Train je chatbot niet, zet je bronnen op orde
Tom Rijnen, Sleak
Uit de sessie: Maandelijkse Update okt 2026
In de vragenronde na zijn PLNTS-demo legt Tom Rijnen van Sleak uit waarom zij een AI-chat niet trainen met duimpjes omhoog en omlaag. Wil je betere antwoorden, dan verbeter je volgens hem de bron: een helder kennisbankartikel. Handig als je een chatbot beheert en wilt weten waar je moet bijsturen.
Voor wie: Je een AI-chat beheert en wilt weten of je die beter bijstuurt met beoordelingen of met betere kennisbankartikelen.
Hetzelfde moment
- Hoofdstuk van 6:40 min: Sleak-vragen: chats nakijken en wanneer naar een mens
Waarom dit ertoe doet
Veel klantenserviceteams denken dat een chatbot slimmer wordt door gesprekken te beoordelen. Tom zegt dat dit op het niveau van één bedrijf weinig oplevert en tegenstrijdige antwoorden kan geven. Zijn alternatief: zorg dat het juiste antwoord één keer, duidelijk en zonder dubbelzinnigheid in je kennisbank staat. Bij PLNTS, de case die Tom vlak daarvoor liet zien, kwam de snelle start volgens de klantcase door een kennisbank die al op orde was. Het aantal tickets daalde daar van gemiddeld 2.700 naar 1.900 per maand, bij ongeveer 2.500 chats per maand waarvan 84,3% zonder medewerker werd afgehandeld. Voor jou betekent dit dat het onderhoud van een chatbot vooral redactiewerk is: artikelen schrijven, verouderde pagina's opruimen en tegenstrijdige teksten weghalen.
Belangrijkste inzichten
- Sleak traint het model niet per klant maar zoekt bij elke vraag de juiste stukken uit de databronnen (RAG).
- Tom Rijnen noemt duimpjes omhoog of omlaag 'vrij contextloos' en fine-tunen per bedrijf 'een druppel op een gloeiende plaat'.
- Fine-tunen gebeurt volgens Tom alleen op het algemene taalmodel, op basis van tienduizenden geanonimiseerde gesprekken.
- Een fout antwoord los je op met een nieuw of beter kennisbankartikel, zonder tegenstrijdige of dubbelzinnige teksten.
- Hoe snel de chat naar een mens doorzet is een keuze op een spectrum, bijvoorbeeld pas na 4 herformuleringen of bij elke vraag.
Trainen of informatie meegeven
Er zijn twee manieren om een AI-chat iets nieuws te leren. Bij fine-tunen pas je het model zelf aan met voorbeelden. Bij retrieval-augmented generation (RAG) blijft het model gelijk en zoekt het systeem bij elke vraag de passende stukken uit je eigen informatie op, die het daarna aan het model meegeeft. Sleak kiest voor die tweede route. Tom zegt dat trainen snel tegenstrijdige dingen oplevert. Hij geeft toe dat mensen het graag 'trainen' noemen als het systeem beter wordt, maar volgens hem is het eigenlijk een betere structuur van de zoekmachine, zodat de volgende keer de juiste informatie klaarligt.
Waarom duimpjes weinig opleveren
Veel chattools laten je antwoorden beoordelen met een duim omhoog of omlaag. Tom noemt dat 'vrij contextloos': de duim zegt niet wat er fout was of wat het goede antwoord had moeten zijn. Fine-tunen kan wel, zegt hij. Sleak doet dat volgens hem om het algemene taalmodel te verbeteren, op basis van de tienduizenden gesprekken die het geanonimiseerd analyseert. Maar handmatige plusjes en minnetjes per bedrijf noemt hij 'een druppel op een gloeiende plaat'. Dit is zijn visie als leverancier; volgens Tom kiezen andere tools vaak wel voor trainen.
Bijsturen via de inbox en de kennisbank
Vlak voor de clip vroeg de host of je achteraf gesprekken kunt teruglezen en bijsturen. Tom liet de inbox zien: per gesprek zie je welke acties zijn uitgevoerd en welke pagina's de zoekmachine erbij haalde, bijvoorbeeld artikelen over kapotte producten en het retourbeleid uit duizenden pagina's. Zie je dat tip drie van een antwoord niet klopte, dan kun je dat aangeven. Zijn kernadvies in de clip: 'maak gewoon een nieuw kennisbank artikel in je kennisbank', en denk goed na over wat erin staat. Staat de brondata goed, dan hoef je volgens hem niets te forceren.
Na de clip: hoe snel naar een mens
Daarna vroeg een deelnemer hoe je kiest wanneer de chat doorzet naar een medewerker of een formulier. Tom beschrijft dat als een spectrum. Aan de ene kant laat je een klant zijn vraag 4 keer herformuleren voordat er een mens bij komt. Dat past volgens hem bij een lage marge en weinig mensen, maar is minder klantvriendelijk. Aan de andere kant bied je bij elke vraag een medewerker aan, ook als de chat het antwoord wel had. Zijn advies: ga snel live met een basis, kijk wat de chat al kan automatiseren en zoek dan je eigen balans.
Probeer dit deze week
- Lees 20 chatgesprekken van vorige week terug en noteer bij elk fout antwoord welke pagina de bot gebruikte.
- Zoek in je kennisbank naar twee artikelen die elkaar tegenspreken, bijvoorbeeld over retourtermijnen, en houd er één over.
- Leg met je team vast na hoeveel pogingen of bij welke onderwerpen de chat een medewerker of formulier aanbiedt.
Begrippen
- Fine-tunen
- Een bestaand taalmodel verder trainen met eigen voorbeelden, zodat het model zelf verandert.
- Kennisbank
- De verzameling helpartikelen en antwoorden van je bedrijf, waar een AI-chat zijn informatie uit haalt.
- Brondata
- De oorspronkelijke informatie, zoals pagina's, productfeeds en artikelen, waar de chat zijn antwoorden op baseert.
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 denk fundamenteel wat wij anders proberen te doen is dat we heel duidelijk zijn over het feit dat we dus een AI niet gaan trainen. Kijk, trainen van een model, dan ga je heel snel ook tegenstrijdige dingen krijgen. En wat wij zeggen is van als je hem nou wil gaan aanvullen met informatie, doe dat dan gewoon in die databron. Dus in plaats van dat je hem traint, hij traint wel, het systeem wordt beter over tijd. Mensen vinden het fijn om dat metaforisch te beschrijven. Maar wat wij eigenlijk zeggen is van, we zien het meer als het beter structureren van die zoekmachine. Zodat de volgende keer de juiste informatie wordt geraad gelegd. Dus het is meer een soort van aanpakken bij de kern, en het zorgen ervoor dat die data goed gestructureerd is, zodat die de juiste informatie krijgt, zodat die geen dubbelzinnige informatie is. Maar het trainen ervan, en dat zie je vaak bij andere tools, en wij hebben er echt gezien niet voor gekozen, omdat je dan heel vaak heel veel tegenstrijdigheden en dubbelzinnigheden krijgt, en dat dat vaak een dubbelzinnige plaat is. Duidelijk dus het uiteindelijk achterlijke idee is dat je je brondata gewoon op orde hebt en als die niet staat hoef je ook niks te kunstelen uiteindelijk om het maar even te vergelijken met het trainen ervan het komt op hetzelfde neer, maak gewoon een nieuw kennisbank artikel in je kennisbank, alleen zorg er even voor dat je er goed over nadenkt en we proberen het ook het is ook vrij contextloos bijvoorbeeld met duimpjes omhoog en omlaag te trainen wij zeggen dat fine tunen van zo'n model dat kan wel Dat kunnen wij ook wel doen om het overall taalmodel te optimaliseren op basis van de tienduizenden gesprekken die wij geanonimiseerd analyseren. Alleen het fine-tunen van gesprekken met handmatige plusjes en minnetjes op bedrijfsniveau, dat is gewoon een druppel op een gloeiende plaat en dan proberen we het liever bij de bron aan te pakken en het fundamenteel beter te doen eigenlijk.
Spreker: Tom Rijnen, Sleak
Bronnen
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