Ticket deflection: wat het is en hoe je het eerlijk meet

Deflection gebeurt overal waar een klant een antwoord kan vinden voordat hij bij een agent uitkomt. Elk kanaal vangt op een andere manier tickets af en laat een ander spoor achter in je data, dus het helpt om te weten wat je per kanaal echt kunt meten.

Er is geen gedeelde definitie. Elke helpdesk telt iets net anders, en daarom kun je deflection rates uit twee tools, of uit casestudy's van twee leveranciers, niet direct vergelijken.

Twee patronen springen eruit. Ten eerste tellen de breedste metrics, zoals de deflection rate van de AI-agent van Zendesk, aangenomen deflections en de assumed resolutions van Intercom, stilte als succes. Ten tweede voegen de strengere metrics een vorm van verificatie toe: Zendesk telt een geautomatiseerde oplossing alleen als een LLM-controle bevestigt dat het verzoek zonder mens is opgelost, en gesprekken die niet door die controle komen, verbruiken geen automated resolution.

De meeste deflectionmetrics kunnen een klant die het antwoord heeft gevonden niet onderscheiden van een klant die heeft opgegeven. Een bezoeker die een artikel leest, het niet begrijpt en je daarna belt, is een aangenomen deflection in het helpcenterrapport en een ticket in de telefoonwachtrij. Een chat die eindigt omdat de klant het tabblad heeft gesloten, ziet er hetzelfde uit als een chat die eindigde omdat het probleem was opgelost. Zendesk merkt op dat zelfs de strengere categorie van door de AI-agent afgehandelde gesprekken gesprekken kan bevatten waarin klanten afhaakten voordat ze escaleerden of ontevreden waren over de oplossing.

Echt selfservicesucces is meestal lager dan dashboards doen vermoeden. In een Gartner-enquête onder 5.728 klanten, gepubliceerd in augustus 2024, werd slechts 14% van de klantenserviceproblemen volledig via selfservice opgelost, en slechts 36% zelfs wanneer klanten het probleem als heel eenvoudig omschreven.

Zo houd je je deflectioncijfers eerlijk:

• Rapporteer bevestigde en aangenomen deflections apart, en behandel het aangenomen cijfer als bovengrens.
• Volg herhaalde contacten. Een klant die een dag na een afgevangen sessie via een ander kanaal contact opneemt, is niet afgevangen.
• Let op het aantal contacten per klant of per bestelling. Als deflection stijgt maar het aantal contacten per klant niet daalt, bestaat de deflection alleen op papier.
• Lees elke maand een steekproef van transcripten van afgevangen botgesprekken om te zien hoe gesprekken echt eindigden.
• Koppel deflection aan een kwaliteitsmetric, zoals CSAT op botgesprekken of heropende tickets.

Sommige verzoeken moeten zo snel mogelijk bij een persoon terechtkomen, ook als een bot technisch gezien zou kunnen antwoorden. Als je ze afvangt, bespaar je een ticket en verlies je een klant.

• Klanten die expliciet om een mens vragen. Maak die route zichtbaar in plaats van haar te verstoppen achter een reeks mislukte botbeurten.
• Beveiligingsproblemen, zoals gehackte accounts, vermoedelijke fraude of onverwachte afschrijvingen.
• Factuurgeschillen, terugbetalingen en opzeggingen, waarbij een verkeerd of tijdrekkend antwoord direct geld kost.
• Klachten en escalaties, vooral herhaalde contacten over hetzelfde probleem.
• Juridische verzoeken en verzoeken over gegevensbescherming, zoals verzoeken om inzage in of verwijdering van persoonsgegevens, die een gedocumenteerd antwoord vereisen.
• Urgente of veiligheidsgerelateerde problemen, en klanten die van streek of kwetsbaar lijken.

Klanten verwachten die uitweg. In een Gartner-enquête onder 3.566 klanten, gehouden in februari en maart 2026 en gepubliceerd in augustus 2026, zei 87% dat bedrijven die GenAI inzetten voor klantenservice toegang tot een menselijke agent moeten bieden. Het advies van Gartner in hetzelfde persbericht is om GenAI geen verplichte eerste stap te maken, en alleen een oplossing te proberen wanneer de zekerheid hoog is, met een duidelijk pad naar een persoon.

In de praktijk betekent dat routingregels die deze verzoeken direct naar de juiste wachtrij sturen, en een overdracht van bot naar mens die het volledige gesprek meegeeft, zodat de klant niets hoeft te herhalen.

TascaLab bouwt AI-chatbots die veelgestelde vragen beantwoorden op je website, WhatsApp, Telegram, Facebook Messenger of Instagram en al het andere doorgeven aan je team in Zendesk, Freshdesk of je bestaande tools. Een Starter Chat Bot kost € 360 en een Standard Chat Bot voor 3–5 kanalen kost € 510, eenmalig. Automated Reports (€ 620) kunnen deflection naast herhaalde contacten en heropeningen bijhouden, zodat je het echte effect ziet. Elk project omvat basisdocumentatie, 30 dagen ondersteuning na livegang en geen verborgen kosten, en de meeste implementaties duren 1–3 weken. Een gratis Health Check-gesprek van 30 minuten is een goed moment om te bepalen wat je automatiseert en wat menselijk blijft.