AI-kennisbank voor klantenservice: hoe het werkt en hoe je er een opbouwt
Door Roman Zakharenko · Feiten gecontroleerd
Een AI-kennisbank voor klantenservice is een helpcenter dat zo is geschreven dat zowel klanten als AI-agents er vragen mee kunnen beantwoorden. De AI zoekt de relevante artikelen op en bouwt daaruit zijn antwoord, dus zijn antwoorden zijn maar zo juist, volledig en actueel als je artikelen. Je kunt hem opbouwen in de tool die je al hebt: het helpcenter van Zendesk, de kennisbank van Freshdesk of Confluence-spaces die aan Jira Service Management zijn gekoppeld.
In één oogopslag
- Retrieval-augmented generation vindt relevante passages in je documenten en voegt ze toe aan de prompt, zodat het model antwoordt vanuit jouw content.
- In een Zendesk-helpcenter staan artikelen in secties binnen categorieën; ze kunnen niet rechtstreeks in een categorie staan.
- Freshdesk deelt zijn kennisbank in met categorieën, mappen en artikelen.
- Confluence-spaces die aan een kennisbank van Jira Service Management zijn gekoppeld, voeden het helpcenter, de zoekfunctie van de kennisbank en de virtual service agent.
- Jira Service Management telt een verzoek als gedeflecteerd als een klant bij het indienen een voorgesteld artikel kiest en het als nuttig markeert.
Hoe AI-antwoorden putten uit je artikelen
De meeste AI-supportagents gebruiken een vorm van retrieval-augmented generation (RAG). AWS beschrijft RAG als een techniek die een groot taalmodel aanvult met externe data, zoals de interne documenten van een bedrijf. In grote lijnen:
- Je documenten worden omgezet in embeddings — numerieke representaties van de tekst — en opgeslagen in een vectordatabase. Dit is een eenmalige stap bij de inrichting.
- Een klant stelt een vraag in natuurlijke taal.
- Het systeem voert een similarity search uit op de vectordatabase en voegt de gevonden passages als context toe aan de prompt.
- Het taalmodel schrijft zijn antwoord op basis van die context.
Daar volgen twee dingen uit. De AI kan niet antwoorden vanuit wat niet is opgeschreven, en hij werkt met stukken van artikelen in plaats van met je hele helpcenter. De richtlijnen van Freshdesk zeggen hetzelfde: Freddy AI haalt artikelen los van elkaar op en gebruikt ze zo, dus als een artikel definities of context weglaat, kan de AI aannames doen of onvolledige antwoorden geven.
De grote helpdesks hebben dit ingebouwd. AI-agents van Zendesk kunnen generatieve antwoorden geven via messaging en e-mail, gekoppeld aan meerdere kennisbronnen, met zoekregels die bepalen welke bronnen onder specifieke voorwaarden worden doorzocht. In Jira Service Management verschijnen artikelen uit een gekoppelde Confluence-space in het helpcenter, in de zoekfunctie van de kennisbank en in de virtual service agent.
Waar de kennisbank in je helpdesk staat
| Helpdesk | Waar artikelen staan | Hoe ze zijn ingedeeld | Wat ze gebruikt |
|---|---|---|---|
| Zendesk | Helpcenter | Categorieën bevatten secties, en secties bevatten artikelen; secties kunnen worden genest, maar artikelen kunnen niet rechtstreeks in een categorie staan | Klanten die bladeren en zoeken, en AI-agents met generatieve antwoorden |
| Freshdesk | Kennisbank (solution articles) | Categorieën bevatten mappen, en mappen bevatten artikelen; mappen kunnen worden genest | Klanten op het portaal, en Freddy AI |
| Jira Service Management | Confluence-spaces die aan de kennisbank van het serviceproject zijn gekoppeld | Pagina's in de gekoppelde Confluence-space | Het helpcenter, de zoekfunctie van de kennisbank en de virtual service agent |
Eén praktisch detail: in Freshdesk verschijnt een categorie of map pas op het klantportaal als er minstens één artikel in is gepubliceerd. Voor AI-antwoorden is wat elk artikel zegt belangrijker dan waar het staat; de hiërarchie helpt vooral mensen die bladeren.
Schrijf artikelen waaruit een AI kan antwoorden
Freshdesk publiceert richtlijnen voor het schrijven van kenniscontent voor Freddy AI, en die gelden voor elke AI die met retrieval werkt:
- Beperk elk artikel tot één onderwerp, en vermeld wanneer de informatie wel en niet van toepassing is.
- Link naar gerelateerde artikelen in plaats van bijkomende workflows in te voegen.
- Splits inrichting, gebruik en probleemoplossing in aparte artikelen als ze verschillende doelen dienen.
- Maak elk artikel op zichzelf staand: definieer de begrippen en context waarop het steunt.
- Gebruik één kop op het hoogste niveau voor het doel van het artikel, en lagere koppen om taken, opties of concepten te scheiden.
Voeg er een paar eigen gewoontes aan toe. Geef artikelen een titel met de woorden die klanten echt gebruiken, niet met interne productnamen. Zet het antwoord in de eerste regels, en daarna de stappen. Houd exacte waarden — limieten, deadlines, prijzen — op één plek bij en link daarnaar, zodat een wijziging niet twee verschillende getallen achterlaat waartussen de AI moet kiezen. En begin waar de tickets zitten: een paar weken aan tickets, gegroepeerd per onderwerp, laat zien welke artikelen je als eerste moet schrijven of repareren.
Houd de content actueel
Een verouderd artikel wordt een zelfverzekerd, fout AI-antwoord, dus geef elk artikel een eigenaar en een reviewritme. Zendesk ondersteunt dit met artikelverificatie: kennisbeheerders stellen verificatieregels in die artikelen voor review markeren op basis van filters en intervallen — bijvoorbeeld elke drie maanden voor artikelen met een bepaald label, in een bepaalde categorie of die al een tijd niet zijn bijgewerkt — en eigenaren van artikelen krijgen e-mailherinneringen om ze te verifiëren. Controleer of je abonnement dit bevat voordat je erop rekent.
Geplande reviews vangen langzame veroudering op. Deze gebeurtenissen moeten direct tot een update leiden:
- Een wijziging in product, prijzen of beleid: werk de artikelen bij op of vóór de releasedag.
- Een medewerker beantwoordt een ticket dat de kennisbank niet dekt: maak een artikel aan of markeer het.
- De AI draagt een gesprek over aan een mens omdat hij geen antwoord kon geven: bekijk die vraag.
- Twee artikelen geven verschillende antwoorden: voeg ze samen en zet het dubbele artikel offline.
Meet selfservice
Meet of artikelen tickets voorkomen, niet alleen of mensen ze lezen. Houd de definities elke maand gelijk, zodat de trend iets betekent.
| Meting | Wat het je vertelt | Hoe je eraan komt |
|---|---|---|
| Gedeflecteerde verzoeken | Klanten die een antwoord vonden tijdens het indienen van een verzoek | Jira Service Management telt een verzoek als gedeflecteerd als de klant tijdens het indienen een voorgesteld artikel selecteert en het als nuttig markeert |
| Verzoeken opgelost met een artikel | Hoe vaak medewerkers verzoeken sluiten met content uit de kennisbank | Het rapport 'Requests resolved' van Jira Service Management volgt verzoeken die zijn gesloten met of zonder kennisbankartikel |
| Selfserviceratio | Gebruik van het helpcenter per ticket | Deel het aantal helpcentersessies door het aantal aangemaakte tickets in dezelfde periode, en volg de trend |
| AI-overdrachtspercentage | Aandeel AI-gesprekken dat aan een mens wordt overgedragen | De analytics van je AI-agent, of een tag die bij elke overdracht wordt toegevoegd |
| Tickets over gedocumenteerde onderwerpen | Of bestaande artikelen tickets echt voorkomen | Neem elke maand een steekproef van tickets en controleer of een artikel de vraag al behandelde |
Hoe TascaLab je kennisbank aan het werk zet
TascaLab bouwt chatbots bovenop de tools die je al gebruikt — Zendesk, Freshdesk, Jira, Slack of interne systemen — via API's, webhooks en Make of n8n, zodat je kennisbank blijft waar hij is. De Starter Chat Bot (eenmalig € 360) dekt 1–2 kanalen en de Standard Chat Bot (€ 510) dekt er 3–5, verdeeld over je website, telefoon, WhatsApp, Telegram, Facebook Messenger en Instagram. Onderhoudsworkflows, zoals reviewherinneringen voor verouderde artikelen, vallen onder Custom Automation (vanaf € 1.070).
De meeste projecten duren 1–3 weken. Elk project omvat 30 dagen ondersteuning na livegang en basisdocumentatie, zonder verborgen kosten, en je kunt beginnen met een gratis Health Check-gesprek van 30 minuten.
Veelgestelde vragen
Wat is retrieval-augmented generation in klantenservice?
Het is een manier waarop een AI antwoordt vanuit je eigen content. Relevante passages worden uit je documenten opgehaald, meestal via een similarity search op een vectordatabase, en aan de prompt toegevoegd, zodat het taalmodel zijn antwoord schrijft vanuit die context.
Kan Jira Service Management Confluence als kennisbank gebruiken?
Ja. Je koppelt een Confluence-space aan de kennisbank van het serviceproject, en de artikelen ervan verschijnen in het helpcenter, in de zoekfunctie van de kennisbank en in de virtual service agent.
Hoe houd ik artikelen in de kennisbank van Zendesk up-to-date?
Gebruik artikelverificatie als je abonnement dat bevat. Verificatieregels markeren artikelen voor review op basis van filters en intervallen, en eigenaren van artikelen krijgen e-mailherinneringen om ze te verifiëren.
Hoe moeten artikelen zijn opgebouwd voor AI-antwoorden?
Eén onderwerp per artikel, op zichzelf staand, met duidelijke koppen. Freshdesk merkt op dat Freddy AI artikelen los van elkaar ophaalt, dus ontbrekende definities of context kunnen leiden tot aannames of onvolledige antwoorden.
Wil je dit laten opzetten voor je team?
Plan een gratis Health Check: een gesprek van 30 minuten en een schriftelijk rapport met 2–3 concrete aanbevelingen, een vaste prijs en de geschatte lopende kosten. Geen verkooppraatje.
Bronnen
- AWS Prescriptive Guidance — Understanding Retrieval Augmented Generation
- Zendesk Help Center — Organizing knowledge base content in categories and sections
- Zendesk Help Center — Generative replies in AI agents FAQs
- Zendesk Help Center — About article verification and how it works
- Freshdesk Support — Create categories, folders and articles in your knowledge base
- Freshdesk Support — Write Freddy AI–optimised knowledge content
- Atlassian Support — Link a Confluence space to your knowledge base
- Atlassian Support — Find out how your knowledge base articles are performing