Welk AI-model pakt klantenservice het beste aan?

Waarom klantenservice anders is dan elk ander LLM-werk

De meeste taalmodel-benchmarks belonen precies het omgekeerde van wat goede support vraagt. Testsets vieren creativiteit, lange redeneerketens, onverwachte wendingen. Een klantenservice-workflow beloont het tegenovergestelde: voorspelbaarheid, terughoudendheid, toon-consistentie en de discipline om niet te improviseren buiten de kennis die je hebt meegegeven.

Een frontier-redeneermodel dat op een academische testset in het vijfennegentigste percentiel scoort, kan nog steeds een zwakke support-assistent zijn. Het verzint een retourbeleid dat niet bestaat. Het wisselt van toon halverwege een thread. Het schrijft vier alinea's waar één zin genoeg was. Geen van die fouten duikt op in een typisch leaderboard, maar elk ervan kost een echte gebruiker een echte minuut.

Vijf beperkingen definiëren de taak: toon-consistentie over miljoenen antwoorden, responsetijden onder de seconde, harde kennisafbakeningen, geheugen over meerdere berichten binnen één ticket, en stukskosteneconomie die bij volume oploopt. Een model dat drie van die vijf wint maar twee verliest, is de verkeerde keuze. Wie beslist over je support-stack moet naar het volledige plaatje kijken.

De economie verdient extra aandacht. Een verschil van twee cent per ticket klinkt verwaarloosbaar in een demo, maar oogt rampzalig op een jaarfactuur. De meeste support-teams die op enige schaal draaien verwerken meer gesprekken dan ze intuïtief inschatten — een mid-market SaaS met tienduizend tickets per dag verbrandt geruisloos zes cijfers per jaar op het verschil tussen het goedkoopste en het op-één-na-goedkoopste geloofwaardige model. De prijsvergelijking is geen voetnoot; het is vaak de beslissing.

De vijf dimensies die bepalen welk model wint

Dit zijn de assen waarop onze interne scorecard elk model beoordeelt dat in de buurt van een productie-support-queue komt. De relatieve weging verschuift per bedrijf — een luxemerk zet toonaansturing boven kale kosten, een high-volume SaaS keert die rangschikking om — maar elk model moet een minimumdrempel halen op alle vijf.

1. 01 — Instruction-following discipline

   Blijft het binnen de lijnen die je trok?

   Een support-model krijgt een systeemprompt met regels: beloof geen terugbetalingen, citeer nooit prijzen buiten de actieve prijslijst, sluit altijd af met een ticketreferentie. De beste voorspeller van geschiktheid is hoe consequent het model die regels naleeft onder druk — vage prompts, vijandige gebruikers, lange gesprekken. Redeneervermogens telt veel minder dan de weigering om dingen te verzinnen.

2. 02 — Tone steerability

   Klinkt het als jouw merk, niet als zichzelf?

   Elk frontier-model heeft een standaardstem. Sommige klinken als een enthousiaste consultant, andere als een voorzichtige jurist, weer andere als een kwieke stagiair. De vraag is niet welke stem het model prefereert, maar of het een andere stem vasthoudt voor de duur van een dienst. Een model dat bij elk vijfde bericht terugvalt op zijn fabriekstoon, is onbruikbaar voor elk merk dat heeft geïnvesteerd in voice.

3. 03 — Cost-per-resolved-ticket

   Wat betaal je voor het resultaat, niet voor de token?

   Tokenprijzen vergelijken in isolatie is een valstrik. Het zinvolle getal is de totale kosten van het oplossen van één ticket: tokens verbruikt over de hele thread, plus het percentage dat toch naar een mens geëscaleerd wordt. Een model dat half zo duur is maar je escalatiepercentage verdubbelt, is de duurdere keuze. Meet altijd van begin tot eind.

4. 04 — Latency and time-to-first-token

   Ziet de gebruiker binnen een seconde dat er getypt wordt?

   Support is een ervaren-tijd-probleem. Gebruikers wachten enkele seconden op een volledig antwoord, als de typindicator binnen één seconde actief is. Modellen met hoge TTFT verliezen de gebruiker nog voor ze klaar zijn met genereren; gebruikers verlaten de sessie en schrijven toch de mail die ze probeerden te vermijden. Stream altijd, meet altijd first-token-tijd per regio, vertrouw nooit op gemiddelde end-to-end-latency.

5. 05 — Multilingual coverage

   Hoe goed werkt het buiten het Engels?

   De meeste productlanceringen hebben op dag één minstens zes talen nodig. Frontier-modellen ondersteunen er nominaal vijftig of meer, maar de kwaliteit buiten de top zes verschilt sterk. Test in elke taal die je queue echt ontvangt, niet de talen die de leverancier adverteert. Een model dat vloeiend Engels spreekt en behoorlijk Duits kan belachelijk zwak zijn in Turks of Bahasa.

Tokonomix top 5 picks voor klantenservice vandaag

De shortlist hieronder zijn de modellen waaraan we een echte support-queue nu zouden toevertrouwen. Geen enkel model is op alles het beste; elk verdient zijn plek op een specifieke afweging. Het juiste antwoord voor jouw stack zijn bijna altijd twee van hen: een werkpaard dat het grootste deel afhandelt, en een escalatiemodel waarnaar de router kan terugvallen als het vertrouwen zakt of de inzet stijgt.

Outputprijs per miljoen tokens

De grootste kostenpost voor een support-model is de outputprijs. Een typisch opgelost ticket verbruikt veel meer output dan input — de assistent legt uit, vat samen, stelt verduidelijkende vragen. De grafiek hieronder toont de actuele lijstprijs van elke provider voor de vijf modellen hierboven.

Veldgids: welk model voor welk support-patroon

De koppeling hieronder is wat we zouden gebruiken om een team te adviseren dat een nieuwe support-assistent from scratch bouwt. Beschouw het als een startpunt, niet als een vonnis — je eigen benchmark op je eigen tickets gaat altijd boven een algemene aanbeveling.

Benchmark op je eigen workload voor je beslist

Elke aanbeveling op deze pagina is per definitie generiek. Die van jou is dat niet. Het waardevolste uur dat je kunt besteden voor je een klantenservice-model kiest, is het opbouwen van een kleine, representatieve promptset op basis van je eigen historische tickets — twintig gevallen is genoeg om te starten — en elk kandidaat-model er zij aan zij doorheen te halen.

Beoordeel op de vijf dimensies hierboven: hield het de systeemprompt, de merkstem, loste het de zaak op of escaleerde het netjes, bleef het binnen het latency-budget, werkte het in elke taal op de lijst? Het model dat op jouw data wint, is het model dat je moet shippen — ook als het niet het model is dat deze gids aanbeveelt.

Een praktische noot over het uitvoeren van de test: laat de assistent de oplossing uit het originele ticket niet zien. Geef het model alleen wat de oorspronkelijke klant schreef en de systeemprompt die je live agents zouden ontvangen. Vergelijk het antwoord zij aan zij met de menselijke oplossing. Het verschil tussen het model dat indrukwekkend oogt in een demo en het model dat productie overleeft, is bijna altijd zichtbaar in die head-to-head reviews — en bijna nooit zichtbaar in de geaggregeerde benchmarkscore die de leverancier publiceert.