AI wordt pas echt interessant als het wél weet wie je klant is

Organisaties hebben jarenlang geïnvesteerd in een zo compleet mogelijk beeld van hun klanten. CRM-systemen werden gekoppeld aan marketingplatforms, webdata en supporthistorie, met het 360-graden klantbeeld als ideaal. Nu hebben we met generatieve AI eindelijk technologie die al die gestructureerde én ongestructureerde informatie kan interpreteren, maar zijn we terecht voorzichtig met het beschikbaar stellen van persoonsgegevens aan AI-diensten. Context data wordt beperkt, gepseudonimiseerd of geanonimiseerd voordat een model ermee aan de slag mag.

Maar wat gebeurt er als AI juist wél mag weten wie de klant is? Niet omdat we privacyregels terzijde schuiven, maar omdat we de verwerking zo organiseren dat relevante persoonsgegevens verantwoord gebruikt kunnen worden.

Zonder identiteit begrijpt AI de vraag, met identiteit begrijpt het de klant

Neem twee klanten die exact dezelfde vraag aan een B2B klantenservice stellen: “Mijn bestelling is alweer te laat. Kunnen jullie hier iets aan doen?”

Zonder verdere context zijn die vragen identiek. Een taalmodel kan de intentie herkennen, de leveringsvoorwaarden erbij zoeken en een vriendelijk antwoord formuleren.

Maar stel dat het model wél context heeft en bij de eerste klant ziet dat dit zijn eerste bestelling van honderd euro is en dat deze één dag vertraging heeft. Bij de tweede ziet het dat hij al acht jaar klant is, jaarlijks duizenden euro’s besteedt, drie maanden geleden ook een leveringsprobleem had, vorige week daarover contact heeft opgenomen en over zes weken een contract moet verlengen.

De vragen zijn hetzelfde. De betekenis voor de klantrelatie en hoe je deze vraag wilt opvolgen waarschijnlijk niet. Met context kan AI niet alleen een vraag begrijpen, maar ook de relatie erachter. Eerdere interacties kunnen worden samengevat, relevante gebeurtenissen gesignaleerd en een passende vervolgstap voorgesteld.

Voor sales en marketing geldt hetzelfde. Een AI-assistent die alleen een binnengekomen e-mail ziet, kan een antwoord schrijven. Geef hem toegang tot relevante CRM-data, eerdere voorstellen, meeting notes en supporthistorie en hij kan ook begrijpen waarom een bepaald gesprek juist nu relevant is. AI verschuift dan van tekstgenerator naar account intelligence.

We hebben twintig jaar gebouwd aan context die AI nu kan begrijpen

Organisaties proberen al jaren klantinformatie uit verschillende silo’s samen te brengen. Veel daarvan was tot nu toe lastig schaalbaar te gebruiken. Een database kan prima filteren op omzet of contractdatum. Veel moeilijker wordt het wanneer relevante informatie verstopt zit in drie jaar aan e-mails, gesprekken, supporttickets en vrije CRM-velden. Laten LLM’s nu precies dáár goed in zijn…

En daarmee ontstaat een paradox: we hebben jarenlang geïnvesteerd in een 360-gradenbeeld van de klant. Nu hebben we eindelijk technologie die dat volledige beeld kan interpreteren, en juist op dat moment beginnen we context weg te halen voordat AI ermee aan de slag gaat.

Daar kunnen uitstekende redenen voor bestaan. Wie persoonsgegevens laat verwerken door een AI-dienst moet onder de AVG onder meer nadenken over doel, rechtsgrond, dataminimalisatie, beveiliging en welke partijen bij de verwerking betrokken zijn. Dat een model waarde uit bepaalde data kan halen, betekent uiteraard niet dat een organisatie die data daarom automatisch mag gebruiken.

Toch betekent dataminimalisatie niet dat identiteit per definitie verwijderd moet worden. De AVG verlangt dat persoonsgegevens beperkt blijven tot wat noodzakelijk is voor het doel. Als identiteit of historische klantcontext daadwerkelijk noodzakelijk is voor een toepassing, wordt de interessante vraag daarom niet alleen hoe je die informatie verwijdert, maar ook hoe je haar verantwoord kunt gebruiken.

Daarbij wordt overigens vaak gesproken over anonimiseren terwijl feitelijk sprake is van pseudonimiseren. Een klantnummer in plaats van een naam maakt data niet anoniem wanneer die klant nog steeds identificeerbaar is.

Context wordt nog belangrijker bij agents

Dat vraagstuk wordt groter naarmate AI autonomer wordt. Een chatbot kan uitleggen hoe een klant een bestelling annuleert. Een agent kan de klant identificeren, de bestelling opzoeken, controleren welke voorwaarden gelden en de annulering daadwerkelijk uitvoeren. Daarvoor heeft AI niet alleen taalvaardigheid nodig, maar identiteit, context, toegang tot systemen en bevoegdheden.

Een agent die klantdata mag lezen en zelfstandig handelingen uitvoert, is feitelijk onderdeel geworden van het bedrijfsproces. Daarmee verschuift de discussie van welke AI-tools medewerkers mogen gebruiken naar welke data en bevoegdheden we AI binnen onze processen willen geven.

Dat vergroot zowel de potentiële waarde als het risico. Organisaties moeten niet alleen bepalen welke informatie een AI-workflow mag benaderen, maar ook welke acties een agent namens de organisatie mag uitvoeren. De AVG en, afhankelijk van de toepassing, de AI Act stellen daar grenzen aan. Governance via uitsluitend een lijst met toegestane AI-tools wordt daarmee steeds minder houdbaar.

Moeten we de data altijd naar het model brengen?

Naarmate AI meer onderdeel wordt van het primaire proces ontstaat een nieuwe afweging. Niet iedere AI-workload hoeft hetzelfde behandeld te worden. Voor het genereren van een producttekst maakt het misschien weinig uit waar een model draait. Maar wat als hetzelfde model toegang krijgt tot klantdossiers, contracten, gespreksverslagen en aankoopgeschiedenis? Dan wordt de inrichting van de verwerking ineens onderdeel van de businesscase.

We zijn er door SaaS aan gewend geraakt om onze data naar de applicatie van een leverancier te brengen. Bij AI gebeurt vaak hetzelfde: relevante context wordt naar een extern aangeboden model gestuurd. Voor veel toepassingen is dat een prima oplossing. Maar het hoeft niet de enige architectuur te zijn.

Open-weightmodellen maken ook de omgekeerde beweging mogelijk: niet de data naar het model brengen, maar het model naar een gecontroleerde omgeving rond de data. Daarmee krijgt een organisatie meer technische controle over waar en hoe die gegevens worden verwerkt.

Dat maakt het gebruik van persoonsgegevens niet automatisch toegestaan of veilig. Het verandert wel de afweging. De vraag wordt dan niet langer alleen hoeveel context we uit een AI-workflow moeten verwijderen, maar ook of we de omgeving zo kunnen inrichten dat AI juist méér relevante context verantwoord kan gebruiken.

De volgende AI-wedloop draait om context

De eerste jaren van generatieve AI draaiden vooral om modellen. Welk model redeneert het beste? Welke is sneller? Welke kost minder? Voor organisaties wordt dat onderscheid uiteindelijk minder belangrijk. Concurrenten kunnen immers toegang kopen tot hetzelfde model.

Het werkelijke onderscheid ontstaat wanneer organisaties modellen kunnen verbinden aan data, kennis en processen waar hun concurrenten geen toegang toe hebben. Een taalmodel weet veel over de wereld, maar weinig over die ene klant die al acht jaar zaken met je doet. Juist daar zit informatie waarmee een generiek model ineens bedrijfsspecifieke waarde kan creëren.

Daarom moeten we anonimiseren niet ter discussie stellen als privacymaatregel. We moeten wel erkennen dat het verwijderen van context ook een functionele prijs kan hebben. Soms is dat precies de juiste afweging. Soms is het interessanter om de architectuur zo in te richten dat meer context verantwoord beschikbaar kan blijven.

De volgende stap in enterprise AI draait daarom misschien niet om welk model het meeste weet, maar om welk model je verantwoord het meeste over jouw organisatie en jouw klant kunt laten weten.

Over de auteur: Dennis de Vries is Business Developer bij Proserve