Ticket triage automatiseren: van regelgebaseerd naar AI
Ticket triage is meestal de meest repetitieve activiteit op een servicedesk: inkomend ticket lezen, categorie toewijzen, urgentie inschatten, naar juiste groep routeren. Gemiddeld 30-90 seconden per ticket, bij 500 tickets per week snel 4-12 uur per week — tijd die nergens meerwaarde oplevert voor de klant.
Dit artikel beschrijft hoe je van handmatige of rule-based triage overschakelt naar AI-gestuurde triage, welke data je nodig hebt, en hoe je succes meet.
Drie generaties triage
| Generatie | Hoe werkt 't | Voordelen | Beperkingen |
|---|---|---|---|
| Handmatig | Servicedesk-medewerker leest en sorteert | Flexibel, contextbewust | Tijdrovend, inconsistent, schaalt niet |
| Rule-based | If-then regels op keywords of afzender | Voorspelbaar, snel | Breekt bij variatie, onderhoudsintensief, mist nuance |
| AI-based | LLM classificeert op basis van tekstbegrip | Schaal, nuance, leert van voorbeelden | Vereist kwaliteitsdata, periodieke hertraining |
Wat AI-triage oplost
- Consistentie: dezelfde ticket-inhoud krijgt dezelfde classificatie, ongeacht wie de dienst draait
- Snelheid: <2 seconden per ticket, onafhankelijk van volume
- Volume-absorptie: piekuren worden opgevangen zonder extra medewerkers
- Leereffect: elke nieuwe ticket-categorie wordt automatisch opgepakt zodra het patroon zichtbaar is in de data
Wat AI-triage niet oplost
- Slechte category-taxonomy: als jouw categorieën overlappen of onduidelijk zijn, classificeert AI óók onduidelijk
- Gebrek aan historische data: voor uitzonderlijke categorieën met <50 voorbeelden is AI niet betrouwbaar
- Klantspecifieke impliciete kennis: "Peter's team heeft altijd voorrang" zit niet in ticket-tekst
Minimale data-voorwaarden
Voordat je AI-triage opstart:
- Minstens 3.000 tickets in de afgelopen 12 maanden per hoofdcategorie (voor de top-5 meest voorkomende)
- Ticket-beschrijving in vrije tekst, niet alleen formuliervelden (AI heeft context nodig)
- Correcte historische labels: audit-steekproef van 100 tickets — als <90% correct gelabeld is, eerst data opschonen
- Category-definities gedocumenteerd: niet alleen een lijst, maar per categorie 2-3 voorbeelden en een "wanneer niet deze categorie"-clause
Stappenplan
Stap 1: Baseline meten (week 1)
Meet je huidige triage-performance:
- Gemiddelde tijd per ticket (medewerker-werkbon of time-to-first-response)
- Percentage tickets dat herclassificeerd wordt na eerste triage (intern mislabeling)
- Percentage tickets dat terugkomt omdat naar verkeerde groep gerouteerd
- Servicedesk-medewerker tijdsbesteding breakdown
Stap 2: Schone trainingdata (week 2-3)
- Exporteer 3-12 maanden historische tickets met hun uiteindelijke categorie (na eventuele herclassificatie)
- Verwijder duplicaten, test-tickets, spam
- Voeg metadata toe: categorie, urgentie, behandelaarsgroep, resolutiepad
- Anonimiseer PII waar mogelijk (namen, e-mails) — niet strikt nodig voor categorisatie maar goed voor compliance
Stap 3: Category-taxonomy reviewen (week 3-4)
Dit is vaak het onderbelichte deel:
- Heb je categorieën die <5 tickets per maand krijgen? Consolideren.
- Zijn er categorieën die vaak door elkaar gebruikt worden? Maak duidelijker criteria of fuseer.
- Heeft elke categorie een eigenaar? Taxonomy zonder eigenaar rot binnen een jaar.
Stap 4: Shadow mode (week 5-8)
Zet AI-triage aan in shadow mode. Meet:
- Accuracy per categorie, niet alleen globaal
- Confidence-distribution (idealiter: high confidence bij 80%+ van tickets; lage confidence is een valide "weet ik niet" signaal)
- Gevallen waar AI en medewerker uiteenlopen — analyseer steekproef wekelijks met servicedesk-lead
Stap 5: Gradueel autonoom (week 9+)
Zet per categorie autonoom aan op volgorde van:
- Hoogste accuracy (>95%)
- Grootste volume (voor maximale ROI)
- Laagste risico (categorisatie-fout heeft beperkte impact — geen SLA-trigger, geen verkeerde escalatie)
Meetplan
Tooling-agnostische KPI's om per maand te rapporteren:
| KPI | Voor AI | Target na 3 maanden |
|---|---|---|
| Gemiddelde triage-tijd per ticket | ~60 sec | <5 sec (auto) of <30 sec (semi-auto) |
| Herclassificatie-rate | 15-25% | <5% |
| Verkeerde-groep-routering | 8-12% | <3% |
| Servicedesk medewerker triage-uren/week | 8-15 | 1-3 (uitsluitend edge cases) |
| First Time Right Routing | 75-85% | 95%+ |
Veelgestelde vragen
Hoe accuraat moet AI-triage zijn voor het "werkt"? Afhankelijk van je risicoappetit, maar 95% per categorie is een veilige drempel voor autonoom. Voor categorieën waar misclassificatie grote gevolgen heeft (security incidents, VIP-users) verhoog je naar 98%+ of houd je semi-autonoom met verplichte review.
Wat gebeurt er als de AI een categorie nog niet kent? Een goed AI-triage-systeem is getraind om "onbekend" te signaleren in plaats van gok-classificaties te geven. Die tickets gaan automatisch naar menselijke triage. Zodra die medewerker classificeert, leert AI voor toekomst.
Moeten we ons ITSM-systeem vervangen voor AI-triage? Nee. AI-triage zit bovenop je bestaande ITSM (TOPdesk, Freshservice, ServiceNow, Zendesk) via API-integratie. Geen migratie, geen disruptie van bestaande workflows.
Is dit niet gewoon een chatbot? Nee. Triage-AI leest tickets en labels ze; chatbots interacteren met eindgebruikers. Zie ook ons artikel over AI-agent vs chatbot.
Volgende stappen
Als je de basis op orde hebt (data, taxonomy, integratie) kun je in 1-2 dagen een AI-triage-setup draaiend hebben in shadow mode. De eerste 2-4 weken gaan over data-kwaliteit en vertrouwen opbouwen; de echte tijd-besparing komt vanaf week 6-8.
Start een 30 dagen gratis trial of plan een demo om te zien hoe AI-triage past op uw specifieke ticket-stroom.