AI in HR en customer support bij het mkb: waar het loont (en waar het een juridisch risico wordt)

Human resources en klantenservice zijn de twee afdelingen waar AI rechtstreeks de mensen raakt: kandidaten om te beoordelen aan de ene kant, klanten om te bedienen aan de andere. Het is ook het terrein waar de belofte het sterkst is — minder repetitief werk, snellere antwoorden, een slanker team — en waar, om diezelfde reden, de fout het duurst is. Een screening die een kandidaat ten onrechte afwijst of een chatbot die een klant verkeerde informatie geeft, zijn niet zomaar communicatieblunders: het zijn vandaag kwesties van juridische aansprakelijkheid. Daarom behandelen we de twee afdelingen samen: ze delen dezelfde belofte en dezelfde risicolat, hoger dan die van elke andere afdeling die we tot nu toe hebben geanalyseerd.

De serieuze vraag is, zoals altijd, niet «bestaat de tool?» maar wat het loont te automatiseren in een bedrijf met een klein team — en, in deze twee afdelingen in het bijzonder, welke verantwoordelijkheid u op zich neemt wanneer u het doet. We hebben het veldbewijs van 2026 verzameld en proberen in heldere taal te antwoorden.

HR: waar AI loont, en waarom het mkb juist het onbediende segment is

In human resources volgen de use-cases die een reëel rendement opleveren hetzelfde stramien als de andere afdelingen — activiteiten met hoog volume en repetitief, waar AI het handmatige werk wegneemt maar niet de eindbeslissing neemt:

• Screening van cv's en zoeken naar kandidaten — in plaats van de handmatige schifting en het zoeken op trefwoorden. Het is veruit de meest geadopteerde use-case in de selectie.
• Automatisering van de onboarding — formulieren, agenda's en rolinstructies gegenereerd in plaats van het handmatige administratieve werk, met een merkbare vermindering van de instroomlast.
• Voorspelling van verloop — signalen van disengagement onderschept vóór ze ontslag worden, in plaats van het exitgesprek wanneer de persoon al vertrokken is.
• Analyse van engagement — automatische lezing van surveys en interne communicatie in plaats van het handmatig doornemen van de enquêtes.
• Chatbot over beleid en secundaire arbeidsvoorwaarden — self-service over verlof, loonstroken en vrije dagen in plaats van tickets naar HR voor routinevragen.
• Concepten van functioneringsbeoordelingen — synthese van de verzamelde feedback in een eerste opzet, die de leidinggevende nakijkt en tot de zijne maakt.

Hier is een gegeven dat juist het mkb aangaat. De adoptie van AI in HR is niet verdeeld naar maturiteit, maar naar omvang: zes van de tien bedrijven met meer dan vijfduizend werknemers gebruiken haar, tegenover iets meer dan een op de drie bij de kleine ondernemingen. Vertaald: het minst bediende segment vandaag is precies dat waarin een mkb-bedrijf leeft. Het is geen achterstand die u in het nauw moet inhalen — het is een ruimte om met methode te beginnen terwijl de groten nog verstrikt zitten in de complexiteit van hun systemen.

Customer support: de afdeling waar AI het snelste rendement heeft

De klantenservice is, van allemaal, de afdeling waar AI het eerst tot waarde komt — want een groot deel van het werk bestaat uit repetitieve verzoeken met al bekende antwoorden. De cases die werken:

• Deflectie van eerstelijnsverzoeken — een conversationele agent die de eenvoudige verzoeken zelf afhandelt. Gemiddeld vangen volwassen programma's ongeveer 40% van de eerstelijnscontacten op, en bij de meest schematische gevallen (wachtwoordreset, orderstatus, standaardterugbetalingen) gaat het ver daarboven. Bij genuanceerde klachten stort het percentage daarentegen in — en dat is terecht zo.
• Triage en routing van tickets — automatische classificatie van de wachtrij, met eerste-antwoordtijden die duidelijk korter worden.
• Copilot voor de medewerker — de AI stelt het antwoord voor en haalt de context op terwijl de medewerker met de klant praat, in plaats van het handmatige zoeken in notities en scripts.
• Automatisch antwoord uit de kennisbank — de veelgestelde vragen bediend vanuit de documentatie, met eerste-antwoordtijden die van minuten naar seconden gaan.
• Sentimentanalyse — herkenning van de toon om de escalatie te laten aanslaan in plaats van handmatige steekproeven van de gesprekken.

Het economische rendement is hier tastbaar: de kosten per met AI opgelost verzoek liggen orden van grootte lager dan die van een menselijke medewerker. Maar het getal dat we onze klanten altijd geven is een ander, dat over de tevredenheid: de gepercipieerde kwaliteit van een louter automatische service blijft lichtjes onder de menselijke, en de kloof sluit zich bijna helemaal alleen wanneer er een schone overgang naar de mens is voor de gevallen die de AI niet hoort te behandelen. De operationele les is helder: AI in support loont wanneer ze is ontworpen om te weten wanneer ze opzij moet stappen, niet wanneer ze probeert alles te beantwoorden.

De geaggregeerde cijfers, eerlijk gelezen

Tussen de twee afdelingen bestaat een maturiteitskloof die het hardop zeggen waard is. Support wint snel: het is een van de weinige gebieden waar het rendement van het eerste jaar is gedocumenteerd en sterk, en het groeit naarmate de kennisbank rijker wordt. HR is onzekerder: er bestaat geen even schoon rendementspercentage, en de data vertellen vooral een kloof tussen ambitie en meting — bijna de helft van de HR-verantwoordelijken die in AI investeren heeft nog niet gedefinieerd hoe de productiviteit ervan te meten. Ze investeren gedreven door de verwachting, niet door een getal.

Een waarschuwing die we altijd geven: een groot deel van deze cijfers is zelfgerapporteerd door leveranciers en analisten, niet onafhankelijk geverifieerd. Lees ze als richting, niet als getallen om in een businessplan te zetten. En het totaalbeeld gebiedt voorzichtigheid: de onafhankelijke analyses zijn het erover eens dat slechts een minderheid van de AI-projecten het beloofde rendement echt behoudt, en dat de grote meerderheid van de projecten geen meetbaar effect op de cijfers oplevert. Wie u alleen de goede cijfers citeert, verkoopt u iets, hij adviseert niet.

De praktische lezing is de gebruikelijke: begin bij de afdeling waar het rendement het snelste en verifieerbaarst is — in feite support — en gebruik dat gemeten resultaat om de volgende stap te rechtvaardigen. In HR loont het te bewegen, maar met een succescriterium beslist vóór de tool, anders sterft het project aan verwarde doelen.

Het risico dat HR en support anders maakt dan elke andere afdeling

Hier ligt de echte reden waarom we deze twee afdelingen met meer voorzichtigheid behandelen dan alle andere. In verkoop of marketing is een AI-fout een onhandige e-mail; in administratie is het een betaling om na te kijken. In HR en support raakt een fout een persoon — een kandidaat, een werknemer, een klant — en het recht weet dat.

Voor support bestaat er al een precedent. Een rechtbank heeft een bedrijf aansprakelijk geacht voor de verkeerde informatie die zijn eigen chatbot een klant gaf, en verwierp het verweer dat «de chatbot een zelfstandig subject is». De les is definitief: u kunt de verantwoordelijkheid voor wat een AI tegen uw klanten zegt niet op die AI afschuiven. En het risico is niet theoretisch: een chatbot die vrij mag antwoorden «verzint» een verre van verwaarloosbaar aandeel van de antwoorden, een aandeel dat pas naar bijna nul zakt wanneer hij streng verankerd is aan de bedrijfsbronnen — uw documentatie, uw beleid — in plaats van aan de generieke kennis van het model. Daarom is een serieus support-AI-project niet «het model wisselen»: het is er een architectuur omheen bouwen die hem gekoppeld houdt aan wat het bedrijf officieel verklaart.

Voor HR is de deadline regelgevend. De EU AI Act classificeert als hoog risico de AI-systemen die worden gebruikt voor selectie, promotie, ontslag en monitoring van werknemers. Voor deze toepassingen zijn de volledige verplichtingen uitgesteld, maar het is een venster, geen vrijstelling: wie vandaag een geautomatiseerde screening invoert zonder erbij na te denken, staat onvoorbereid wanneer de deadline komt. En het onderliggende probleem is gedocumenteerd, niet hypothetisch: selectie-algoritmes hebben aangetoond hele categorieën kandidaten systematisch te kunnen discrimineren. Het praktische gevolg voor een mkb-bedrijf is eenvoudig: elk gebruik van AI in selectie moet vanaf het begin vergezeld gaan van risicobeoordeling, biascontrole en menselijk toezicht — niet als formaliteit, maar omdat het de controle is die de keuze verdedigbaar maakt.

De snelste manier om te zien of een leverancier serieus is, is in deze twee afdelingen de volgorde van de vragen omkeren. Niet «hoeveel bespaart het me?», maar eerst «hoe toon ik aan dat deze beslissing juist is en dat ik voor dit antwoord verantwoordelijk ben?». Als de tool geen schoon antwoord heeft op de verankering aan de bronnen (support) en op het menselijk toezicht en de traceerbaarheid (HR), telt het rendement niet: het is een risico dat wacht om zich aan te dienen.

Versterkte copilot of autonome agent: hier weegt de keuze zwaarder dan elders

Zoals in de andere afdelingen vallen de tools in twee families. De versterkte copilot blijft een assistent: hij stelt het antwoord aan de klant voor, stelt het beoordelingsconcept op, bereidt de screening voor — maar de mens keurt goed en blijft verantwoordelijk. De autonome agent mikt erop het proces zelf af te ronden. In HR en support betekent «het proces zelf afronden» echter rechtstreeks met een persoon praten of over die persoon beslissen: precies het punt waar het juridische risico maximaal is.

Voor een mkb-bedrijf is de aanbeveling helder: begin met de versterkte copilot. Laat de AI alleen de eenvoudigste en omkeerbare verzoeken autonoom afhandelen — waar een fout zonder schade wordt gecorrigeerd — en houd de persoon in het proces voor alles wat een beslissing over de werknemer of een gevoelig antwoord aan de klant raakt. Autonomie is geen doel om na te jagen: het is een toestemming om geval per geval te verlenen, daar waar de uitkomst verifieerbaar is.

En in Italië?

Het Italiaanse kader is dat van een markt die nog achterloopt maar in sterke versnelling is: het aandeel mkb-bedrijven dat minstens één AI-technologie gebruikt is het afgelopen jaar sterk gegroeid, maar blijft in absolute termen laag, en de afstand tot de grote ondernemingen op «gestructureerde» adoptie is groot. Het is eerlijk een beperking toe te voegen: specifiek voor de afdelingen HR en support zijn granulaire Italiaanse data schaars — een groot deel van het rendementsbewijs komt uit Angelsaksische markten. We verbergen dat niet, want het is precies het soort detail dat een analyse van een slogan onderscheidt. Het voordeel is, voor een Italiaans mkb-bedrijf, dat de achterstand van de markt ook een ruimte is: weinig concurrenten hebben deze twee afdelingen al goed opgezet.

Waar te beginnen, in de praktijk

Als HR of support de afdeling is waar u wilt beginnen, is het verstandige traject kort en geordend:

• Begin in support met de deflectie van de eenvoudige gevallen — routineverzoeken en al bekende antwoorden geven het snelste rendement en het laagste risico.
• Veranker de chatbot vanaf de eerste dag aan uw bronnen — uw documentatie en uw beleid, niet de generieke kennis van het model. Het is wat de antwoorden getrouw en de aansprakelijkheid beheersbaar houdt.
• Behandel in HR de geautomatiseerde selectie als hoog risico — menselijk toezicht, biascontrole en traceerbaarheid van de beslissing vanaf het begin, niet als latere toevoeging.
• Verkies augmentatie boven autonomie — een copilot die het team sneller maakt, met de mens die goedkeurt wat een persoon raakt.
• Definieer het succescriterium vóór de tool — een getal dat zegt of het werkt. Zonder sterft het project aan verwarde doelen, niet aan beperkingen van de AI.

Vóór u de afdeling kiest, is het echter goed te weten waar u staat: onze AI-readiness-beoordeling helpt te begrijpen waar u met meer rendement en minder wrijving kunt beginnen, en welke controles u rond de eerste workflow zet. En omdat in HR en support de compliance geen detail maar de spil is, legt onze compliance-overlay uit hoe we de controles — verankering aan de bronnen, menselijk toezicht, traceerbaarheid — aan elk ontwerp vasthaken.

We hebben de eerste stap omgezet in een self-service en gratis beoordeling: een paar vragen en een aanwijzing over waar te beginnen, met welke controles eromheen. Doe de AI-readiness-beoordeling — daarna, als het zinvol is, praten we erover.

Dit artikel is bedoeld ter oriëntatie en vormt geen juridisch advies. De genoemde cijfers over rendement, adoptie en deflectie komen uit marktanalyses en grotendeels zelfgerapporteerde sectorbronnen, niet onafhankelijk geverifieerd: lees ze als richting en niet als resultaatgaranties. Elk gebruik van AI in personeelsselectie of klantenservice moet worden beoordeeld op de controles, de data en de context van het individuele bedrijf, en — voor de selectiesystemen — in het licht van de toepasselijke regelgevende verplichtingen.