CCO zegt dat AI organisatieschema’s voor klantervaring verandert — en daarom stapt ze over op een model met “servicepods”

Sofia Barbosa is directeur klantzaken bij BMC Software, een B2B-bedrijf dat klanten met complexe IT-omgevingen bedient.

We spraken met Sofia om te horen hoe ze AI inzet — en hoe dit haar organisatieschema voor klantbeleving verandert. Dit is wat ze zei.

De volledige klantlevenscyclus na de verkoop aansturen

Ik ben Sofia Barbosa, directeur klantzaken bij BMC Software. Ik geef leiding aan de afdeling Klantzaken, een geïntegreerde organisatie waarin professionele dienstverlening, ondersteuning, klant-succesbeheer, opleiding en de stem van de klant samenkomen.

Samen bestrijken deze functies de volledige klantlevenscyclus na de verkoop, van implementatie en ondersteuning tot doorlopend succes, gebruik en ambassadeurschap.

We bedienen B2B-klanten die enkele van de meest complexe IT-omgevingen ter wereld beheren. Dat betekent dat onze teams werken via uiteenlopende kanalen en betrokkenheidsmodellen, van strategische klantrelaties met intensieve persoonlijke begeleiding tot grootschalige, zelfbedieningsondersteuning.

Waarom AI organisatieschema's voor klantbeleving verandert

De meeste organisatieschema's voor klantbeleving weerspiegelen tegenwoordig tientallen jaren aan opgestapelde complexiteit: gespecialiseerde teams, beperkte overdrachtsmomenten en processen die ervan uitgaan dat mensen elke stap van het werk uitvoeren. AI doorbreekt die aanname, maar veel leiders proberen AI nog steeds in de bestaande structuur in te passen, in plaats van zich af te vragen hoe de structuur eruit zou moeten zien als je die vanaf het begin ontwerpt met AI als uitgangspunt.

Mijn advies is om het "bestaande" bewust te vergeten en je te richten op het "toekomstige". Dat betekent dat je de neiging moet weerstaan om te vragen: "Hoe past AI in onze huidige teams en processen?" Vraag in plaats daarvan: "Als we deze organisatie vandaag helemaal opnieuw zouden opbouwen, met AI-mogelijkheden tot onze beschikking, hoe zou die er dan uitzien?"

In de meeste gevallen is het antwoord eenvoudiger dan wat er vandaag bestaat: minder silo's, minder overdrachtsmomenten en rollen die worden gedefinieerd door resultaten in plaats van door beperkte functionele taken.

Dit is moeilijk omdat het betekent dat je structuren, functies en processen moet loslaten die in de loop der jaren zijn opgebouwd. Maar leiders die hun organisatie opnieuw ontwerpen rond het "toekomstige" in plaats van het "bestaande" achteraf aan te passen, creëren organisatiestructuren die zowel eenvoudiger als capabeler zijn dan hun oorspronkelijke structuren.

Hoe AI een model met serviceteams mogelijk maakt

Sofia deelt

Verantwoordelijkheid verschuift van “welk team is hiervoor verantwoordelijk” naar “welk serviceteam is end-to-end verantwoordelijk voor de ervaring van deze klant,” waardoor het geleidelijk minder vaak voorkomt dat teams naar elkaar wijzen en het eenvoudiger wordt om te zien waar AI daadwerkelijk helpt en waar hiaten nog menselijke opvolging vereisen.

In het afgelopen jaar hebben we een model met serviceteams geïmplementeerd — een doorlopende herstructurering om de silo's tussen dienstverlening, ondersteuning, CSM en opleiding af te breken en AI-agenten in datzelfde geïntegreerde organisatieschema op te nemen, in plaats van ze te behandelen als een afzonderlijk, eraan vastgeplakt hulpmiddel.

De aanleiding was dat AI-agenten een steeds groter deel van de routinematige interacties op zich namen. We realiseerden ons dat AI een nieuwe silo zou creëren — nog een gat in de overdracht in plaats van bestaande gaten te dichten — als het buiten de bestaande teamstructuur zou opereren. Daarom werken we eraan om AI-agenten, ondersteuning, CSM, dienstverlening en opleiding onder gedeeld leiderschap te plaatsen, met gedeeld inzicht in accountgeschiedenis, openstaande problemen en klantcontext.

Als gevolg daarvan hoeven klanten in gebieden waar het model met serviceteams al vorm krijgt hun situatie niet langer via verschillende kanalen opnieuw uit te leggen. De context reist met hen mee, ongeacht of AI of een mens als eerste reageert.

AI-agenten brengen ook realtime patronen aan het licht, zoals veelgestelde vragen en knelpunten — waardoor we training en documentatie proactief in plaats van reactief kunnen bijwerken.

Verantwoordelijkheid verschuift van "welk team is hiervoor verantwoordelijk" naar "welk serviceteam is van begin tot eind verantwoordelijk voor de ervaring van deze klant", waardoor het geleidelijk minder vaak voorkomt dat teams naar elkaar wijzen en het eenvoudiger wordt om te zien waar AI daadwerkelijk helpt en waar hiaten nog menselijke opvolging vereisen.

Een AI-werkstroom van begin tot eind voor het trainen van gebruikers

Een end-to-end AI-aangedreven workflow die we vandaag gebruiken, draait om het creëren van content en trainingen. We breiden deze nu uit met een adoptieagent.

De workflow begint met ruwe input: klantinteracties, supporttickets, productgebruiksgegevens en casenotities. AI synthetiseert deze gegevens om veelgestelde vragen, knelpunten en hiaten in de feature-adoptie bij verschillende accounts te identificeren.

Vervolgens stelt AI de relevante content op: trainingsmodules, updates van documentatie, succesverhalen of gelokaliseerde/vertaalde materialen, afhankelijk van de hiaten die uit de analyse naar voren komen. Een medewerker beoordeelt en verfijnt deze conceptoutput vervolgens voordat die wordt gepubliceerd of opgenomen in onze trainings- en enablementbibliotheek.

De tooling hiervoor bestaat uit Salesforce Service Cloud, Microsoft Copilot Studio, Easygenerator, EasyCoach en tools voor producttelemetrie.

We implementeren ook een nieuwer onderdeel: een intern ontwikkelde adoptieagent die samen met Copilot Studio is gebouwd. Deze sluit de cirkel: in plaats van alleen trainingscontent te creëren en te wachten tot klanten die vinden en gebruiken, identificeert de agent proactief waar een klant of gebruiker een feature of workflow niet volgens verwachting adopteert en biedt hij de relevante training of begeleiding rechtstreeks aan op het moment dat daaraan behoefte is.

De end-to-endworkflow ziet er als volgt uit: datasignalen → door AI gegenereerde content/training → menselijke beoordeling en verfijning → publicatie → de adoptieagent koppelt de juiste content aan de juiste klant op het juiste moment, op basis van hun daadwerkelijke gebruikshiaten.

We bevinden ons nog in een vroeg stadium van de implementatie van de adoptieagent, maar ons doel is om contentcreatie te transformeren van een eenrichtingsuitzending naar een gesloten systeem waarin AI zowel de contentcreatie als de levering ervan aanstuurt.

Hoe AI efficiëntiewinst oplevert in CX

Wat de resultaten betreft die we zien, heeft AI aanzienlijke verbeteringen in schaal en output opgeleverd. We hebben het aantal succesverhalen ongeveer verdrievoudigd en vergelijkbare sprongen gezien in automatisering van documentatie, het creëren van trainingen/leercursussen, videocontent en automatische vertaling.

Handmatig werk vormde vroeger een bottleneck voor activiteiten zoals het schrijven van klantverhalen, het lokaliseren van content of het samenstellen van trainingsmodules. AI stelt dit werk nu in een fractie van de tijd op, waardoor teams meer content kunnen produceren voor meer accounts en in meer talen dan voorheen haalbaar was.

De verdeling tussen AI-werk en mensenwerk in CX

Over het geheel genomen ondersteunt AI nu verschillende CX-activiteiten: het prioriteren van de backlog, casusanalyse, adoptieplanning, het creëren van succesverhalen en evaluaties van gerealiseerde waarde. Op elk van deze gebieden synthetiseert AI gegevens, brengt het patronen in verschillende cases aan het licht, markeert het accounts met een verhoogd risico en stelt het eerste versies op, terwijl mensen deze beoordelen, verfijnen en hun inzicht toevoegen voordat er iets bij de klant terechtkomt.

Expliciet menselijke activiteiten vereisen relationele context of strategisch inzicht: relatiebeheer met ambassadeurs, het afhandelen van escalaties met belangrijke stakeholders en gesprekken over waarderealisatie, waarbij het "waarom" achter een aanbeveling net zo belangrijk is als de aanbeveling zelf. AI kan vertrouwen, toon en de doorleefde accountgeschiedenis op deze gebieden niet nabootsen.

De verdeling is eenvoudig: AI verkort de tijd die aan analyse en het opstellen van concepten wordt besteed, werk waarvoor vroeger urenlang handmatig door cases, gebruiksgegevens of notities moest worden gezocht. Door dit aan AI uit te besteden, maken we tijd vrij voor onze teams om zich te richten op activiteiten met een hogere waarde.

Waarom AI-pilots vanaf dag één schaalbaar moeten zijn

De uitdagingen die ik heb gezien, hadden minder te maken met AI zelf en meer met het opschalen van POC naar productie. Veel van deze toepassingen werkten goed in een pilot of kleinschalige setting, maar we ontdekten dat het moeilijker was dan aanvankelijke experimenten deden vermoeden om ze om te zetten in productieklare, herhaalbare processen — met de juiste kwaliteitscontroles, integratie in bestaande workflows en consistentie tussen teams.

De kloof tussen "dit werkt in een demo" en "dit is betrouwbaar verankerd in onze dagelijkse manier van werken" is het belangrijkste knelpunt geweest.

Als het om AI gaat, is experimenteren het juiste startpunt en is het belangrijk om vooruitgang te boeken zonder te wachten op perfecte zekerheid. Maar teams die nu beginnen, zou ik adviseren om vanaf het begin te ontwerpen met schaalbaarheid en productie in gedachten, ook terwijl ze nog experimenteren.

Op die manier blijf je niet steken in een POC-model, waarbij je de ene pilot na de andere uitvoert die bewijst dat een concept werkt, zonder de onderliggende processen, integraties en kwaliteitscontroles op te bouwen die nodig zijn om het naar productie te brengen. Als je al vroeg geen rekening houdt met dat traject, eindig je met een kerkhof vol succesvolle pilots die nooit uitgroeiden tot echte operationele capaciteit.

Mijn advies is dus om de experimentele mindset te behouden, maar die vanaf dag één te combineren met een helder inzicht in wat productierijpheid vereist, zodat pilots een daadwerkelijk vervolgtraject hebben in plaats van doodlopende wegen te worden.

Sofia deelt

Als het om AI gaat, is experimenteren het juiste startpunt en is het belangrijk om vooruitgang te boeken zonder te wachten op perfecte zekerheid…Mijn advies is dus om de experimentele mindset te behouden, maar die vanaf dag één te combineren met een helder inzicht in wat productierijpheid vereist, zodat pilots een daadwerkelijk vervolgtraject hebben in plaats van doodlopende wegen te worden.

Waarom AI de menselijke strategie in CX niet kan vervangen

De verwachting dat AI strategische accountdekking op schaal zou kunnen bieden op dezelfde manier als waarop het contentproductie of documentatie opschaalde, is niet uitgekomen. Intensieve relaties met hoge inzet blijven fundamenteel menselijk, waarbij AI een ondersteunende en geen leidende rol speelt.

In plaats daarvan heeft AI binnen dat proces efficiëntie opgeleverd. Het helpt om sneller voor te bereiden op strategische gesprekken, relevante gegevens en context voorafgaand aan vergaderingen boven tafel te krijgen en materialen op te stellen die mensen vervolgens vormgeven en presenteren. Het versnelt een door mensen geleide strategie, maar is er geen vervanging voor.

Hoe AI de kanaalvoorkeuren van verschillende generaties heeft verschoven

Een langgekoesterde aanname die AI ons heeft gedwongen te heroverwegen, had betrekking op kanaalvoorkeuren van verschillende generaties: het idee dat jongere klanten standaard kiezen voor chat of zelfbediening, terwijl oudere klanten standaard kiezen voor telefoon of e-mail, en dat we ervaringen strikt langs die generatielijnen moeten ontwerpen.

We hebben vastgesteld dat AI die grenzen meer heeft vervaagd dan verwacht, maar ze niet volledig heeft uitgewist. Over alle generaties heen kiezen klanten steeds vaker voor het kanaal dat hun probleem het snelst oplost.

Een jongere klant kan bijvoorbeeld de telefoon pakken voor iets ingewikkelds, terwijl een oudere klant misschien met plezier een AI-chat gebruikt voor iets eenvoudigs. In het verleden zouden we het tegenovergestelde hebben aangenomen. De snelheid en kwaliteit van de oplossing wegen nu vaak zwaarder dan het kanaal zelf.

Dat gezegd hebbende, zien we ook dat de behoefte aan menselijk contact bij bepaalde klanten — vaak, maar niet uitsluitend, bij oudere generaties — niet is verdwenen. Dit geldt vooral voor complexe problemen, gevoelige situaties of relatiegerichte gesprekken waarbij geruststelling en vertrouwen net zo belangrijk zijn als het antwoord zelf. AI heeft die behoefte niet vervangen. Als er al iets is veranderd, dan heeft AI de gevallen waarin menselijke interactie er echt toe doet zichtbaarder gemaakt, omdat AI nu het meer transactionele volume afhandelt.

In plaats van generatiedenken volledig los te laten, zijn we daarom overgestapt van 'ontwerpen per generatie' naar 'ontwerpen op basis van behoefte'. We gebruiken AI om voor iedereen interacties met een hoog volume en snelle oplossing af te handelen, terwijl we door mensen geleide, intensieve trajecten voor complexe of emotioneel belangrijke momenten behouden en prioriteren, ongeacht wie de vraag stelt.

Waarom CX-leiders onderscheid moeten creëren met bedrijfseigen gegevens

Mijn advies aan CX-leiders is om je te richten op differentiatie door middel van je eigen gegevens. Generieke AI-mogelijkheden worden steeds meer een basisvereiste; elke leverancier en concurrent heeft toegang tot vergelijkbare onderliggende modellen en hulpmiddelen. Echte differentiatie komt voort uit de bedrijfseigen gegevens die je hebt verzameld: klantinteracties, gebruikspatronen, ondersteuningsgeschiedenis, behaalde resultaten en institutionele kennis die uniek is voor jouw bedrijf en je klantrelaties.

De leiders die een voorsprong zullen nemen, zijn degenen die deze gegevens als een strategisch bedrijfsmiddel beschouwen en ze actief inzetten voor hun AI-initiatieven, in plaats van te vertrouwen op kant-en-klare AI die dezelfde generieke resultaten oplevert als die van anderen. Dat betekent dat je nu moet investeren in datakwaliteit, toegankelijkheid en integratie, zodat AI-tools werken met de volledige context van je klantrelaties in plaats van met generieke patronen.

Concurreer niet op het hebben van AI. Concurreer op hoe goed je je AI baseert op de gegevens en kennis waar alleen jij over beschikt.

Volg het laatste nieuws

Je kunt het werk van Sofia Barbosa volgen op LinkedIn.

Er volgen meer expertinterviews op The CX Lead!