In dit artikel:
- Wat verandert er tussen installatie en geavanceerde configuratie
- Hoe configureer je wanneer de chatbot overdraagt aan een mens?
- Hoe beperk je wat de chatbot mag zeggen?
- Hoe houd je antwoorden consistent voor specifieke vragen?
- Hoe configureer je meertalig gedrag?
- Hoe blijft de chatbot leren na de lancering?
- Welke instellingen controleer je, en hoe vaak
Onze gids voor het instellen van een AI-klantenservicebot behandelt de zes stappen om LiveAgent’s chatbot live te krijgen: maak de Flow, verbind kennisbronnen, pas deze toe op de widget. Dat is het minimum om te lanceren. Het is niet de configuratie die bepaalt of de bot na drie maanden nog goed functioneert. Als je nog chatbot-opties aan het vergelijken bent in plaats van een bestaande chatbot af te stemmen, is onze verzameling van de beste AI-chatbots voor 2026 een beter startpunt.
Deze gids gaat verder waar dat ophield. Elke onderstaande instelling is een echt veld of component dat je in LiveAgent of FlowHunt vindt, geen algemene lijst met best practices.
Wat verandert er tussen installatie en geavanceerde configuratie
Installatie beantwoordt de vraag ‘werkt de bot?’ Configuratie beantwoordt ‘werkt hij zoals ons team hem echt nodig heeft?’ Dat verschil komt tot uiting op vier punten: wanneer de bot escaleert, wat hij mag zeggen, hoe consistent zijn antwoorden blijven per sessie en of hij beter wordt of statisch blijft na de lancering.
Een bot die de test van de eerste week doorstaat, kan klanten een maand later nog frustreren als geen van deze vier punten opnieuw wordt bekeken. De kennisbronnen die je bij de lancering hebt aangesloten, verouderen, de vragen die klanten stellen veranderen en de standaard overdrachtsdrempel die op dag één goed voelde, stuurt mogelijk al te veel of te weinig gesprekken naar je medewerkers.
Hoe configureer je wanneer de chatbot overdraagt aan een mens?
Open het Chatbot-object in LiveAgent en stel het veld ‘Vereiste antwoorden voor het starten van een chat met een menselijke medewerker’ in. Dit getal is het minimale aantal AI-antwoorden dat moet zijn gegeven voordat de knop ‘Verzoek om chat met menselijke medewerker’ beschikbaar wordt voor de bezoeker. Stel je het te laag in, dan escaleert de bot vragen die hij zelf had kunnen afhandelen, waardoor medewerkers tijd verspillen aan verzoeken die nooit een mens nodig hadden. Stel je het te hoog in, dan doorlopen gefrustreerde klanten een reeks nutteloze antwoorden voordat ze iemand bereiken.
Er is een tweede optie die niet van dit aantal afhankelijk is: de AI-agent kan halverwege een gesprek zelf beslissen dat een vraag te complex is en automatisch overdragen, zonder te wachten op de drempel van vereiste antwoorden. Dit is de optie om te gebruiken voor onderwerpendomeinen waar een fout antwoord kostbaar is (facturatiegeschillen, accountbeveiliging) en een vast aantal te rigide aanvoelt.
Zodra een gesprek wordt overgedragen, nemen medewerkers het over vanuit het overzicht Chats met de knop ‘Stop chatbot en doe mee’ en de volledige gespreksgeschiedenis wordt meegenomen in hetzelfde ticket. De techniek wordt in detail behandeld in onze AI-menselijke overdrachtsfunctiegids . Niets aan die overdracht is door de klant configureerbaar, maar weten dat het zo werkt, verklaart waarom het end-to-end testen van het overdrachtsproces belangrijk is, niet alleen de antwoorden van de bot tot aan dat punt.
Hoe beperk je wat de chatbot mag zeggen?
Standaard staat de template AI-agent van LiveAgent een bezoeker toe om op elk moment direct om een menselijke medewerker te vragen, los van de drempel van vereiste antwoorden. Als dat niet is wat je wilt, bijvoorbeeld een bot die bedoeld is om een beperkte set vragen volledig op te lossen voordat er een menselijke optie verschijnt, dan is de oplossing het bewerken van het systeembericht van de AI-agent-component in FlowHunt, niet een LiveAgent-instelling.
Het systeembericht is ook waar toon en persona daadwerkelijk worden bepaald. Er is geen aparte ‘persoonlijkheids’-dropdown: welke instructies je hier ook schrijft (formeel vs. informeel, hoe om te gaan met een vraag buiten de scope, of er verontschuldigd moet worden voor escalatie), dat is wat de bot volgt. FlowHunt ondersteunt meer dan 15 AI-modellen en een modelwissel kan beïnvloeden hoe letterlijk de bot die formulering volgt, maar het model zelf is niet waar de toon vandaan komt.
Hoe houd je antwoorden consistent voor specifieke vragen?
Kennisbronnen beantwoorden algemene vragen goed, maar voor alles wat je team elke keer exact hetzelfde verwoord wilt hebben, zoals prijsstellingen, beleidstaal of een specifieke disclaimer, gebruik je in plaats daarvan FlowHunt’s Vragen & Antwoorden-functie . Hiermee kun je een vast antwoord voor een specifieke vraag definiëren, zodat de bot die exacte formulering teruggeeft in plaats van elke keer een nieuwe parafrase te genereren wanneer iemand ernaar vraagt.
Dit is belangrijker dan het klinkt. Een kennisbank die is geschreven voor menselijk browsen, verspreid over vijf gelinkte hulpartikelen, levert niet automatisch één helder, consistent botantwoord op wanneer de AI uit alle vijf tegelijk put. Vaste V&A-items overbruggen die kloof voor de paar vragen waar woordkeuze echt belangrijk is voor je team.
Schrijf u in voor onze nieuwsbrief
De laatste tips en aanbiedingen direct in uw inbox.
Hoe configureer je meertalig gedrag?
De chatbot detecteert automatisch de taal van een bezoeker en antwoordt in die taal, met ondersteuning voor meer dan 100 talen, afhankelijk van het aangesloten AI-model. Dit is geen instelling die je moet inschakelen; het werkt standaard, maar het is niet uniform voor elke taal. Er kunnen beperkingen gelden voor minder veelgesproken talen, omdat de modelkwaliteit voor die talen varieert per aanbieder.
Voordat je de bot uitrolt naar een markt met een minder gangbare taal, test je hem direct met de daadwerkelijke formuleringen die je klanten gebruiken, niet met een letterlijke vertaling van je Engelse testvragen. Een letterlijke vertaling kan slagen, terwijl een natuurlijke formulering die het model minder vaak heeft gezien een merkbaar zwakker antwoord oplevert.
Hoe blijft de chatbot leren na de lancering?
Stel LiveAgent’s zelflerende lus
in, zodat elk geëscaleerd ticket de bot iets leert in plaats van slechts een eenmalige oplossing te zijn. Maak een automatiseringsregel in LiveAgent die wordt geactiveerd wanneer een ticket is opgelost en is getagd met Update_AI, en die de ticket-ID naar FlowHunt stuurt via een HTTP-verzoek of webhook.
Vanaf daar voert de AI-agent automatisch vier stappen uit: hij leest de volledige ticketthread om te zien wat de chatbot heeft gemist, vergelijkt dat met de daadwerkelijke oplossing van de menselijke medewerker, generaliseert de oplossing tot een herbruikbare regel in plaats van een eenmalig antwoord, en slaat deze op als een gestructureerde geheugenvermelding (onderwerp, trigger, vereisten, oplossing) die de chatbot kan ophalen bij de volgende vergelijkbare vraag. Persoonlijk identificeerbare informatie wordt automatisch verwijderd voordat er iets wordt opgeslagen.
Het resultaat stapelt zich op. Escalaties die je team in week één oplost, worden kennis die de bot in week twee heeft, zonder dat iemand handmatig een kennisbronartikel hoeft te herschrijven.
| Instelling | Waar configureer je het | Wat het regelt |
|---|---|---|
| Vereiste antwoorden voor het starten van een chat met een menselijke medewerker | Chatbot-object, LiveAgent | Minimaal aantal AI-antwoorden voordat overdracht beschikbaar wordt |
| Systeembericht AI-agent | AI-agent-component, FlowHunt | Toon, persona en wat de bot wel/niet mag zeggen |
| Vragen & Antwoorden | FlowHunt | Vaste, woord-voor-woord antwoorden voor specifieke vragen |
| AI-model | AI-agent-component, FlowHunt | Antwoordstijl en taalbereik |
Update_AI automatiseringsregel | Automatiseringsregels, LiveAgent | Activeert de zelflerende lus bij opgeloste tickets |
Welke instellingen controleer je, en hoe vaak
Controleer het overdrachtspercentage en de specifieke vragen die escalatie veroorzaken wekelijks gedurende de eerste maand na een configuratiewijziging, en daarna maandelijks zodra het patroon stabiel is. Een stijgend overdrachtspercentage wijst meestal op een kennishiaat dat de zelflerende lus nog niet heeft gedicht, niet op een instelling die helemaal opnieuw moet worden opgebouwd.
Als de toon van de bot afwijkt van wat het systeembericht voorschrijft, is dat een signaal om de formulering direct te herzien in plaats van AI-modellen te wisselen om te compenseren. En als escalaties zich clusteren rond één terugkerend onderwerp, is dat precies het signaal waarvoor de Update_AI-tag is ontworpen. Zorg er dus voor dat je medewerkers deze ook daadwerkelijk toepassen voordat je aanneemt dat de zelflerende lus niet werkt.
Zodra de overdrachtstiming, het systeembericht, de meertalige dekking en de zelflerende regel allemaal bewust zijn ingesteld in plaats van op standaardwaarden te zijn gelaten, verdwijnt het verschil tussen ‘de bot werkt’ en ‘de bot werkt zoals ons team hem nodig heeft’ grotendeels vanzelf.
