Je hebt net een klantgesprek gehad. Opnemen mocht niet, dus je vertrouwt op je geheugen, en meteen na afloop lukt dat meestal prima.
Door Anthony Raaijmakers
Je hebt net een klantgesprek gehad. Opnemen mocht niet, dus je vertrouwt op je geheugen, en meteen na afloop lukt dat meestal prima. Maar dan komt de rest van de dag ertussen: een inbox die vraagt om aandacht, een ander gesprek, losse notities die her en der terechtkomen. Tegen de avond weet je nog dát er iets is besproken, maar niet meer precies wat er beloofd is, welke bezwaren nog openstaan, en wat de eigenlijke volgende stap moet zijn.
Dit is relevant omdat veel AI-investeringen bij MKB-bedrijven zich richten op nóg een chatbot of nóg een slimmer antwoord, terwijl het probleem dat de meeste tijd kost ergens anders zit: niet in het gebrek aan een goed antwoord, maar in het wegzakken van context tussen mensen, systemen en tijd.
Ik zie dit patroon terugkomen in bijna elk bedrijf dat met klanten werkt. Wat er na een dag overblijft is zelden een compleet verhaal. Het is meestal net genoeg om te weten dat er iets speelde, zonder dat iemand nog scherp heeft wat er precies is afgesproken. Niet omdat mensen niet opletten, maar omdat context nu eenmaal tussen CRM, inbox, aantekeningen en het geheugen van één persoon verspreid raakt, en niemand daar structureel iets aan doet totdat het misgaat.
Een AI-operatielaag pakt precies dit probleem aan, en dat is een ander soort toepassing dan een chatbot die vragen beantwoordt. Het gaat niet om een systeem dat slimmer antwoordt, maar om een laag die onthoudt wat er is besproken, afgesproken en nog moet gebeuren, zodat een team niet telkens opnieuw vanaf nul hoeft te reconstrueren wat er speelde. De winst zit niet in een beter antwoord op een vraag, maar in minder contextverlies in de dagelijkse operatie zelf.
Voor een MKB-bedrijf is dat een ander soort besluit dan "welke AI-tool schaffen we aan". Het draait om de vraag waar in je organisatie informatie het vaakst wegzakt: bij de overdracht tussen een verkoopgesprek en een offerte, tussen een supportmelding en de oplossing, tussen een belofte aan een klant en de collega die hem moet waarmaken. Dat in kaart brengen levert meer op dan een extra tool die bovenop het bestaande probleem wordt gestapeld.
Wij kijken bij Oneminded bewust eerst naar die operationele laag voordat we over een specifiek AI-product praten. De waarde zit voor een groeiend team niet in de vraag of een model iets slims kan zeggen, maar in de vraag of niemand meer twee keer hetzelfde moet uitleggen, en of een collega die instapt in een lopend dossier meteen weet waar het over gaat.
Wil je in kaart brengen waar in jouw organisatie context het vaakst verloren gaat tussen een gesprek en de opvolging ervan? Dat gesprek voeren we graag voordat je in een nieuwe tool investeert. Je kunt ons bellen.