Zendesk gebruikt OpenAI om adaptieve klantenserviceservice-agents te bouwen gericht op het oplossen van problemen

Zendesk helpt bedrijven al meer dan tien jaar om goede klantervaringen te bieden. Het platform verwerkt jaarlijks meer dan 4,6 miljard klantvragen.

Begin 2023 begon Zendesk nauw samen te werken met OpenAI om te onderzoeken hoe AI klantenservice en productontwikkeling kan hervormen. Inmiddels test Zendesk een nieuwe klasse AI-agents⁠(opent in een nieuw venster), aangestuurd door OpenAI-modellen, die niet alleen volledige gesprekken beheren, maar ook zelfstandig reacties plannen en uitvoeren: 

• Van dagen naar minuten om alles op te zetten
• Automatisering verhoogd tot 80%
• Volledige controle over hoe de AI zich gedraagt

Zelfs de meest geavanceerde serviceplatforms lopen tegen beperkingen aan als het gaat om traditionele automatisering. Het standaardmodel steunde op intentclassificatie: voorspel een intent, activeer een vooraf gedefinieerde dialoog of workflow en hoop dat de klant het script volgt.

Deze opzet werkte voor gestructureerde interacties, maar viel snel uiteen bij nuance, vervolgvragen of uitzonderingssituaties.

"De oude aanpak was simpel: bericht erin, antwoord eruit," zegt Adrian McDermott, CTO bij Zendesk. "Echte klanten veranderen van gedachten, stellen vervolgvragen en verwachten dat de AI daarin vanzelf meebeweegt. In klantenservice telt uiteindelijk maar één ding: het probleem oplossen. Tot nu toe waren bots daar nog beperkt toe in staat."

Zendesk begon samen te werken met OpenAI om een generatieve aanpak te adopteren met Retrieval-Augmented Generation (RAG) voor eenvoudige FAQ-interacties. Vandaag is hun focus verschoven naar generatieve redenering waarmee AI-agents zelfstandig taken kunnen plannen en uitvoeren.

De nieuwe klasse agentic AI-agents van Zendesk is speciaal ontwikkeld voor klantenservice. Aangedreven door OpenAI-modellen zoals GPT‑4o beantwoorden deze agents niet alleen vragen, ze leiden gesprekken, redeneren op basis van de context en werken toe naar het oplossen van het probleem.

Het platform maakt gebruik van een multi-agentarchitectuur die bestaat uit gespecialiseerde agents zoals:

• Taakidentificatie-agent: In plaats van te vertrouwen op handmatige training voert deze AI-agent een echt gesprek om te begrijpen wat de gebruiker nodig heeft, stelt verhelderende vragen en maakt onderscheid tussen vergelijkbare problemen.
• Conversationele RAG-agent: Breidt traditionele RAG uit door rekening te houden met meerstapsgesprekken. Wanneer een gebruiker bijvoorbeeld vraagt naar betaalopties, kan de agent eerst navragen waar de gebruiker zich bevindt voordat hij regiospecifieke richtlijnen ophaalt.
• Procedurecompliance-agent: Door handelingsvrijheid en controle in balans te brengen, zet Zendesk’s procedurecompliance-agent bedrijfsregels om van natuurlijke taal naar een gestructureerde flow, zodat de AI begrijpt en visueel weergeeft hoe de procedures van het bedrijf moeten worden uitgevoerd.
• Procedure-uitvoeringsagent: Voert acties uit door API’s aan te roepen, workflows te activeren en systemen bij te werken, allemaal binnen de logica die door het bedrijf is gedefinieerd.

Door RAG te combineren met redenering kunnen Zendesk’s AI-agents nu gesprekken met meerdere stappen voeren, vervolgvragen stellen en reacties aanpassen op basis van gebruikersinput. Daardoor kan het platform complexe kwesties zelfstandig oplossen, zonder te vertrouwen op rigide dialoogstromen.

"We hebben de bot meer handelingsvrijheid gegeven om het gesprek te sturen, terwijl die binnen Zendesk’s waarborgen voor kwaliteit en nauwkeurigheid blijft werken," zegt McDermott. "Het proces begon met het begrijpen van het probleem van de klant, met een sterke focus op het toewerken naar een oplossing."

Een van de grootste verschuivingen in de ontwikkeling van AI-agents bij Zendesk is de evolutie naar een hybride ontwikkelmodel, waarin agents naadloos kunnen schakelen tussen dialoogstromen en generatieve procedures binnen één gesprek.

Met de nieuwe AI-agentbouwer kunnen bedrijven procedures definiëren in natuurlijke taal. De AI-agent plant vervolgens een aanpak met adaptieve redenering en toont een preview van de voorgestelde stappen voordat de agent live gaat. 

AI-redeneringscontroles bieden realtime inzicht in hoe AI-agents denken, zodat teams elk gesprek kunnen auditen door de chain-of-thought (CoT) van de agent te bekijken om te begrijpen hoe beslissingen zijn genomen.

Deze verschuiving verkort de opzettijd van dagen naar minuten en maakt generatieve automatisering toegankelijk voor een veel bredere groep Zendesk-klanten.

Achter de schermen hanteert Zendesk een grondig intern benchmarkprogramma om de beste modellen te selecteren en in te zetten, en prompts per use case af te stemmen. Het team kijkt daarbij naar latentie, kosten en kwaliteit, en test nieuwe modellen zoals OpenAI’s o3‑mini in uiteenlopende toepassingen, van RAG tot complexere redeneertaken op de achtergrond.

Dankzij dit proces kan Zendesk nieuwe modellen in minder dan 24 uur evalueren, testen en implementeren.

Zendesk volgt de prestaties zowel voor als na implementatie, met offline evals en live metrics zoals oplossingspercentage, bewerkingspercentage en latentie. Elke modelbeslissing wordt gedocumenteerd en is auditbaar, wat transparantie en betrouwbaarheid waarborgt terwijl het systeem zich ontwikkelt.

Dit jaar wil Zendesk nog een stap verder gaan: de uitrol van een selfservice-benchmarkplatform zodat elk Zendesk-engineeringteam modellen kan testen en implementeren zonder praktische ondersteuning van machine-learningexperts.

Zendesk test momenteel het nieuwe agentic AI-platform met een groep vroege klanten. Het platform integreert eenvoudig met bestaande systemen en helpt organisaties sneller richting 80% automatisering, zonder dat ze alles opnieuw hoeven op te bouwen.

Hoewel bredere resultaten later in 2025 volgen, is de eerste feedback positief: snellere implementatie, nauwkeurigere antwoorden en een soepelere ervaring voor gebruikers, ongeacht het kanaal.