Naar de inhoud
Alle video’s

PLNTS: 30% minder tickets met een AI-chat

Klantenservice & SalesDuur: 2:44 min

Tom Rijnen, Sleak

Uit de sessie: Maandelijkse Update okt 2026

Tom Rijnen, een van de oprichters van Sleak, laat zien hoe plantenwebshop PLNTS.com zijn AI-chat Julia heeft ingericht. Je kijkt mee met een echt gesprek over een plant met gele bladeren, een kapotte tak en de retourkosten. Tom legt uit wanneer de chat antwoordt uit een databron en wanneer hij een actie start, zoals een formulier.

Voor wie: Je klantenservice veel dezelfde vragen krijgt en je wilt zien hoe een AI-chat die met je eigen bronnen en acties beantwoordt.

Hetzelfde moment

Waarom dit ertoe doet

De helpdesk van PLNTS kreeg veel terugkerende, eenvoudige vragen. Volgens de klantcase op de site van Sleak daalde het gemiddelde aantal supporttickets na de start van de chat van 2.700 naar 1.900 per maand, gemeten over drie maanden ervoor en drie maanden erna. Dat is bijna 30%, of 800 tickets per maand. De chat voert volgens dezelfde pagina 2.500 gesprekken per maand. Rob van PLNTS zegt daar dat het snel ging omdat er al een goede kennisbank lag. Tom noemt het in de clip een vrij simpel systeem voor vooral simpele vragen. Voor jouw webshop is de les dat de winst zit in vragen die nu al in je documentatie staan maar die klanten niet vinden.

Belangrijkste inzichten

  • PLNTS ging volgens de Sleak-case van gemiddeld 2.700 naar 1.900 supporttickets per maand, bijna 30% minder.
  • De chat Julia voert ongeveer 2.500 gesprekken per maand en handelt volgens de case 84,3% daarvan zelf af.
  • Databronnen zoals sitemaps, een productfeed en een kennisbank leveren de antwoorden; het model wordt niet getraind.
  • Acties zoals een formulier voor beschadigde producten, de Magento-koppeling en een human handoff regelen wat een tekstantwoord niet kan.
  • Tom noemt het een vrij simpel systeem voor simpele vragen; de snelle start kwam volgens PLNTS door een kennisbank die al op orde was.

Databronnen en acties

In het Sleak-dashboard dat Tom deelt zie je twee lijsten. Onder Databronnen staan de support-, care-, blog- en pagina-sitemaps van PLNTS, een productfeed voor Nederland en een kennisbank. Onder Actions staan Cancellation request, Product damaged, een PLNTS Magento API en Human handoff. Een databron levert context: informatie die bij de vraag past. Een actie is iets wat de chat mag doen, zoals een formulier tonen, een bestelling opzoeken of een gesprek doorzetten naar een medewerker. Vlak voor de clip vertelt Tom dat daarboven nog een vaste instructie zit, de system prompt, met wat de chat wel en niet mag en wie PLNTS is.

Zoeken op betekenis in plaats van trainen

Bij de vraag over gele bladeren berekent het systeem wat de vraag betekent en zoekt het informatie die daar statistisch op lijkt. Daarna schrijft het taalmodel een antwoord op basis van het gevonden artikel over gele bladeren voor die plant. Dit heet retrieval-augmented generation (RAG): je haalt relevante stukken uit een kennisbank en voegt die toe aan de vraag die naar het model gaat. Tom zegt 'we trainen dus een model niet'. Eerder in zijn verhaal legt hij uit waarom een gewone zoekbalk tekortschiet: die zoekt vaak op exacte woorden, terwijl klanten hun vraag anders formuleren dan de documentatie. Volgens Tom staan er bij PLNTS duizenden pagina's op de site en nog bijna duizend in het helpcenter van Zendesk. De klant kan ook een foto sturen; de chat verwerkt dus meerdere bestandsformaten.

Een formulier is ook een goed antwoord

Als de klant meldt dat er een tak kapot is, start de actie voor beschadigde producten en toont de chat een eigen formulier. Tom: 'AI hoeft niet alles te doen'. Moet je een vaste set gegevens verzamelen, dan werkt een formulier prima, zolang de bezoeker het kan vinden. De vraag of je retourkosten zelf betaalt beantwoordt de chat weer uit het retourbeleid. Voor een vraag over de status van een bestelling gebruikt hij de Magento-koppeling. Na de clip laat Tom zien dat een verzoek om een medewerker bij PLNTS een ticket aanmaakt in plaats van een live chat over te dragen.

Hoe je de cijfers leest

De 30% minder tickets in Zendesk noemt Tom in de clip. De klantcase van Sleak van 14 augustus 2026 geeft de onderbouwing: 2.700 naar 1.900 tickets per maand en 84,3% van de 2.500 chats zonder menselijke hulp afgehandeld. Het is een case van de leverancier zelf; een onafhankelijke meting is er niet. PLNTS werkt volgens de case met meerdere storeviews in Europese markten. Eerder in de sessie vertelde Tom dat PLNTS eerst een andere chattool probeerde die niet goed werkte. Het PLNTS-team kon zelf niet aanwezig zijn, daarom presenteerde Tom de case.

Probeer dit deze week

  1. Exporteer de tickets van de afgelopen maand en tel welke vijf vragen het vaakst terugkomen en of het antwoord al op je site staat.
  2. Maak een lijst van je databronnen (sitemaps, productfeed, kennisbank) en van drie acties die een chat zou mogen doen, zoals een retourformulier tonen.
  3. Bepaal vooraf welke vragen altijd naar een mens gaan en of dat via live chat of via een ticket loopt.

Begrippen

Databron
Een verzameling informatie waar de chat antwoorden uit haalt, zoals een sitemap, productfeed of kennisbank.
Actie
Iets wat de chat mag uitvoeren in plaats van alleen te antwoorden, zoals een formulier tonen of een bestelling opzoeken.
RAG (retrieval-augmented generation)
Een werkwijze waarbij het systeem eerst passende stukken uit je eigen informatie zoekt en die meegeeft aan het taalmodel.
Human handoff
Het doorzetten van een chatgesprek naar een medewerker, bijvoorbeeld als ticket in Zendesk.

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.

En als ik dan laat zien hoe dat gesprek eruit ziet dan wordt dat denk ik in een notenboek wel vrij duidelijk. Zoals ik eerder al zei, PLNTS maakt dus hier in de afschijning tussen databronnen, dus dat is contextverrijking en acties. Acties zijn dingen die soms uitgevoerd gaan worden. En 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 viruscredies, we voeden het alleen met de juiste informatie op de juiste momenten, En dan zie je dat hij netjes op basis van 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 van 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 databronnen 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 databronnen komt, maar wat een actie is, zijn de Magento-koppelingen, dan kies je daarvoor. En ik denk uiteindelijk, de crux van het verhaal is dat zij AI in de basis inzetten als een human-centric systeem. Dus dat betekent dat het uiteindelijke 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 nood van wat het is. Dus eigenlijk is het een fairly simpel systeem aan de achterkant, om ook vooral simpele vragen op te lossen. Of ja, net hoe gek je het maakt, maar in dit geval ging het echt om simpele vragen. En dat is uiteindelijk denk ik in een notendop hoe dit heeft gewerkt.

Spreker: Tom Rijnen, Sleak

Bronnen

Meer over Klantenservice & Sales