De fout die we steeds zien: een chatbot die ja, nee en amen roept
Als je ooit bij Zalando of Bol.com een chatbot hebt gebruikt en na drie klikken toch op de knop "spreken met een medewerker" hebt gedrukt, dan weet je precies wat er misgaat. De chatbot volgt een script. Hij kent geen context. Hij geeft geen antwoord — hij geeft een keuzemenu.
Wij weigeren dat te bouwen. Onze overtuiging is simpel: een chatbot is niet zomaar een chatbot. Het mag een persoonlijkheid zijn die past bij jouw bedrijf. Niet een scriptbot die na drie stappen vastloopt, maar een assistent die antwoord geeft op de vraag die de klant óók daadwerkelijk stelde — gebaseerd op jóuw data, jóuw documenten, jóuw kennisbank.
Het grote probleem met standaard chatbots is precies dit: mensen willen direct een antwoord. Daarom gaan ze naar een chatbot. Die werkt 24/7 en dat werkt vele malen sneller dan een mens ooit zou kunnen. Maar als die chatbot het antwoord niet geeft, heb je niet alleen een ontevreden klant — je hebt ook je eigen belofte gebroken.
Hoe een RAG-chatbot werkt — zonder jargon
RAG staat voor Retrieval Augmented Generation. De naam klinkt technisch. Wat het doet is praktisch: in plaats van dat een AI antwoorden verzint op basis van wat hij ooit op internet las, zoekt hij het antwoord op in jóuw documentatie. Jouw handleidingen, FAQ's, kennisartikelen, productinformatie — dat is het brein van de chatbot.
Dat werkt in drie stappen:
Stap 1 — Jouw kennis erin. We laden jullie documentatie, FAQ's en kennisbank in het systeem. De chatbot kent jóuw bedrijf, niet een generiek internet.
Stap 2 — Vraag gesteld. Een klant of medewerker typt een vraag. De chatbot zoekt in jóúw data — niet in wat ChatGPT ooit heeft gezien.
Stap 3 — Antwoord gegeven. Correct, actueel, on-brand. Klant geholpen. Ticket niet aangemaakt.
De data wordt wekelijks ververst. Antwoorden verouderen niet. Dat is geen marketingbelofte — dat is hoe we het bij de Rotterdamse MSP-case ook hebben ingericht, en het is de reden dat die chatbot na zes maanden nog steeds correct antwoord geeft op vragen over systemen die inmiddels zijn bijgewerkt.
Een aanvulling die we bewust toevoegen: door de AI iets losser te laten spreken met een klant — binnen de grenzen die jij als bedrijf meegeeft — doet een chatbot daadwerkelijk veel meer voor je. Dat is het verschil tussen een bot die klinkt als een bedrijf, en een bot die zich gedraagt als een collega.
Resultaat in de praktijk: van €40.000 per jaar aan tooling naar één kennisassistent
Een Rotterdamse IT- en telecomdienstverlener — een managed service provider met circa twintig medewerkers — had hun bedrijfskennis versnipperd over twee abonnementssystemen. Samen goed voor ruim €40.000 per jaar aan documentatie- en servicetooling. Nieuwe medewerkers groeven zich door mappen voor antwoorden die er al lagen. De servicedesk verloor structureel tijd aan dezelfde terugkerende vragen.
Wat we bouwden: twee RAG-assistenten op basis van hun eigen documentatie. Eén klantgericht — gericht op zelfservice en het terugdringen van tickets. Één intern — een kennisassistent voor het team zelf, zodat nieuwe medewerkers niet langer door mappen hoeven te graven voor antwoorden die er al stonden.
Alle data opgeslagen in de EU, in een Pinecone-omgeving in de regio Ierland. GDPR-proof. Wekelijks ververst.
De financiële logica is helder: een eenmalige bouw van €32.500 tegenover een jaarlijkse toolingkost van €40.000 die grotendeels kon vervallen. Terugverdientijd onder de twaalf maanden — nog vóór je de bespaarde servicedesk-uren meerekent.
Dit is geen theoretisch rekenmodel. Dit zijn de werkelijke bedragen van één klant. We noemen ze omdat ze de vraag beantwoorden die elke ondernemer terecht stelt: wat levert het op?
Twee typen chatbot — welke past bij jou?
Bezoekers die een chatbot laten maken overwegen, zoeken niet altijd hetzelfde. Sommigen willen hun klantenservice ontlasten. Anderen willen dat hun eigen team sneller antwoorden vindt. Beide zijn legitiem. Beide bouwen we.
De klantgerichte chatbot staat op je website, in je klantenportaal of via WhatsApp. Hij beantwoordt vragen, kwalificeert leads en boekt afspraken — 24/7, zonder extra FTE. Relevant voor MKB, zorgpraktijken, fitnessclubs en elke organisatie waar dezelfde klantvragen structureel terugkomen.
De interne kennisassistent werkt voor je eigen team. Nieuwe medewerkers vinden in minuten wat anders in mappen verstopt zit. De servicedesk stopt met dezelfde vraag voor de tiende keer beantwoorden. Relevant voor IT-dienstverleners, advocatenkantoren, accountants en andere kennisintensieve organisaties.
De Rotterdamse MSP had beide nodig — en dat is vaker het geval dan je denkt. De klantgerichte bot ontlast de buitenkant; de kennisassistent ontlast de binnenkant. Samen dichten ze de plek waar uren weglekken.
Wat er met jouw data gebeurt — en wat er níet mee gebeurt
Dit is een vraag die elke serieuze ondernemer stelt, en terecht. Dus we zeggen het gewoon expliciet.
Alle data blijft in de EU. We werken standaard met infrastructuur in Ierland — AWS en Pinecone EU-regio. Jouw documentatie wordt niet gebruikt om AI-modellen van derden te trainen. GDPR-compliance zit ingebakken in hoe we bouwen, niet toegevoegd als disclaimer achteraf.
Bij de Rotterdamse MSP was dit geen afterthought — het was een harde eis vanuit hun eigen klantcontracten. We hebben het technisch zo ingericht dat ze dat contractueel konden aantonen. Dat is het niveau waarop dit gesprek gevoerd moet worden.
Chatbot laten maken: maatwerk versus no-code platforms
Er zijn platforms waarmee je in een middag een chatbot kunt bouwen. Intercom, Tidio, Chatbase — ze werken, en voor eenvoudige toepassingen zijn ze prima. Maar ze hebben een plafond.
No-code platforms zijn generiek. Ze zijn niet gebouwd op jóuw data, ze verouderd tenzij je ze handmatig bijhoudt, en hun antwoorden zijn zo goed als de scripts die jij erin stopt. Zodra een klant een vraag stelt die buiten het script valt — en dat doen klanten altijd — valt het systeem terug op "ik begrijp je vraag niet, wil je spreken met een medewerker?"
Dat is precies het probleem dat je probeerde op te lossen.
Maatwerk op basis van RAG is duurder in de bouw. Dat verschil verdien je terug op het moment dat de chatbot daadwerkelijk antwoord geeft op de vraag die gesteld werd — niet op de vraag die jij had verwacht. Bij de MSP-case was de terugverdientijd onder de twaalf maanden. Dat is de vergelijking die telt.
Onderhoud, analytics en wat er na livegang gebeurt
Een chatbot is geen product dat je koopt en in de kast zet. Hij is zo goed als de data waarop hij draait — en die data verandert. Producten worden bijgewerkt. Procedures wijzigen. Nieuwe medewerkers stellen nieuwe vragen.
Daarom bouwen we wekelijkse verversing standaard in. Niet als optie. Niet als betaalde add-on. Als onderdeel van hoe een betrouwbaar systeem werkt.
Naast verversing meten we wat de chatbot doet. Welke vragen worden gesteld? Waar loopt hij vast? Welke antwoorden worden afgesloten zonder doorklik naar een medewerker — en welke niet? Die data vertelt je waar je kennisbank tekortschiet, en dat is informatie die ook buiten de chatbot waardevol is.
Wanneer een chatbot wél doorschakelt naar een mens: bij emotioneel geladen gesprekken, klachten die escalatie vereisen, of vragen waarbij een beslissing juridische consequenties heeft. De chatbot is geen vervanging van menselijk oordeelsvermogen — hij is de voorfase die ervoor zorgt dat menselijk oordeelsvermogen gebruikt wordt voor de gevallen die het echt nodig hebben.
Toepassingen per sector — herkenbaar gemaakt
Een chatbot laten maken is geen generieke beslissing. De toepassing verschilt per context.
Bij IT-dienstverleners en MSP's zit de winst in de interne kennisassistent: minder repetitieve servicedesk-tickets, snellere onboarding van nieuwe medewerkers, en documentatie die niet veroudert. Dat is precies wat we bij de Rotterdamse case hebben gebouwd.
Bij advocatenkantoren en accountants zit de winst in intake en kennismanagement: cliënten die standaardvragen beantwoord krijgen zonder dat een junior er tijd aan verliest, en een interne assistent die jurisprudentie of dossierhistorie ophaalt zonder dat iemand hoeft te zoeken.
Bij zorgpraktijken beantwoordt een chatbot de vragen die de telefoon roodgloeiend houden: openingstijden, herhaalrecepten aanvragen, afspraken inplannen. De praktijkassistente houdt tijd over voor de vragen die haar expertise echt vragen.
Bij MKB en e-commerce zit de winst in leadgeneratie: een chatbot die 's nachts om twee uur een offerteaanvraag opvangt, kwalificeert en opvolgt zonder dat jij erbij hoeft te zijn.
Wat een chatbot laten maken kost — en hoe je de terugverdientijd berekent
We zijn transparant over de bandbreedte. Eenvoudige implementaties beginnen lager; complexe, tweeledige systemen zoals we voor de Rotterdamse MSP bouwden kwamen uit op €32.500 eenmalig.
De terugverdientijd bereken je door te kijken naar wat je nu betaalt aan tooling die de chatbot kan vervangen, plus de uren die je servicedesk of team kwijt is aan vragen die de chatbot kan beantwoorden. Bij de MSP-case was dat €40.000 per jaar aan tooling alleen al — nog vóór één uur servicedesktijd was meegeteld.
Dat is de som die we samen met jou maken voordat we een voorstel schrijven. Niet omdat het er netjes uitziet, maar omdat een chatbot die je niet terugverdient gewoon geen goed idee is.
Ons standpunt
Een chatbot laten maken is een marketingtool, een servicetool en een kennistool tegelijk — mits goed gebouwd. De meeste chatbots zijn dat niet, omdat ze gebouwd zijn op scripts en aannames in plaats van op de werkelijke data van het bedrijf dat ze vertegenwoordigen.
Wij bouwen geen chatbots die ja, nee en amen roepen. We bouwen assistenten die jouw bedrijfskennis vloeibaar maken — voor klanten die 's nachts een vraag hebben, voor medewerkers die een antwoord zoeken, en voor ondernemers die willen dat hun organisatie functioneert zonder dat elke vraag via een mens moet lopen.
Dat is geen belofte. Dat is wat we in Rotterdam hebben gebouwd, met echte bedragen en een terugverdientijd die je kunt uitrekenen op een servetje.