Onze tijd tot inzicht ging van drie weken naar enkele minuten. Onlangs ontdekten we zelfs binnen 48 uur na de lancering een grote UX-fout in een nieuw portaal, hebben we die onmiddellijk verholpen en een enorme piek in supporttickets voorkomen.
Onze grootste verandering was niet het installeren van een flitsende chatbot voor klanten. In plaats daarvan hebben we AI diep geïntegreerd in ons kwalitatieve gebruikersonderzoek en onze analyse na interacties.
We hadden een berg ongestructureerde gegevens — duizenden uren aan gebruikersinterviews, supporttranscripten en open feedback. Het handmatig doorspitten daarvan naar bruikbare inzichten kostte vroeger weken. Tegen de tijd dat we de frictiepunten in kaart hadden gebracht, waren de gegevens verouderd.
We hebben een interne AI-pijplijn gebouwd die onbewerkte gespreksgegevens automatisch in realtime verzamelt, categoriseert en op sentiment in kaart brengt. In plaats van alleen "blij versus verdrietig" te markeren, identificeert het specifieke gedragsmatige obstakels — bijvoorbeeld waar een gebruiker in de war raakt door terminologie in de gebruikersinterface of uitvalt tijdens een onboardingworkflow.
Wat tooling betreft gebruiken we de Whisper-API van OpenAI voor audio- en videotranscriptie. Voor analyse en categorisering gebruiken we Claude (3.5 Sonnet) van Anthropic.
Daardoor verdween het giswerk. We vervingen vermoedens uit de bestuurskamer door harde gegevens. We hebben nu een live dashboard dat precies laat zien waarom en waar gebruikers problemen ondervinden. En het heeft onze snelheid verhoogd. Onze tijd tot inzicht ging van drie weken naar enkele minuten. Onlangs ontdekten we zelfs binnen 48 uur na de lancering een grote UX-fout in een nieuw portaal, hebben we die onmiddellijk verholpen en een enorme piek in supporttickets voorkomen.
Een persoonlijke, door AI ondersteunde CX-workflow
Onze hele wereld bij UpendNow.com draait om Solt OS, ons platform dat filmmakers en reclamebureaus helpt de nachtmerrie van de preproductie te automatiseren — van een rommelig script naar storyboards, shotlijsten en budgetten. Omdat filmmaken zo visueel en rommelig is, werkt een standaardworkflow voor supporttickets niet voor ons. Wanneer een regisseur vastloopt bij het genereren van een previsualisatievideo en de consistentie van personages steeds verloren gaat, willen ze geen generieke IT-helpdesk.
We handelen dit nu naadloos af. Dit is de workflow.
Zodra een maker een probleem meldt of vastloopt, leest onze interne AI niet alleen diens tekstuele klacht; hij haalt de volledige context van de creatieve sessie binnen. Hij bekijkt het geüploade script, de gebruikte prompts en de storyboards die zijn mislukt.
Van daaruit voert de AI het zware analytische werk uit. Het stelt het exacte creatieve knelpunt vast — bijvoorbeeld wanneer blijkt dat de filmmaker een niet-standaard scènekop heeft gebruikt die de locatietracking van het systeem in de war bracht.
Vervolgens geeft het systeem, in plaats van de gebruiker te laten wachten of met een bot te laten praten, alles door aan een van onze menselijke teamleden. Maar het doet dat met een volledig spiekbriefje. De menselijke medewerker opent de case en ziet direct welke scènenummers in een lus terechtkomen, wat de opmaakfout is en welke oplossing alvast is opgesteld.
De filmmaker krijgt snel een antwoord met veel context van een mens die hun cinematografische taal spreekt, en wij zorgen ervoor dat hun creatieve momentum niet verloren gaat. Om de cirkel rond te maken, registreert de AI die specifieke opmaakfout automatisch in onze engineeringbacklog, zodat we de productinterface kunnen aanpassen en kunnen voorkomen dat dit bij de volgende regisseur gebeurt.
En op geen enkel moment komt de klant vast te zitten in een gesprek met een bot of hoeft die complexe creatieve vaktermen aan een supportmedewerker uit te leggen.
Hoe AI CX-beslissingen informeert terwijl mensen de strategie bepalen
We hanteren een strikte vuistregel: AI houdt zich bezig met het "Wat" en het "Waar", maar mensen zijn verantwoordelijk voor het "Waarom" en het "Hoe".
Hier zijn enkele voorbeelden van wat AI goed afhandelt:
- Prioritering van problemen en signaleren van trends: AI scant in realtime duizenden binnenkomende supporttranscripten en gebruikerssessies. Het markeert onmiddellijk afwijkingen — zoals een plotselinge stijging van 15% in het aantal gebruikers dat vastloopt op een betaalpagina — lang voordat een menselijke manager het patroon opmerkt. Hiervoor gebruiken we PostHog.
- In kaart brengen van knelpunten in de klantreis: AI analyseert gebruikersgedrag op onze platforms en laat precies zien waar uitval plaatsvindt. Het neemt giswerk weg. Momenteel stappen we over op FullStory (StoryAI en API) voor onze tooling.
Aan de menselijke kant:
- Herontwerp en strategie van de klantreis: AI kan me vertellen waar mensen afhaken, maar mist de zakelijke context en creatieve empathie om de ervaring opnieuw te ontwerpen. Het herstellen van een gebrekkige B2B-klantreis vereist politiek over afdelingen heen, technische compromissen en een diep begrip van menselijk gedrag. AI kan niet in een ruimte gaan zitten en drie verschillende afdelingen ertoe bewegen het over een oplossing eens te worden.
- Serviceherstel en escalatie: Als een systeemstoring de activiteiten van een klant met hoge waarde verstoort en die klant woedend maakt, willen zij geen perfect gegenereerde AI-excuses. Herstel in situaties met hoge inzet vereist oprechte menselijke empathie, verantwoordelijkheid en de bevoegdheid om van de regels af te wijken om de situatie recht te zetten.
Met andere woorden: we automatiseren geen menselijke relaties. We gebruiken AI om analytisch routinewerk af te handelen, zodat ons team tijd heeft om zich te richten op het waardevolle, diep menselijke werk van relaties opbouwen en complexe problemen oplossen.
Hoe AI moeite heeft met sectorspecifieke context
De integratie van AI in onze kwalitatieve data-analyse en prioritering van problemen heeft ons operationele tempo volledig veranderd.
Ons team besteedde vroeger weken aan het handmatig taggen van gegevens om structurele UX-problemen of knelpunten in het onboardingproces tussen accounts te signaleren. Nu markeert AI deze terugkerende knelpunten vrijwel onmiddellijk. Door deze problemen sneller op te merken, kunnen we bugs repareren en verwarrende workflows verbeteren voordat ze uitgroeien tot een stortvloed aan klantklachten. Dit heeft onze product- en onderzoeksteams fundamenteel weggehaald bij het vervelende invoeren van gegevens in spreadsheets, waardoor zij zich kunnen richten op het ontwerpen van oplossingen.
Maar het verliep niet allemaal probleemloos. Ons grootste probleem was analytische ruis en een gebrek aan echte context.
In het begin vertrouwden we te sterk op het vermogen van AI om sentiment en trends te taggen. We merkten een scherpe stijging op in negatieve sentimenttags rond een nieuw uitgebrachte functie. Het team stond op het punt de update terug te draaien. Maar een grondige menselijke analyse bracht aan het licht dat AI het sectorspecifieke jargon en de technische frustraties van onze ervaren gebruikers volledig verkeerd had geïnterpreteerd. Ze waren niet boos op de functie; ze spraken gewoon gepassioneerd over hun eigen complexe workflows.
Blind vertrouwen op het geautomatiseerde dashboard zonder menselijke controle zou weken hebben verspild aan het herschrijven van code die gewoon goed werkte. AI vindt patronen, maar heeft grote moeite met diepgaande, sectorspecifieke context.
Waarom productontwerp belangrijker kan zijn dan geavanceerde AI
Contextuele hyperpersonalisatie is een ander gebied waarop AI ondermaats presteert.
De belofte was dat AI naadloos kon kijken naar het eerdere gedrag van een B2B-klant, het huidige productgebruik en de ondersteuningsgeschiedenis om de onboarding- of dashboardervaring in realtime dynamisch af te stemmen. We verwachtten dat het intuïtief zou aanvoelen — als een digitale conciërge die precies anticipeerde op wat een gebruiker vervolgens nodig had. In plaats daarvan voelde het meestal opdringerig of irrelevant.
In een complexe B2B-technologieomgeving verandert de gebruikersintentie van uur tot uur drastisch. Een gebruiker kan inloggen om snel een repetitieve administratieve taak uit te voeren, maar de AI — die behulpzaam probeert te zijn op basis van bredere accounttrends — maakt het scherm onoverzichtelijk met aanbevelingen voor een geavanceerde functie waar de gebruiker op dat moment niets aan heeft. Het verhoogde de cognitieve belasting in plaats van die te verminderen.
We realiseerden ons dat gebruikers bij het navigeren door een platform niet willen dat AI raadt wat ze vervolgens willen doen; ze willen een helder UI-ontwerp, voorspelbare workflows en razendsnelle zoekfunctionaliteit. We verwachtten dat AI een probleem met de gebruikerservaring zou oplossen, terwijl daar uiteindelijk een beter en eenvoudiger productontwerp voor nodig was.
Waarom datakwaliteit cruciaal is voordat AI-proeven worden gestart
Ik wou dat ik had geweten hoeveel problemen onze eigen rommelige interne data in een vroeg stadium zou veroorzaken.
Wanneer je naar AI-leveranciers luistert, laten ze het klinken alsof je deze magische tool gewoon aansluit en die direct briljante, voor mensen bruikbare inzichten oplevert. Maar de realiteit is dat je AI slechts zo goed is als de data die je erin invoert.
Voor onze eerste pilot hadden we jaren aan feedback van klanten, oud gebruikersonderzoek en ondersteuningslogboeken verspreid over verschillende silo's. Een deel ervan was verouderd, een deel ronduit tegenstrijdig en veel ervan miste de specifieke filmcontext van wat we bij UpendNow doen.
Omdat we die databasis niet eerst hadden opgeschoond, bracht de AI de eerste weken door met het verzinnen van bizarre trends en het creëren van een enorme hoeveelheid analytische ruis die mijn team tijd verspilde aan het weerleggen.
Als ik het opnieuw kon doen, zou ik veel minder tijd hebben besteed aan het evalueren van opvallende AI-functies en veel meer tijd aan het opschonen van onze interne data-architectuur voordat ik het systeem inschakelde. Je moet eerst de basis op orde brengen, anders automatiseer je alleen maar chaos.
Het gebied waarop alle CX-leiders zich zouden moeten richten
Het ene gebied dat iedereen nu volledig opnieuw moet ontwerpen, is het in kaart brengen van de klantreis…Als je niet opnieuw ontwerpt hoe je de klantreis in kaart brengt en bekijkt, zul je AI gebruiken om afzonderlijke, geïsoleerde contactmomenten te optimaliseren terwijl je volledig mist dat de macro-ervaring niet goed functioneert. We moeten stoppen met het in kaart brengen van het verleden en beginnen met het orkestreren van het heden.
Het ene gebied dat iedereen nu volledig opnieuw moet ontwerpen, is het in kaart brengen van de klantreis.
Historisch gezien was het in kaart brengen van de klantreis een statische oefening voor de directiekamer. Mensen zaten in een ruimte met plakbriefjes, brachten een geïdealiseerd traject in kaart, zetten het in een pdf en vervolgens keek een jaar lang niemand er meer naar. Het vertegenwoordigt wat we hopen dat de klant doet, niet de werkelijkheid.
In een door AI ondersteunde wereld is die aanpak achterhaald.
Leiders zouden klantreiskaarten actief opnieuw moeten ontwerpen, zodat ze dynamisch zijn, realtime werken en worden gevoed door actuele data. Omdat AI-tools nu ongestructureerde data — zoals live gebruikerssessies, ondersteuningsgesprekken en momenten waarop gebruikers afhaken — in realtime kunnen verwerken, zou je klantreis geen document moeten zijn. Het zou een levend, ademend softwaredashboard moeten zijn.
In plaats van te raden waar de wrijving zit, zou je systeem je actief moeten vertellen: "Hé, filmmakers van boetiekbureaus lopen momenteel vast bij stap drie van de onboarding vanwege een vertraging in de UI." Als je niet opnieuw ontwerpt hoe je de klantreis in kaart brengt en bekijkt, zul je AI gebruiken om afzonderlijke, geïsoleerde contactmomenten te optimaliseren terwijl je volledig mist dat de macro-ervaring niet goed functioneert. We moeten stoppen met het in kaart brengen van het verleden en beginnen met het orkestreren van het heden.
Je kunt slecht ontwerp niet wegautomatiseren
Mijn advies is eenvoudig: stop met proberen slechte ontwerpen weg te automatiseren.
Op dit moment worden CX-leiders sterk verleid om AI op elk afzonderlijk knelpunt in de klantreis los te laten, omdat het snel en goedkoop lijkt. Is je onboarding onduidelijk, zet er dan een AI-assistent op. Is je documentatie een rommeltje, bouw dan een AI-zoekbot. Maar het enige wat je doet, is een hightechpleister plakken op een kapot proces. Je gebruikt AI om klanten te helpen navigeren door complexiteit die er in de eerste plaats niet zou moeten zijn.
Voordat je nog een AI-tool aanschaft of nog een geautomatiseerde workflow lanceert, moet je alles terugbrengen tot de basis. Kijk naar je kernproduct en je kerndienstverlening. Herstel eerst de onderliggende UX-problemen, ruim de rommelige datapijplijnen op en vereenvoudig de klantreis.
Blijf op de hoogte
Je kunt het werk van Shankar Sahai volgen op LinkedIn en X.
Er komen nog meer interviews met experts op The CX Lead!
