Naar de inhoud
Alle video’s

PLNTS-case: een AI-chat die eerst je eigen bronnen doorzoekt

HoofdstukKlantenservice & SalesDuur: 5:59 minVanaf 10:02 in de opname

Tom Rijnen, Sleak

Uit de sessie: Maandelijkse Update okt 2026

Tom Rijnen, een van de oprichters van Sleak, vertelt hoe plantenwebshop PLNTS.com een AI-chat op de site zette. Hij begint bij het probleem: bezoekers vinden antwoorden niet en lopen vast bij de klantenservice. Daarna legt hij uit hoe de chat eerst de eigen bronnen van PLNTS doorzoekt en uit welke drie modules die bestaat.

Voor wie: Je een AI-chat voor je webshop overweegt en wilt weten hoe die met je eigen bronnen werkt.

Waarom dit ertoe doet

Een zoekbalk die op exacte overeenkomsten werkt, faalt zodra een klant de vraag anders verwoordt dan jouw documentatie. Die vraag komt dan bij de klantenservice, die al bezig is met herhaalde vragen. Tom laat zien hoe een AI-chat dat opvangt zonder dat je een model traint: je voedt het op het juiste moment met de juiste informatie. Handig als je een chat overweegt en wilt weten wat erachter moet zitten.

Belangrijkste inzichten

  • PLNTS heeft duizenden pagina's plus bijna 1.000 pagina's in het Zendesk Help Center; zoeken op exacte overeenkomst werkt dan slecht.
  • Het model wordt niet getraind; het krijgt per vraag de relevante context uit de eigen bronnen.
  • De chat bestaat uit drie modules: system prompt, databronnen en acties.
  • Databronnen worden altijd doorzocht; acties voert de agent alleen soms uit.
  • Voorbeelden van acties: doorzetten naar een medewerker via Zendesk, Magento-koppeling en formulieren.

Het probleem bij PLNTS

Tom zegt dat bezoekers vooral lui zijn en dat websites veel informatie hebben. Op de site van PLNTS staan duizenden pagina's, en het Zendesk Help Center heeft er nog bijna 1.000. Een zoekbalk werkt vaak op exacte overeenkomsten, dus een vraag die net anders is verwoord vindt niets. Dan belt of mailt iemand de klantenservice. Dat is op zich geen probleem, maar iedereen moet langer wachten omdat de klantenservice repeterende vragen krijgt van mensen die gewoon geen informatie konden vinden. PLNTS probeerde eerst een ander agent-achtig hulpmiddel, dat volgens Tom niet goed werkte, en testte daarna Sleak.

Een slimme zoekmachine met context

Volgens Tom is Sleak aan de achterkant een slimme zoekmachine. Die berekent wat de vraag betekent en verzamelt in de context-engine op het juiste moment de relevante context: producten uit de Channable-feed, informatie uit Magento, wat de bezoeker nu ziet, hoe laat het is, of iemand is ingelogd. Die context gaat naar een taalmodel dat bepaalt of er een antwoord kan komen. Het model wordt nooit getraind. Het krijgt elke keer te horen wie PLNTS is en wat het wel of niet mag.

Drie modules

PLNTS stelde zelf drie modules in. Eerste: een system prompt met wat de chat altijd moet weten. Tweede: de databronnen, zoals items uit een feed, pagina's en de supportkennisbank. Dit is volgens Tom iets wat Sleak forceert; er zit niets agentisch achter. Derde: de acties, waarvoor de agent zelf bepaalt of ze worden uitgevoerd, zoals een chat doorzetten naar een medewerker via Zendesk, informatie ophalen of aanpassen met de Magento-koppeling en formulieren tonen. Databronnen en acties zijn modulair.

Probeer dit deze week

  1. Tel hoeveel pagina's je site en je helpcentrum samen hebben en noteer welke 10 vragen klanten het vaakst via de klantenservice stellen.
  2. Schrijf op welke 3 datasoorten je chat bij elke vraag nodig heeft, zoals feed, kennisbank en pagina waarop de bezoeker staat.

Begrippen

Context-engine
Het onderdeel dat per vraag de relevante informatie verzamelt voordat een taalmodel antwoordt.
System prompt
Vaste instructie aan een taalmodel over wie het is en wat het wel of niet mag.
Zendesk
Software voor klantenservice, met onder meer een helpcentrum en tickets.

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.

Ik wil graag het woord verder overdragen aan Tom. Tom, zou je jezelf nog kunnen voorstellen en vertellen waar je het over gaat hebben over de AI-implementatie bij PLNTS.com? Ja, zeker, absoluut. Dank voor de intro. En aangenaam allemaal, ik ben Tom, ik ben een van de oprichters van Sleak. Misschien ooit gehoord, misschien niet. Het is een AI-chat op je website. Ik weet niet wat het nu is. en ik heb een tijd geleden al contact gehad met Jop gewoon kennismakend en Jop die had de case voorbij zien komen, ik ga even mijn scherm delen als dat kan ja ga je gaan, ik stop even even kijken oké een groot appart ja Jop die had de case voorbij zien komen van PLNTS.com helaas konden ze er niet bij zijn in verband met vakanties anders hadden ze zelf even mee wat kunnen vertellen maar dat ga ik nu doen dus ja, nogmaals aangenaam ik ben Tom, een van de oprichters van Sleak en ik ga jullie denk ik gewoon dit is een client case waarin we waarin ik in anderhalve minuut heel erg snel eigenlijk er doorheen loop maar wat ik vandaag ga doen, ik ga het iets langer ik hou het nog steeds met knop, kleine tien minuutjes denk ik uitleggen wat ze hebben gedaan dus ja, dat ik ga het in drie stapjes uitleggen enerzijds gaan we kijken naar wat het onderliggende probleem is, waardoor ze uiteindelijk met ons aan de slag zijn gegaan, met onze tool. En uiteindelijk gevolg natuurlijk met hoe ze het hebben opgelost, hoe ze het hebben ingericht en hoe het vooral voor de klant uitziet. Het blijft een customer-facing product, dus dat is denk ik heel belangrijk. Ja, overigens als er vragen zijn, onderbreek ik me vooral even. Het onderliggende probleem. Het probleem is eigenlijk, of ja, het probleem, De onderliggende zaak is eigenlijk dat bezoekers vooral vrij lui zijn. Er is heel veel informatie op websites beschikbaar. Er zijn hier duizenden pagina's. Dan hebben we het nog niet over de Zendesk Help Center. Daar staan ook nog een kleine duizend pagina's. En als je dan gaat zoeken op de ouderwetse manier, en je hebt zo'n balk, dan werkt dat vaak op basis van exact overeenkomsten. Dat is een beetje onhandig, want iemand verwoordt het net op een andere manier. een vraag dan hoe het op jullie documentatie staat, of op hun documentatie staat in dit geval, en dan is het gevolg eigenlijk dat iemand vervolgens bij de klantenservice komt. Nu is dat in principe natuurlijk geen probleem, dat mensen bij de klantenservice komen, want PLNTS als vervelend ervaren is dat eigenlijk iedereen langer moet wachten, omdat de klantenservice ook bezig is met allerlei repetitieve contacten, waar die mensen uiteindelijk ook helemaal geen mens voor willen spreken, maar omdat ze gewoon simpelweg niet op tijd juiste informatie konden vinden. Nou, eerst zijn ze aan de slag gegaan met Zoë, dat is een ander soort tool, een soort van agent voor op je website. Dat werkte niet lekker. En toen zijn ze een test aangegaan met ons, en dat werkte wel lekker. Dus wat is het nou eigenlijk? We hebben hier een chat, dat is eigenlijk in de invite wat het is. Het is gewoon een chat interface, ik ga even op het scherm, dus hij wordt iets kleiner. En voordat ik hier indak, ik zal het eigenlijk even laten zien hoe dit uiteindelijk werkt, maar het is gebaseerd op wat er natuurlijk uiteindelijk is gekoppeld aan de achterkant. Hoe dat uiteindelijk werkt is dat wij eigenlijk een hele slimme zoetmachine zijn. Dus wij kunnen eigenlijk heel erg goed berekenen wat iets betekent, en vervolgens kunnen we ook berekenen wat de vraag betekent, en kunnen we op hele slimme manieren in onze context-engine, zoals dat dan heet, op de juiste momenten de relevante context verzamelen. Denk aan producten uit de channel-able feed, informatie uit Magento, Wat ziet die bezoeker op dit moment? Hoe laat is het? Is die ingelogd? Eigenlijk alle contexten die op een bepaald moment relevant is om een vraag te kunnen beantwoorden. En als we dat nou heel nauwkeurig kunnen doen, dan uiteindelijk kunnen we die informatie aan een taalmodel geven om te bepalen of er een antwoord gegenereerd kan worden. Dus eigenlijk zijn we aan de achterkant een hele slimme zoekmachine. En dat is dus waar PLNTS als volgende stap mee aan de slag moest. Dan ga ik even terug mijn scherm delen in ons dashboard, want dan wordt het denk ik in een oogopslag wel vrij duidelijk hoe dat in elkaar steekt. Even kijken waar het moet zijn. Ja, buiten dat ik ga niet alles laten zien hoor, maar vooral hoe hebben ze nou uiteindelijk hun eigen informatie gekoppeld zodat onze zoekmachine zich ook daadwerkelijk beperkt tot de informatie die zij hebben. Dat zijn dus eigenlijk drie modules. We hebben enerzijds de module voor de prompt, dat is gewoon een system prompt. Er is altijd informatie natuurlijk die die altijd moet weten, ongeacht de informatie of de vragen die er gesteld worden. Dus wat mag je wel of niet? Wat is PLNTS? Omdat we zo'n taalmodel dus nooit gaan trainen. En omdat we hem iedere keer voeden, moet hij ook natuurlijk iedere keer die context hebben van wie hij is, wie PLNTS is. Maar uiteindelijk, waar verzamelen we nou die informatie uit? Dat is vooral uit die datum. Dus dat is eigenlijk stap 1. Dat is iets wat we forceren. Er zit dus niks agentics achter. Dat is simpel. Een agent doet soms dingen. Die heeft de autonomie om zelf te kunnen bepalen of er bepaalde zaken worden uitgevoerd. Maar uit onze AI zoekmachine rollen eigenlijk allerlei contextuele puntjes uit de databronnen die op dit moment relevant zijn voor de vraag. Denk aan items uit een channel feed, denk aan simpelweg pages, denk aan pagina's uit de support, knowledge base. En uiteindelijk wordt die context dan onder andere gebruikt om een antwoord te genereren. En vervolgens bepaalt die agent ook nog of er acties uitgevoerd gaan worden. Zowel die datumbronnen als die acties zijn heel modulair. En zijn we dan natuurlijk op basis van hun setup. Hebben ze ervoor gekozen om deze informatie te koppelen. En deze acties uit te voeren. In dit geval die acties zijn het aanopvallen van de mensen natuurlijk. Dus het escaleren van een chat naar een medewerker. In dit geval is dat gekoppeld aan Zendesk. Het ophalen van informatie of het aanpassen van informatie met de magento koppeling. En wat formulieren die op de juiste manier worden getoond.

Spreker: Tom Rijnen, Sleak

Meer over Klantenservice & Sales