Hoe Thunai klantondersteuning automatiseert met AI-agenten (en wat het betekent voor jouw B2B SaaS)

Klantondersteuningsteams staan onder hoge druk. Het aantal tickets stijgt jaarlijks met 20%, terwijl het personeelsbestand gelijk blijft. Klanten verwachten directe, gepersonaliseerde antwoorden, 24/7. Voor B2B SaaS-bedrijven tast elke vertraagde reactie de retentie en expansie-inkomsten aan. Thunai, een snelgroeiend technologiebedrijf, stond voor precies deze uitdaging, totdat ze de ondersteuning herontworpen rond AI-agenten en eventgedreven datastreaming met IBM Confluent.

Het resultaat? Een ondersteuningsfunctie die 3x schaalde zonder personeelsuitbreiding, een dramatische daling van de oplossingstijd, en een CSAT-score die steeg tot boven de 94%. Maar het echte verhaal gaat niet alleen over technologie, het gaat over hoe het verbinden van real-time datastromen met AI-besluitvorming klantenservice transformeert van een kostenpost naar een groeimotor. Dit artikel ontleedt Thunai's aanpak en biedt B2B-ondersteuningsleiders een concreet stappenplan om de resultaten te repliceren.

Waarom traditionele ondersteuningsstacks breken bij schaalvergroting

De meeste SaaS-ondersteuningsteams beginnen met een helpdesk, een kennisbank en een handvol macro's. Dat werkt wanneer je 200 tickets per maand hebt. Bij 2.000 verschijnen er scheuren. Bij 20.000 stort het systeem in. Ondersteuningsleiders worden geconfronteerd met drie onderling verbonden problemen:

• Datasilo's: Klantcontext leeft in de CRM, productgebruiksgegevens in de analysetool, eerdere gesprekken in een apart ticketsysteem. Agenten schakelen tussen vijf tabbladen om een probleem te begrijpen.
• Reactieve workflows: Teams wachten tot klanten problemen melden. Tegen de tijd dat een agent reageert, is de frustratie al ingetreden.
• Kennisflessenhalzen: De scherpste 20% van de agenten beantwoordt 80% van de lastige vragen. Wanneer zij niet beschikbaar zijn, stijgen de oplossingstijden en daalt de consistentie.

Thunai erkende dat het oplossen van ondersteuning op schaal een heroverweging van de datalaag vereiste, niet alleen de ticketinterface. Ze wendden zich tot IBM Confluent om real-time events te verenigen, en bouwden daarop AI-agenten die die gegevens zowel konden interpreteren als er onmiddellijk op konden reageren.

De databackbone: waarom real-time streaming alles verandert

IBM Confluent biedt een real-time event streaming platform gebouwd op Apache Kafka. In plaats van 's nachts databases te pollen, stroomt elke klantactie, accountwijziging, productfunctiegebruik, factuurupdate, foutenlogboek als een event in milliseconden. Voor ondersteuning betekent dit dat een AI-agent kan weten dat een klant zojuist een betalingsweigering of een kapotte integratie heeft ervaren, voordat de klant ook maar één woord typt.

Thunai implementeerde de volgende eventgedreven architectuur:

1. Eventproducenten: Elke microservice in hun SaaS-product en operationele systemen (CRM, facturatie, monitoring) publiceert events naar Confluent-onderwerpen.
2. Streamverwerking: ksqlDB en aangepaste streamprocessors verrijken events, koppelen een productfout aan het abonnement, contractstatus en recente ondersteuningsgeschiedenis van de klant, en geven een gestructureerd 'klantsituatie'-record uit.
3. AI-agenttrigger: Wanneer een situatie voldoet aan vooraf gedefinieerde criteria (bijv. 'enterpriseklant op Pro-abonnement ervaart piek in API-fouten'), wordt de AI-agent automatisch aangeroepen.

Deze architectuur draait het ondersteuningsmodel om van reactief naar proactief. In plaats van te wachten op een ticket, detecteert het systeem een probleem en start het een oplossingsreeks.

AI-agenten in actie: de Thunai-workflow

Met een rijk, real-time beeld van de klant opereren Thunai's AI-agenten op drie niveaus:

Niveau 1: Geautomatiseerde detectie en uitgaande betrokkenheid

Wanneer de betaling van een klant mislukt, stuurt de AI-agent een in-app-bericht of e-mail met een beveiligde link om gegevens bij te werken, voordat het abonnement wordt opgeschort. Bij bekende technische problemen stuurt het een gepersonaliseerd bericht: 'We hebben de afgelopen uur drie time-outfouten van uw account opgemerkt. Ons technische team is op de hoogte; hier is een tijdelijke oplossing die u nu kunt toepassen.'

'We zijn van het blussen van tickets naar het voorkomen ervan gegaan. AI-agenten onderscheppen nu 43% van de problemen die ondersteuningstickets zouden zijn geworden.', zegt Thunai's hoofd klantoperaties

Niveau 2: Conversatie-oplossing met LLM-gebaseerde redenering

Als een klant toch contact opneemt, is de AI-agent al contextbewust. Het heeft toegang tot de recente events van de klant, volledige gespreksgeschiedenis, productdocumentatie en eerdere oplossingen die voor vergelijkbare profielen werkten. Met behulp van een retrieval-augmented generation (RAG)-patroon geeft de agent een precies antwoord of voert een reeks API-acties uit, zoals het opnieuw verzenden van een licentiesleutel, het bijwerken van een configuratie-instelling of het tijdelijk verlenen van toegang, terwijl de klant in natuurlijke taal op de hoogte wordt gehouden.

Niveau 3: Intelligente escalatie met volledige contextoverdracht

Wanneer de AI-agent bepaalt dat een probleem menselijk oordeel vereist (bijv. complexe juridische nalevingsvragen of genuanceerde probleemoplossing), draagt het over aan een specialist. Maar de overdracht is een gamechanger: de menselijke agent ontvangt een volledige briefing, samenvatting van de situatie, stappen die de AI al heeft genomen, relevante accountgegevens en een voorgestelde volgende actie, allemaal samengevat in een beknopt paneel. De gemiddelde oriëntatietijd daalt van 8 minuten naar minder dan 30 seconden.

Meetbare zakelijke impact: de cijfers die ertoe doen

Het bewijs zit in de cijfers. Binnen zes maanden na de implementatie van AI-agenten aangedreven door real-time eventstromen, documenteerde Thunai:

• 61% ticketafbuiging: Een meerderheid van de vragen werd opgelost via geautomatiseerde uitgaande acties of selfservice, aangedreven door AI-getriggerde proactieve begeleiding.
• Gemiddelde eerste reactietijd daalde van 8,2 uur naar 2,1 minuten. Dit omvat tickets die uiteindelijk menselijke hulp nodig hadden, omdat AI-agenten een onmiddellijke bevestiging en vaak gedeeltelijke oplossing gaven.
• CSAT steeg van 78% naar 94%. Klanten noemden consequent de 'anticiperende service' als reden voor verbeterde tevredenheidsscores.
• Kosten per ticket daalden met 64%. Door niveau-1 en het meeste niveau-2 werk naar AI te verplaatsen, concentreerden menselijke specialisten zich op hoogwaardige interacties, wat efficiëntie en werktevredenheid stimuleerde.

De dalende trend in ticketvolume toont het cumulatieve effect: naarmate AI-agenten nauwkeuriger werden en de eventverwerkingslaag volwassener werd, bereikten minder problemen de ondersteuningswachtrij, en de problemen die dat wel deden waren eenvoudiger op te lossen.

Opvallend genoeg was de CSAT-verbetering geen eenmalige piek. Het bleef stijgen naarmate het systeem leerde van elke interactie, wat de positieve spiraal verder versterkte. En wanneer je deze winst uitzet tegen expansie-inkomsten, zien B2B-bedrijven met een CSAT boven de 90% een verbetering van de netto-omzetretentie met 10-15 procentpunten, wordt de ROI duidelijk.

Het Draaiboek: Hoe Supportleiders Dit Model Kunnen Adopteren

Het succes van Thunai was geen 'big bang'-project. Ze volgden een gefaseerde, gemeten aanpak die elke supportleider kan nabootsen. Hier is een praktisch raamwerk:

Fase 1: Breng je Evenemententrinitijd in kaart (Week 1-2)

Identificeer de drie categorieën gebeurtenissen die de klantervaring het meest beïnvloeden:

• Productgebeurtenissen: foutcodes, functiegebruik, uptime-afwijkingen.
• Accountgebeurtenissen: planwijzigingen, facturatiestoringen, onboarding van nieuwe gebruikers.
• Interactiegebeurtenissen: recente supporttickets, NPS-scores, communityberichten.

Begin met slechts vijf impactvolle gebeurtenissen, zoals betalingsfouten, kritieke fouten op een betaald abonnement, of een klant die downgradet. Verbind ze met een lichtgewicht streaminglaag (Kafka, Confluent, of zelfs een webhook-gebaseerde bus).

Fase 2: Definieer Actietriggers en Agentreacties (Week 3-4)

Ontwerp voor elke gebeurtenis een 'als dit, dan dat'-draaiboek:

• Welke voorwaarde activeert een AI-agent? (bijv. 'foutpercentage > drempelwaarde op enterprise-account')
• Wat is het beste oplossingspad? (Kennisartikel sturen, service herstarten, gesprek met CSM inplannen)
• Welke fallback zorgt dat geen klant in de steek wordt gelaten? (Escaleren met volledige context na twee mislukte AI-pogingen)

Gebruik low-code AI-platforms om deze agenten te bouwen zonder backend-code te schrijven. Moderne tools laten je dataverbindingen slepen en neerzetten, conversationele stromen definiëren en direct integreren met helpdesks zoals Zendesk of Intercom.

Fase 3: Meten, Leren en Uitbreiden (Doorlopend)

Volg dezelfde metrics die Thunai gebruikte: ticketafbuigingspercentage, eerste-responsetijd, CSAT, kosten per ticket, in een uniform dashboard. Bekijk wekelijks de top 20 door AI afgehandelde gesprekken om hiaten te ontdekken. Breid de gebeurtenisdekking en agentgeavanceerdheid uit in sprints van twee weken.

"De grootste fout is proberen alles tegelijk te automatiseren. Begin met de 20% van de problemen die 80% van het volume veroorzaken, perfectioneer dat en groei dan verder." - Support Ops Adviseur

Waar Successly Past: Jouw AI-Agentreis Versnellen

Thunai's architectuur vereiste diepgaande Kafka-expertise en maandenlange maatwerkontwikkeling. Maar de principes vereisen niet dat niveau van technische investering. Successly biedt een speciaal gebouwd AI-supportautomatiseringsplatform dat al verbinding maakt met jouw productanalyses, CRM, facturatie en helpdesk, en dezelfde realtime gebeurtenissen opneemt waar Thunai op vertrouwde, zonder dat je zelf een streaminginfrastructuur hoeft te beheren.

Successly's AI-agenten zijn voorgetraind op B2B-supportpatronen, zodat je out-of-the-box detectie krijgt van mislukte betalingen, onboarding-uitval en veelvoorkomende productfouten. En omdat het integreert met de tools die je al gebruikt, kun je in weken van pilot naar volledige productie gaan, niet in kwartalen. Teams die Successly adopteren, zien doorgaans:

• 50-65% ticketafbuiging binnen de eerste 90 dagen
• Eerste-responsetijden onder één minuut voor door AI beheerde interacties
• Meer dan 90% CSAT op geautomatiseerde gesprekken

Conclusie: Maak van Support een Strategische Gracht

Thunai's verhaal met IBM Confluent en AI-agenten is een blauwdruk voor wat moderne support kan bereiken. Door elk klantsignaal te behandelen als een kans om te dienen, transformeerden ze een reactieve kostenpost in een motor van loyaliteit en groei. Voor B2B SaaS-leiders is de les duidelijk: de basis van geweldige AI-support is niet een slimmere chatbot, maar een slimmere datapijplijn. Met platforms zoals Successly kun je die pijplijn en de intelligente agenten die erbovenop zitten inzetten, zonder de zware technische inspanning.

Jouw klanten zenden al de signalen uit die hun succes en churn bepalen. Luister jij?