Meet één ding voordat u AI voor uw servicedesk koopt: welk deel van uw afgesloten tickets een oplossing had die al ergens was opgeschreven. Dat getal, niet de deflectiescore van een leverancier, bepaalt het plafond van wat een AI-assistent voor u kan doen. U haalt het deze week uit uw eigen ITSM-export, zonder licentiekosten, en het vertelt u of u nu moet kopen of eerst moet schrijven.
Dit is geschreven voor de IT-manager, servicedeskmanager of CIO bij een organisatie van 250 tot 5.000 medewerkers die met TOPdesk, ServiceNow of Ivanti werkt, met een ICT-partner, een eigen team, of beide. Wij bouwen en evalueren AI-systemen naast de ICT-partner die u al heeft. Wij voeren geen servicedesk en wij vragen niet om uw pieper, want dat is een apart vraagstuk.
Wat heeft TOPdesk precies uitgebracht, en wanneer?
Op 16 september 2026 introduceerde TOPdesk tijdens Unlocked in Utrecht TOPdesk Robin, een AI-assistent die eindgebruikers antwoord geeft in het selfserviceportaal en die aan de behandelaarskant een ticket samenvat, een oplossing voorstelt en een antwoord opstelt. In de eigen terugblik op die dag zet TOPdesk de uitrol vanaf oktober 2026, baseert Robin op uw eigen kennisbank, en stelt dat klantdata in de regio van de klant blijft en niet wordt gebruikt om externe AI-modellen te trainen. Microsoft Teams komt eerst, daarna WhatsApp en Slack, en een MCP-integratie maakt TOPdesk-data beschikbaar in de AI-tools die uw teams al gebruiken, Microsoft Copilot inbegrepen.
Dit weegt hier zwaarder dan een aankondiging uit San Francisco. TOPdesk is een Delfts bedrijf, opgericht in 1997, en een platform dat u in het Nederlandse middenbedrijf en de publieke sector voortdurend tegenkomt. Robin is dus niet iets om van een afstand te bekijken; het komt in het platform dat u al draait, en iemand vraagt u in een stuurgroep of het aan moet.
Twee details uit de AI-documentatie van TOPdesk zijn meer waard dan de aankondiging zelf. Elke AI-functie staat standaard uit en alleen een applicatiebeheerder kan die aanzetten, en de gratis early access die alle SaaS-klanten deze functies gaf, eindigde op 31 maart 2026. Categorisering, het genereren van kennisitems en zoeken in het portaal zitten in het ene pakket; de antwoordassistent, triage, samenvatten en beide helften van Robin in het hogere. TOPdesk documenteert daarnaast post-market monitoring van AI-incidenten, in overeenstemming met de AI-verordening.
De derde aankondiging wordt bijna nergens geciteerd en is de nuttigste. TOPdesk leverde ook een AI readiness dashboard dat laat zien hoe uw kennisbank er nu voor staat en waar werk nodig is, plus een dienst voor teams die hulp nodig hebben om die te verbeteren. Lees dat als de leverancier die in het openbaar zegt waar de echte beperking zit. Niet in het model.
Waarom is deflectie het verkeerde getal voor een interne servicedesk?
Het argument tegen deflectie is al gemaakt, en goed gemaakt. Een analyse van Twig stelt dat deflectie afhakers als succes meetelt, dat er geen standaarddefinitie bestaat waardoor leveranciers het getal kunnen oppompen, en dat een geclaimde 80 tot 98 procent bij onafhankelijke analyse uitkomt op 44 tot 87 procent. Wilde u dat argument zelf opschrijven: niet doen. Citeer het.
Dat argument wordt meestal gemaakt voor klantenservice. Waar het wél voor een IT-servicedesk is gemaakt, zoals in de benchmarkvergelijking van Service Desk Agents, komt het uit op uw eigen definitie vastleggen en uw eigen getal meten. Terecht, en toch één stap te kort: drie dingen aan een interne wachtrij veranderen wát er te meten valt.
Uw gebruikers kunnen niet weglopen. Een klant die het opgeeft, kost niets meer. Een medewerker die het opgeeft, loopt naar het bureau van een collega of stuurt een engineer direct een bericht. Het ticket verdwijnt niet; het verdwijnt alleen uit de boeken. Uw deflectie stijgt en het werk gaat naar een plek die u niet ziet en niet kunt bezetten.
Uw tickets zijn meestal geen vragen. Een groot deel zijn verzoeken om een wijziging: toegang tot een schijf, een licentie, een vervangende laptop, een mailboxrecht. Een assistent kan die perfect beantwoorden en ze nog steeds niet afhandelen, omdat afhandelen een bevoegde actie en een goedkeuring vraagt. Dat valt onder uw wijzigingsproces, niet onder uw kennisbank. Wij hebben betoogd dat niet elke wijziging aan een AI-systeem langs de CAB hoort; een assistent handelingsrecht geven is precies de wijziging die dat wél moet.
Uw opbrengst is capaciteit, geen omzet. Als de desk een vijfde minder tickets opvangt, factureert u niet minder; u zet iemand anders in, of u stopt met werven. De vraag is dus niet hoeveel tickets de wachtrij verlaten, maar welke categorieën, want alleen sommige maken een hele medewerker vrij.
Welk getal moet u in plaats daarvan meten?
Meet het beantwoordbare deel van uw eigen wachtrij. De methode kost één persoon ongeveer een dag.
- Exporteer 300 afgesloten tickets uit uw drukste wachtrij. Eén wachtrij, niet alle: werkplek, accounts en applicatiebeheer door elkaar verbergen juist de verdeling die u wilt zien. De laatste 300 volstaat bij een gelijkmatig volume; is de wachtrij seizoensgevoelig, trek ze dan willekeurig over een jaar.
- Sluit niets uit. Dubbelen, onzin en "opgelost, geen reactie van gebruiker" horen bij uw werkelijkheid.
- Laat één senior behandelaar per ticket twee ja-nee-vragen beantwoorden. Was de oplossing af te leiden uit iets dat al was opgeschreven, in de kennisbank, een runbook, een leveranciersartikel of een eerder ticket? En had het afgehandeld kunnen worden zonder bevoegde actie?
- Tel vier bakken: beantwoordbaar en zelf af te handelen; beantwoordbaar maar met een bevoegde actie; niet beantwoordbaar omdat de oplossing alleen in iemands hoofd zit; en helemaal niet beantwoordbaar, omdat het echt diagnose was.
Driehonderd tickets van zo'n negentig seconden is zeven tot acht uur van één senior behandelaar. Dat zijn de totale kosten, en het levert u een getal op dat geen leverancier u kan geven.
Reken daarna in uw eigen eenheden. Stel dat de wachtrij 1.200 tickets per maand draagt en uw steekproef zet de eerste bak op 22 procent. Neem aan dat de assistent 60 procent van die bak oplost en niet alles, want een artikel kan bestaan en toch niet gevonden worden, en een gebruiker kan een correct antwoord lezen en het ticket alsnog aanmaken. Dat is 1.200 × 0,22 × 0,60, ongeveer 158 tickets per maand, af te wegen tegen de licentiestap waar de functie achter zit. Beide percentages zijn ter illustratie; het punt is dat u ze vervangt door die van uzelf. Komt uw eerste bak uit op 6 procent, dan rekent geen enkele licentiestap zich terug, en het eerlijke project van dit kwartaal is schrijven in plaats van kopen.
Wat vertelt de steekproef u dat een demo niet kan?
Een demo draait op een opgepoetste kennisbank met vragen die daarop zijn gekozen. Uw steekproef geeft u twee dingen die een demo structureel niet kan: de werkelijke verdeling van uw eigen wachtrij, en de omvang van de derde bak.
De derde bak verandert het plan, want het is de enige waar eerder kopen de zaak verslechtert. Een assistent op een dunne kennisbank antwoordt met overtuiging uit het dichtstbijzijnde artikel, uw behandelaars betrappen hem in de eerste twee weken twee keer op een fout, en de pilot sterft aan verloren vertrouwen in plaats van aan techniek. Het readiness dashboard van TOPdesk meet de kennisbank. Uw steekproef meet de wachtrij tegen de kennisbank. Alleen de tweede vraag vertelt u wat u moet kopen.
De steekproef heeft nog een tweede leven. Driehonderd tickets met een menselijk oordeel eraan is een evaluatieset: het artefact waarmee u de claim van elke leverancier tegen uw eigen verkeer test, en die van de volgende met dezelfde maatstaf. Die set houden is wat de overstapbeslissing bij u houdt.
Waarom gedraagt een Nederlandse ticketwachtrij zich anders dan een Engelse?
Hier houdt de Engelstalige handleiding op te helpen. Uw gebruikers schrijven in het Nederlands, uw behandelaars deels in het Engels, en productnamen en foutmeldingen komen in het Engels binnen midden in Nederlandse zinnen, zodat een echt ticket luidt: "de Outlook-plugin crasht bij het opstarten van Citrix". Uw kennisbank staat in de ene taal, de andere, of allebei. Zoekkwaliteit is eerst een taalvraag en daarna een modelvraag.
Daar bestaat nu een gemeten referentie voor. MTEB-NL, op 15 september 2025 gepubliceerd door Banar, Lotfi, Van Nooten, Arhiliuc, Kliocaite en Daelemans, is een Nederlandse embeddingbenchmark met 40 datasets over zeven taaktypen, uitgebracht met bijbehorende E5-NL-modellen. Twee bevindingen raken een servicedesk direct.
De eerste is op een nuttige manier ontnuchterend. Op de zoektaken melden de auteurs 58,2 nDCG@10 voor hun Nederlands getrainde e5-large-trm-nl tegen 59,1 voor multilingual-e5-large. Nederlands zoeken werkt, maar is niet opgelost, en zeker niet zo scherp als een demo suggereert. De tweede is goed om te weten voordat een leverancier iets anders beweert: juist op zoeken versloeg het Nederlandse grote model het algemene meertalige model niet, terwijl compacte Nederlandse modellen over de benchmark als geheel wél veel grotere meertalige modellen evenaarden of versloegen. "Neem een Nederlands model" is niet automatisch goed, en "neem het grootste model" ook niet. Het is een meting, per corpus.
De auteurs noemen als beperking dat de benchmark deels leunt op machinaal en menselijk vertaalde datasets in plaats van oorspronkelijk Nederlandse, wat volgens hen beperkt hoever hij Nederlandse nuance en context vat. Vertaalde testdata vleit een model op Nederlands dat het nooit zal tegenkomen. Uw 300 tickets zijn oorspronkelijk, code-switchend, afkortingenrijk Nederlands van uw eigen mensen, en daarmee een betere test dan welke publieke benchmark ook.
Wie houdt uiteindelijk de kennisbank en de evaluatieset?
U krijgt dit op drie manieren aangeboden: als functie in een hogere laag van het platform dat u al heeft, via uw ICT-partner die het inricht of doorverkoopt, of als bouwproject naast uw stack. Welke de juiste is, is een apart argument, gemaakt in wat een AI-badge werkelijk aantoont.
De vraag die alle drie de routes overleeft, is eigendom. Wie houdt na de livegang de kennisbank, en wie houdt de evaluatieset? Beide moeten bij u blijven. De platformroute heeft hier een echt voordeel: de kennisbank staat al in uw tenant en blijft daar. Er hoort ook een kwestie van verbruiksmeting bij die u vóór ondertekening wilt regelen. Een bijdrage van een communitylid op het forum van ServiceNow, geen officiële documentatie, beschrijft hoe Foundation, Advanced en Prime per 9 april 2026 de oude AI-SKU's vervangen, waarbij verbruik wordt geteld in "assists" op tenantniveau en niet per gebruiker. De auteur zegt expliciet dat de exacte waarden per actie niet openbaar zijn. Behandel de mechaniek als vastgesteld en de getallen als ongepubliceerd, en vraag uw accountteam de poolgrootte schriftelijk te bevestigen.
Wat zouden wij de komende vier weken doen?
Week één: kies de drukste wachtrij, exporteer de 300 tickets, en spreek de twee vragen door met de senior behandelaar zodat de oordelen consistent zijn.
Week twee: beoordeel de steekproef, tel de vier bakken, en schrijf de verdeling op een plek op waar een stuurgroep die ziet.
Week drie: maak van de derde bak een schrijflijst op frequentie van tickets, en geef die een eigenaar met uren in de week. Dat werk betaalt zich terug, welke route u uiteindelijk ook koopt.
Week vier: leg de steekproef voor aan uw platformleverancier en aan uw ICT-partner en vraag ieder om hem te draaien. Geen demo. Uw tickets, uw oordelen, hun systeem, en een getal dat u kunt vergelijken.
Is de uitkomst "eerst schrijven", dan is dat een resultaat en geen vertraging. De organisaties die in 2027 een nuttig antwoord uit een AI-servicedesk halen, zijn vooral de organisaties die dit najaar dingen hebben opgeschreven. Een kleinere versie van dit argument schreven wij eerder voor eigenaren en hun klantgerichte wachtrijen, waar de bakken eenvoudiger zijn en niemand een licentielaag hoeft te halen. Onze aanpak voor toegepaste AI in middelgrote organisaties, onze implementatiepraktijk in Nederland en onze handleiding voor een AI-gebruiksbeleid beschrijven hoe wij de rest ordenen.
Laatst bijgewerkt op 7 oktober 2026.
Een consultant zegt waar AI loont; Crux Digits bouwt het ook. Vaste prijs per stap, één vaste expert, vanuit Utrecht.
AI-consultancy in Nederland →
