Demo: zo beantwoordt de PLNTS-chat vragen en start acties
Tom Rijnen, Sleak
Uit de sessie: Maandelijkse Update okt 2026
Tom Rijnen van Sleak laat in een demo zien hoe de PLNTS-chat een vraag over een zieke plant beantwoordt uit de eigen kennisbank en bij een kapotte tak een formulier toont. Hij legt uit wanneer de chat naar een medewerker doorzet en wat PLNTS volgens hem oplevert: 30 procent minder tickets in Zendesk.
Voor wie: Je wilt zien hoe een AI-chat in de praktijk een vraag beantwoordt en een actie of doorverwijzing start.
Hetzelfde moment
- Clip van 2:44 min: PLNTS: 30% minder tickets met een AI-chat
Waarom dit ertoe doet
Niet elke vraag vraagt om een agent die zelf iets doet. Tom laat zien dat een formulier prima is als je een vaste set gegevens nodig hebt, zolang de bezoeker het kan vinden. De chat probeert eerst te helpen en zet pas door naar een mens als er een ticket is gemaakt. Zo houdt de klantenservice meer ruimte voor wie echt een medewerker nodig heeft. Volgens Tom ging het om simpele vragen en is het systeem aan de achterkant vrij simpel.
Belangrijkste inzichten
- De chat verzamelt per vraag context: eigen bronnen plus tijdstip, pagina en apparaat.
- Voor een kapot product toont de chat een formulier; AI hoeft niet alles zelf te doen.
- Een vraag die een actie vraagt loopt via de Magento-koppeling, een vraag over retourbeleid via de databronnen.
- De chat is transparant over het gebruik van AI en maakt bij 'ik wil een medewerker' eerst een ticket aan.
- Volgens Tom levert dit PLNTS 30 procent minder tickets in Zendesk op.
Antwoorden uit de eigen bronnen
Bij elke vraag verzamelt de chat de relevante informatie. Dat gebeurt op basis van wat PLNTS zelf heeft ingesteld, plus standaardlogica, zoals het tijdstip, de pagina waarop iemand zit en of hij op mobiel of desktop zit. In de demo vraagt Tom naar een plant met gele bladeren. De chat berekent wat dat betekent, zoekt gekoppelde informatie en antwoordt op basis van een artikel over gele bladeren voor die plant. Het systeem is multimodaal, dus je kunt ook bestanden sturen. Op de vraag of hij retourkosten zelf moet betalen vindt de chat het retourbeleid.
Acties en formulieren
Meldt Tom dat er een tak kapot is, dan triggert een actie die de chat heeft voor beschadigde producten. Er verschijnt een formulier. Tom noemt het doel: AI hoeft niet alles te doen. Moet je een specifieke set variabelen verzamelen, dan is een formulier prima. Een vraag die niet uit de bronnen komt maar een actie vraagt, loopt via de Magento-koppeling.
Door naar een medewerker en het resultaat
Zegt Tom 'ik wil een medewerker spreken', dan zoekt de chat eerst informatie en is transparant dat het AI gebruikt. Daarna kan de human handoff-actie, die op dit moment is toegestaan, een ticket aanmaken in plaats van een live chat over te nemen. Pas dan wordt de chat geëscaleerd. Volgens Tom zet PLNTS AI human-centric in: de gebruiker zo goed mogelijk helpen. Dat levert 30 procent minder tickets in Zendesk op, en bezoekers kunnen sneller converteren.
Probeer dit deze week
- Kies 3 vragen waar een formulier beter werkt dan een gesprek, zoals een beschadigd product, en schrijf op welke velden je nodig hebt.
- Bepaal wanneer je chat naar een medewerker mag doorzetten en of dat via een ticket of een live chat gaat.
Begrippen
- Human handoff
- Het moment waarop een chatbot een gesprek overdraagt aan een medewerker.
- Multimodaal
- Een systeem dat meer dan alleen tekst kan verwerken, zoals foto's en andere bestanden.
Verdiep je in de gids
Transcriptie
Uitgeschreven uit de audio van dit fragment. Stopwoorden en herhalingen zijn weggelaten. Waar [onverstaanbaar] staat, is de opname niet te verstaan.
Nou wat gebeurt er nu? Bij iedere vraag gaan we dus eigenlijk heel erg verzamelen op wat de informatie relevant is. Dat is op basis van eigenlijk dit gedeelte wat is geconfigureerd door Planners zelf. Er zitten ook allerlei andere standaardlogiken achter die altijd relevant is om te weten. Soms is het relevant om te weten hoe laat het is, soms is het relevant om te weten op welke pagina iemand is of iemand op zijn mobiel of op zijn desktop zit. Dat stukje context engineering, dat doen we eigenlijk gedurende dat hele gesprek. En als ik dan laat zien hoe dat gesprek eruit ziet, dan wordt dat denk ik in een notenbepal vrij duidelijk. Zoals ik eerder al zei, PLNTS maakt dus hier in de afscheiding tussen databonnen, dus dat is contextverrijking en acties. Acties zijn dingen die soms uitgevoerd gaan worden. Dus waar we altijd context verrijken, bijvoorbeeld als iemand vraagt van hé, dit is een plant, dat is klaarblijkelijk, die is niet goed gegaan, die heeft gele bladeren, Dan gaat hij berekenen wat dit betekent. En dan gaat hij kijken, heb ik hier nou die gekoppelde datum naar informatie die hier eigenlijk statistisch gezien op lijkt. En vervolgens krijg je netjes een antwoord als de informatie is gevonden. Nogmaals, we trainen dus een model niet. Daarom werkt het ook aanzienlijk beter voor deze hieuscrease. We voeden het alleen met de juiste informatie op de juiste momenten. En dan zie je dat hij netjes op basis van, in dit geval dit artikel over gele bladeren voor deze specifieke plant, een antwoord genereert. Zoals je ziet, dat is ook multimodaal, zoals je dat noemt, dus verschillende bestandsformaten. Hoe werken nou die acties? Nou, die acties, dat is eigenlijk, als ik nou zou zeggen, er is ook een tak kapot van die plant, dus dat lijkt iets niet goed te gaan. In dit geval triggert er een actie, want er is een actie die hij in zijn beschikking heeft, waarin, als iemand beschadigde producten heeft, dat hij die actie mag uitvoeren. En in dit geval wordt er dan dus een custom formulier getoond. Doel eigenlijk de middelen, AI hoeft niet alles te doen, Als er op een bepaald moment een situatie is waarin we een specifieke set en variabelen moeten verzamelen, dan is het formulier helemaal prima. Alleen als de bezoeker het maar kan vinden. Goed, eigenlijk is dit een beetje hoe het werkt. Dus dat gesprek gaat zo door, moet ik de retourkosten zelf betalen, dan gaat hij opnieuw zoeken. In dit geval zijn er geen acties, maar de databronden hebben het retourbeleid gevonden en die genereren we op basis daarvan een bestelling of een antwoord. En als ik dan weer een vraag stel wat niet uit de datumbronnen komt, maar wat een actie is, zijn de magentokoppelingen, dan kies je daarvoor. En ik denk uiteindelijk die crux van het verhaal is dat zij eigenlijk AI in de basis inzetten als een human-centric systeem. Dus dat betekent dat het uiteindelijk het doel is om de eindgebruiker zo goed mogelijk te helpen. Dus als we die eindgebruiker nou zo goed mogelijk helpen in het ontzorgen van hun luiheid of het ontzorgen van de zoektocht naar informatie, dan heeft dat wat bijvangsten voor uiteindelijk PLNTS in dit geval. En dan krijgen ze in dit geval 30% minder tickets in Zendesk. En anderzijds kunnen ze natuurlijk mensen gewoon snel laten converteren. En dat is denk ik een beetje in de noodop wat het is. Dus eigenlijk is het een fairly simpel systeem aan de achterkant, om ook vooral simpele vragen op te lossen. Of ja, maar net hoe gek je het maakt, maar in dit geval ging het echt om simpele vragen. En dat is uiteindelijk denk ik in de noodop hoe dit heeft gewerkt. Dus om het nog even in de practice te brengen, als ik nu een vraag zou stellen... Kijk waar ik ben. En ik zeg nu, nou, laat maar irritant dit. Ik wil een medewerker spreken. Nou, wat gaat hij nu doen? Hij gaat zoeken informatie. We zijn heel transparant over het feit dat we AI gebruiken. Vervolgens heeft hij een human handoff actie waarvan de instructies het op dit moment toelaten. En in dit geval staat hij dus niet op live chat overnemen in Sleak, maar gaat het om het aanmaken van een ticket. En als ik dat doe, dan pas wordt deze chat geëscaleerd naar een medewerker. En dat is uiteindelijk denk ik in de notendop de kracht ervan. Mensen moeten toch hun vraag stellen. En PLNTS zegt, stel nou je vraag, dan gaan we kijken of we je eerst kunnen helpen. Zodat we uiteindelijk iedereen beter kunnen helpen, omdat we wel meer ruimte hebben. En dat is denk ik een beetje in de notendop wat ze hebben gedaan. En dan denk ik in de notendop hoe de case werkt. Ik hoop dat het een beetje een heldere verhaal is. Ik hoop dat het een beetje binnen de tijd is gebleven. Dat zal wel denk ik. Ik had verder niet voorbereid. Maar ja, that's about it denk ik.
Spreker: Tom Rijnen, Sleak
Meer over Klantenservice & Sales
Duur 1:09Salesforce: 100 miljoen leads eindelijk opvolgen
Tachmy Dilmy, eCommerce AI Club
100 miljoen leads in 26 jaar nooit opvolgd, tot AI kwam
Duur 1:37Waarom AI niet kan verkopen zonder domeinkennis
Marja Silvertant, Aiden
LLMs zijn getraind op 30 jaar internet zonder verkoopadvies, dat merk je
Duur 1:37Hoe Mr. Marvis AI trainde op merkspecifieke productnamen
Tijmen van den Elzen, Engaige
AI snapt je productnamen niet, en dat kost je klanten