Er doet momenteel een stille, gevaarlijke fictie de ronde in bestuurskamers en directiekamers. Die stelt dat AI het kostenprobleem van ondersteuning eindelijk heeft opgelost. De logica is eenvoudig: automatiseer de routinematige vragen, zie het volume dalen en verminder het aantal medewerkers. Als je naar de dashboards op macroniveau kijkt, lijkt het te werken. De efficiëntie neemt toe en het afvangen van tickets bereikt recordhoogtes.
Maar als je vandaag daadwerkelijk naast een ondersteuningsteam zit—als je het tempo van hun interne chats observeert en de blik op het gezicht van een medewerker om 16.00 uur op een werkdag ziet—dan weet je dat de werkelijkheid anders is. Ondersteuning wordt niet lichter. Het wordt geconcentreerder.
En die concentratie komt volledig terecht bij de mensen die overblijven.
Bij Hiver hebben we nooit geprobeerd te bouwen voor de opgeblazen complexiteit van de Fortune 500; we bouwden voor de flexibele, snel bewegende teams die problemen willen oplossen zonder de overhead van een verouderde fabriek. Vorig jaar hielpen onze platforms onze klanten om 81 miljoen gesprekken op te lossen. Dat is geen volume van grote ondernemingen, maar zelfs binnen deze SMB-omgeving zien we een verschuiving die de crisis in de wereld van grote ondernemingen weerspiegelt en in veel opzichten versterkt.
De sector loopt als slaapwandelend een talentcrisis in. We zijn getuige van een wereldwijde uitholling van ondersteuning van niveau 1. In onze haast om het eenvoudige werk te automatiseren, hebben ‘AI-aangedreven’ ondersteuningsplatforms per ongeluk de weg naar expertise opgebroken.
Je kunt dit “transformatie” noemen als je wilt, maar de woordkeuze verdoezelt niet het feit dat het instappunt naar expertise in ondersteuning snel en stilletjes verdwijnt. Wat dit moment anders maakt dan eerdere efficiëntiecycli, is dat de onderliggende economie zich begint te bewegen in de tegenovergestelde richting van het heersende verhaal.
Dit is geen tijdelijke managementfout. Het is een systeemverschuiving.
Al meer dan een eeuw wordt klantenservice beheerst door de onzichtbare aanname dat ondersteuning een loodgietersprobleem is. Die aanname gaat terug tot 1917 en een wiskundige genaamd Agner Krarup Erlang. Hij ontwikkelde Erlang-C, een formule die telefoonmaatschappijen moest vertellen hoeveel telefonisten ze nodig hadden voor een bepaald aantal gesprekken. De formule behandelt mensen als leidingen: als het waterpeil stijgt, maak je de leiding gewoon breder. Dus als je meer gesprekken krijgt, voeg je simpelweg meer mensen toe om de binnenkomende gesprekken af te handelen.
Die schakelbordlogica gonst nog steeds onder de oppervlakte van elke moderne helpdesk. We praten over een AI-eerst-toekomst en extra krachtige medewerkers, maar we blijven ondersteuning beheren met relikwie-metrieken zoals gemiddelde afhandeltijd en bezettingsgraad. AI beloofde een ontsnapping aan het loodgietersmodel. Te vaak is het simpelweg de nieuwste leiding geworden die in een eeuwenoude machine is gemonteerd.
Laat me dit verder toelichten.
Vorig jaar verwerkte de infrastructuur van Hiver 85 miljoen handmatige taken via automatiseringen—de wachtwoordresets, statusupdates en routeringsregels die vroeger het dagelijkse werk van een medewerker vormden. Volgens de logica van de oude schakelbordwiskunde zou het verwijderen van 85 miljoen werkeenheden een enorm overschot aan menselijke capaciteit moeten creëren. En als die logica nog steeds geldig was, zou dat overschot zichtbaar zijn in de gehele ondersteuningssector.
In plaats daarvan meldt 77% van de medewerkers in de hele sector dat de complexiteit toeneemt, terwijl andere rapporten stellen dat 56% van het ondersteuningspersoneel recordniveaus van burn-out vertoont.
De berekening faalt omdat ze vergat dat die 85 miljoen eenvoudige taken niet alleen werk waren—ze waren ook hersteltijd, leertijd en cognitieve ademruimte. Verwijder herhaling zonder het menselijke systeem rond wat overblijft opnieuw in te richten, en het resultaat is geen efficiëntie maar verdichting.
Het Global Callcenterproject van Cornell documenteert al jaren waarom dit “loodgietersmodel” faalt. Uit hun onderzoeksrapport uit 2007 bleek voor het eerst dat goed presterende teams floreren dankzij handelingsvrijheid, maar de sector blijft hen beheren op basis van volume.
Het heeft de ondersteuningssector bijna twee decennia gekost om bij te benen, maar we praten eindelijk over “cognitieve overbelasting” en “menselijk oordeel”—kreten die andere systemen met hoge inzet veel eerder omarmden toen ze automatisering en uitgebreide intelligentie invoerden.
In de luchtvaart heeft de automatische piloot bijvoorbeeld piloten niet overbodig gemaakt; hij heeft hen veranderd in beheerders van zeldzame uitzonderingssituaties met hoge inzet, waarin oordeel belangrijker was dan routinematige controle. In de geneeskunde heeft software voor diagnostische beeldvorming radiologen niet vervangen; de software concentreerde hun aandacht op de dubbelzinnige scans waarbij ervaring de uitkomst bepaalt.
In elk geval verwijderde automatisering herhaling, maar bleven de leertrajecten behouden die expertise creëren. Klantenondersteuning treedt nu dezelfde historische fase binnen—alleen sneller en zonder het traject dat de benodigde experts voortbrengt te hebben beschermd.
Kunnen we de experts van morgen opleiden als we vandaag de weg hebben geplaveid?
Er is nog een, gevaarlijker neveneffect van deze automatisering dat de sector grotendeels negeert. We verwijderen bewust de leerlingschaal.
Volgens onderzoek duurt het ongeveer 16 weken voordat een nieuwe medewerker echt bekwaam wordt. Historisch gezien werden die 16 weken doorgebracht op niveau 1. Een junior medewerker leerde het product en de specifieke taal van de klant kennen door honderden eenvoudige verzoeken met lage inzet af te handelen.
Maar vandaag gooien we nieuwe medewerkers rechtstreeks in het diepe. We zien de gevolgen hiervan elke dag. Een klant stuurt een e-mail waarin staat dat iets aan de linkerkant van het paneel kapot lijkt. Voor een senior medewerker is dat een duidelijke verwijzing naar een specifieke activiteitenmodule. Maar voor een junior medewerker die niet de 1.000 eenvoudige tickets heeft mogen afhandelen die deze mentale kaart opbouwen, is het een raadsel met meerdere mogelijke interpretaties.
Deze taalkloof creëert een enorme kennisschuld. We hebben geen manier om de volgende generatie senioren op te leiden, omdat we alle lessen voor beginners hebben geautomatiseerd. Daarom voorspelt Gartner dat 50% van de organisaties die personeel schrappen vanwege AI, tegen 2027 gedwongen zal zijn om voor diezelfde functies opnieuw mensen aan te nemen.
Ze realiseren zich dat AI weliswaar kan praten, maar de "expertise, empathie en het beoordelingsvermogen" die alleen door ervaring worden opgebouwd, niet kan vervangen. We hebben de stapstenen dichtgeplaveid en vragen ons nu af waarom niemand de rivier kan oversteken.
Elk beroep is afhankelijk van een zichtbaar pad van beginner naar expert: een periode waarin fouten klein zijn, de inzet laag is en patroonherkenning zich stilletjes opstapelt. Wanneer dat middengebied verdwijnt, vernieuwt expertise zichzelf niet langer. Het onmiddellijke symptoom is een tragere oplossing en meer escalaties. Het langetermijngevolg is veel ernstiger: een uitgehold personeelsbestand waarin senior beoordelingsvermogen zowel schaars als kwetsbaar wordt. Tegen de tijd dat het tekort zichtbaar wordt in managementdashboards, is de leercyclus die nodig is om het op te lossen al jarenlang doorbroken.
Dus hoe overleven teams wanneer niemand in zijn eentje alle antwoorden kan kennen?
Deze druk heeft in de inbox een zichtbaar overlevingsmechanisme in gang gezet. Dit jaar hebben Hiver-gebruikers 5 miljoen interne notities rechtstreeks boven op klantgesprekken geplaatst. Dit is niet alleen een samenwerkingsstatistiek. Het is een signaal dat het tijdperk van de eenzame medewerker voorbij is.
In het oude model was één persoon verantwoordelijk voor één ticket totdat het was gesloten. Maar wanneer elk ticket een complexe uitzondering is, kan niemand in zijn eentje alle antwoorden kennen. Die 5 miljoen notities vertegenwoordigen een gezamenlijk overleg. Door zich binnen het gesprek gezamenlijk over het probleem te buigen, bouwen teams in realtime aan een "gedeeld brein". Ze verdelen de cognitieve belasting, zodat geen enkel individu alleen het gewicht van een complexe crisis hoeft te dragen.
Maar collectieve intelligentie is slechts één kant van overleven. De andere is de economische realiteit.
Omdat we snelheid via AI tot een standaardproduct hebben gemaakt, verliezen de maatstaven die we al tientallen jaren gebruiken hun betekenis. Er ontstaat een nieuwe maatstaf die elke CFO zorgen zou moeten baren: de stijgende kosten van automatisering.
De nieuwste analyse van Gartner suggereert dat de droom van "gratis" ondersteuning ten einde loopt. Tegen 2030 zullen de kosten per GenAI-oplossing naar verwachting hoger zijn dan $3; daarmee komen ze boven de kosten van veel offshore-medewerkers. De subsidies lopen af en de infrastructuurkosten nemen toe.
Weet je nog dat ik eerder zei dat de onderliggende economie zich langzaam in de tegenovergestelde richting van het verhaal begint te bewegen? Meer dan tien jaar lang is automatisering voornamelijk gerechtvaardigd via arbeidsarbitrage: de aanname dat software goedkoper wordt naarmate deze verder opschaalt. Maar wanneer de marginale kosten van geautomatiseerde oplossingen die van menselijke arbeid beginnen te benaderen of te overstijgen, verandert de strategische vraag volledig.
AI kan niet langer uitsluitend worden verdedigd als vervanging van mensen. Het moet zichzelf rechtvaardigen als een vermenigvuldiger van menselijke capaciteiten. Dat onderscheid is ingrijpend. Vervanging verlaagt op korte termijn de kosten. Vermenigvuldiging bepaalt op lange termijn de veerkracht. Organisaties die deze verschuiving vroeg begrijpen, zullen niet langer vragen hoe ze mensen uit de ondersteuning kunnen verwijderen, maar hoe ze de overgebleven medewerkers aanzienlijk effectiever kunnen maken.
En effectiviteit wordt in dit nieuwe landschap niet langer alleen bepaald door juistheid.
Vorig jaar gebruikten onze klanten een functie genaamd “Sentimentanalyse” meer dan 3,6 miljoen keer om de emotionele context in ondersteuningsgesprekken te begrijpen. Dit laat zien dat een juist antwoord niet langer voldoende of effectief is.
Klanten komen een gesprek met een medewerker binnen met een sentimenttekort. Ze zijn moe en gefrustreerd door de bots waar ze zojuist mee hebben geworsteld. In deze omgeving is de taak van de medewerker verschoven van informatieverstrekking naar emotioneel herstel. Het doel is niet langer “Oplossing”; het is “Emotioneel evenwicht”.
Beheer je dus nog steeds een fabriek, of ben je klaar om experts te ondersteunen?
Als deze diagnose klopt, betekent dit voor leiderschap geen stapsgewijze verbetering, maar een heroriëntatie van het management. De centrale vraag binnen ondersteuning is niet langer: “Hoe handelen we meer tickets af met minder mensen?” De vraag is: “Hoe versterken we het menselijke beoordelingsvermogen waar automatisering ophoudt, terwijl we ervoor zorgen dat de juiste overdrachten op het juiste moment plaatsvinden en de context nooit verloren gaat door de wildgroei aan tools en het gedeelde brein?” En dat is inderdaad een lange vraag.
Organisaties die blijven optimaliseren voor verwerkingsvolume zullen efficiënt lijken tot het moment waarop het vertrouwen van klanten afneemt en het vertrek van talent versnelt. Organisaties die in plaats daarvan investeren in context, samenwerking en leren door ervaring, zullen op korte termijn trager lijken, maar op lange termijn structureel sterker zijn. Het verschil tussen die paden zal het komende decennium van klantenondersteuning en klantervaring bepalen.
Leiders op het gebied van ondersteuning worden tegelijkertijd geconfronteerd met drie samenkomende drukfactoren: de stijgende cognitieve kosten van elke resterende interactie, een krimpende instroom van talent op beginnersniveau dat kan doorgroeien naar expertise, en een automatiseringslaag waarvan de marginale besparingen afvlakken naarmate infrastructuur- en modelkosten volwassen worden.
Wanneer de complexiteit sneller toeneemt dan de productiviteit, raakt het systeem bekneld. Daarom zal de komende ontwrichting binnen ondersteuning niet geleidelijk verlopen. Ze zal plotseling aanvoelen, niet omdat de krachten nieuw zijn, maar omdat ze stilletjes de drempel hebben overschreden waarop stapsgewijze optimalisatie niet langer kan compenseren voor structurele druk.
De crisis waarmee we worden geconfronteerd is geen gebrek aan technologie; het is onze gehechtheid aan een honderd jaar oude managementfilosofie. Als we de deskundigheidsschuld willen oplossen en de uitholling van L1 willen voorkomen, moeten we stoppen met het bouwen van hulpmiddelen die agenten isoleren en beginnen met het bouwen van omgevingen die het collectieve brein herkennen en faciliteren.
Ondersteuning kan niet langer opschalen door klanten af te wimpelen; we kunnen alleen opschalen door de mensen te versterken die in risicovolle situaties als bewakers van vertrouwen optreden. Het komende decennium zal niet worden gewonnen door het bedrijf met de efficiëntste bot, maar door het bedrijf dat de meest capabele, kalme en contextbewuste mensen weet te behouden.