Vertaald uit het Engelse origineel. De cijfers en bronnen zijn ongewijzigd. Lees het Engelse origineel
T-Tech
T-Tech automatiseert 45% van de klantenservicesessies met een afgestemd Qwen-model
T-Tech trainde een Qwen2.5 7B-model op de manier waarop menselijke medewerkers klantchats afhandelen in een platform voor bedrijfsprocessen, en liet het daarna zelfstandig laagrisicostappen uitvoeren. In productie meldden de auteurs dat het 45% van de sessies volledig automatiseerde en de actieve tijd van medewerkers met 39% verlaagde ten opzichte van uitsluitend menselijke afhandeling, zonder statistisch significante daling van de oplossingskwaliteit.
Kerncijfers
Letterlijk overgenomen uit de bronnen. Kopieer elk cijfer met bronvermelding.
45%
Aandeel van de klantenservicesessies dat het systeem in productie van begin tot eind zonder tussenkomst van een medewerker afhandelde1
227,37
s naar 139,15 s (-39%)
Gemiddelde actieve tijd van de medewerker per klant, uitsluitend menselijke werkwijze versus selectieve automatisering (A/B-test, 15,5 duizend klanten per groep, 7 dagen)1
124,67
s naar 104,72 s (-16%)
Gemiddelde actieve tijd van de medewerker per klant, bestaande regelgebaseerde chatbot met vaste stappen versus het nieuwe systeem (A/B-test, 77 duizend klanten per groep, 32 dagen)1
187,66
s naar 150,13 s (-25%)
Gemiddelde actieve tijd van de medewerker per klant, automatisering met verplichte eindbevestiging door de medewerker versus automatisering zonder die bevestiging (A/B-test, 17 duizend klanten per groep, 7 dagen)1
Wat het kostte
Het probleem
Klantenservice op grote schaal draait op workflowsoftware voor bedrijven, waarin medewerkers zich door schermen klikken om elk dossier op te lossen. Dat automatiseren met handgeschreven scripts is traag te bouwen en breekt zodra schermen of processen veranderen. Algemene AI-agents doen per dossier veel modelaanroepen, waardoor kleine fouten zich opstapelen en de kosten hoog zijn.
Wat ze bouwden
T-Tech bouwde een AI-agent die werkt binnen zijn platform voor bedrijfsprocesbeheer (BPM), de software waarmee medewerkers supportchats afhandelen. De agent leest een gestructureerd beeld van het scherm en stelt de volgende actie voor, zoals een klik op een knop, het doorzetten van een chat of het versturen van een bericht. Een tweede model, de criticus genoemd, beoordeelt hoe zeker de agent is. Alleen stappen met hoge zekerheid worden zelfstandig uitgevoerd. Bij alles wat onzeker is, geeft de agent het dossier terug aan een medewerker en gaat verder vanaf het bijgewerkte scherm.
Het model is het open-weight (met open gewichten) Qwen2.5-Instruct-7B van Alibaba, afgestemd op de eigen gegevens van T-Tech. De auteurs kozen de 7B-grootte omdat die de beste balans tussen snelheid en doorvoer bood voor hun serverbudget.
Hoe ze het aanpakten
De uitrol kent drie fasen. Eerst legt het platform alleen vast wat medewerkers doen. Dan draait het model als copilot: medewerkers accepteren de suggestie of corrigeren die, en die feedback traint het zekerheidsmodel. Ten slotte voert het systeem stappen met hoge zekerheid op de achtergrond uit. De auteurs zeggen dat een nieuw proces in ongeveer twee weken selectieve automatisering bereikt zonder handgeschreven regels.
Het supportverkeer wordt opgesplitst in kwestietypen, elk met eigen modellen, zodat afwijkingen in één gebied kunnen worden afgebakend. Als de kwaliteitssignalen voor een segment verslechteren, wordt de automatisering daar uitgeschakeld en keert het systeem terug naar copilotmodus om nieuwe feedback te verzamelen. Trainingsgegevens worden vóór gebruik geanonimiseerd.
Resultaten
De auteurs melden dat het systeem in productie 45% van de sessies volledig automatiseerde. In een A/B-test met 15,5 duizend klanten per groep over 7 dagen daalde de gemiddelde actieve tijd van de medewerker per klant van 227,37 seconden naar 139,15 seconden (-39%) ten opzichte van uitsluitend menselijke afhandeling. Tegenover de bestaande chatbot met vaste stappen (77 duizend klanten per groep, 32 dagen) daalde die van 124,67 naar 104,72 seconden (-16%). Een blinde beoordeling door medewerkers vond in beide tests geen statistisch significant verschil in oplossingskwaliteit.
Medewerkers accepteerden routineacties, zoals het doorzetten van een chat, in 91,7% van de gevallen, maar vrije-tekstantwoorden slechts in 50,81% van de gevallen. De auteurs noemen berichten in natuurlijke taal de belangrijkste beperking voor verdere automatisering.
Wat er misging
Medewerkers wezen een deel van de suggesties af. De auteurs analyseerden die afwijzingen en vonden dat 37,2% aanvaardbare acties waren die de medewerker simpelweg anders wilde uitvoeren, bijvoorbeeld door de formulering van een bericht te verzachten. Gevallen buiten de trainingsgegevens, zoals nieuwe schermelementen of ongebruikelijke verzoeken, zijn een bekend zwak punt, en daarom laat het systeem het bij onzekerheid aan mensen over.
Wat u kunt overnemen
Laat het systeem eerst als copilot draaien en gebruik de accepteer- en corrigeerklikken van medewerkers als trainingsgegevens. Automatiseer repetitieve laagrisicostappen vóór alles wat de klant direct raakt. Volg de tijd van de medewerker per klant in een gecontroleerde test, en voeg een schakelaar toe die een kwestietype terugzet naar menselijke afhandeling wanneer de kwaliteit daalt.
Alle gemelde cijfers
| Maatstaf | Cijfer | Bronvermelding |
|---|---|---|
| Aandeel van de klantenservicesessies dat het systeem in productie van begin tot eind zonder tussenkomst van een medewerker afhandelde | 45%1 | |
| Gemiddelde actieve tijd van de medewerker per klant, uitsluitend menselijke werkwijze versus selectieve automatisering (A/B-test, 15,5 duizend klanten per groep, 7 dagen) | 227,37 s naar 139,15 s (-39%)1 | |
| Gemiddelde actieve tijd van de medewerker per klant, bestaande regelgebaseerde chatbot met vaste stappen versus het nieuwe systeem (A/B-test, 77 duizend klanten per groep, 32 dagen) | 124,67 s naar 104,72 s (-16%)1 | |
| Gemiddelde actieve tijd van de medewerker per klant, automatisering met verplichte eindbevestiging door de medewerker versus automatisering zonder die bevestiging (A/B-test, 17 duizend klanten per groep, 7 dagen) | 187,66 s naar 150,13 s (-25%)1 | |
| Aandeel van de door het systeem voorgestelde vrije-tekstberichten in de chat dat medewerkers in copilotmodus accepteerden (gemiddeld over één week) | 50,81%1 |
Lessen voor uw project
Begin met een copilot voordat u automatiseert. Medewerkers accepteerden of corrigeerden elke suggestie, en die feedback leerde het systeem welke stappen veilig zelfstandig konden lopen.
Laat het systeem zeggen wanneer het onzeker is. Het voert alleen stappen met hoge zekerheid uit en draagt de rest over aan een persoon, en het schakelt zichzelf uit voor een type kwestie als de kwaliteitssignalen verslechteren.
Automatiseer eerst procedurele klikken, formuleringen als laatste. Medewerkers accepteerden routineacties veel vaker dan vrije-tekstantwoorden, dus hield het team gevoelige acties onder menselijke goedkeuring.
Vergelijk met meer dan één referentie. Het team testte tegen uitsluitend menselijke afhandeling en tegen de bestaande chatbot, wat een eerlijker beeld van de winst gaf.
Kanttekeningen
- Alle cijfers komen uit het eigen paper van de auteurs op de industry track van ACL 2026. Geen externe partij heeft ze bevestigd.
- Het paper noemt T-Tech als werkgever van de auteurs en zegt dat het systeem productieverkeer bedient. Het noemt geen bankmerk en zegt niet welke producten de klantenservicechats dekken; de enige vermelding van een bank staat in de prompt in de bijlage, die verwijst naar de supportchat van een bank.
- Het paper noemt het land of de regio van het bedrijf niet, dus de regio wordt als wereldwijd getoond, de restcategorie van het schema. De enige taalaanwijzing is de basisprompt in de bijlage, die het model opdraagt in het Russisch te converseren.
- Het automatiseringsaandeel van 45% is het productiecijfer van het paper, zonder testperiode of steekproefgrootte. De tijdsverminderingen komen uit de drie genoemde A/B-tests, die de actieve tijd van de medewerker meten, niet de totale oplostijd.
- De oplossingskwaliteit is beoordeeld door medewerkers in een blinde beoordeling. Het paper meldt geen statistisch significant verschil met de referenties, wat geen bewijs is van identieke kwaliteit.
- Het paper zegt niet wanneer het systeem live ging. De inzetdatum is de maand van de congresbundel (juli 2026).
- De auteurs zeggen dat de automatisering beperkt blijft tot laagrisicoacties. Het versturen van berichten en onomkeerbare accountwijzigingen vereisen uitdrukkelijke menselijke goedkeuring, dus de winst weerspiegelt geen onbeperkte autonomie.
- De auteurs stellen dat het systeem bedoeld is om de supportcapaciteit te laten meegroeien, niet om banen te schrappen.
Bronnen
- Learning Selective LLM Autonomy from Copilot Feedback in Enterprise Customer Support Workflows
ACL 2026 Industry Track (T-Tech authors) · 2026-07 · Onderzoeksrapport · aclanthology.org
In eigen woorden samengevat op basis van de bovenstaande bronnen. Een fout gezien? Zie correcties.