Dit is een gastbijdrage van Triad, een Nederlands AI-automatiseringsbureau.
De meeste Nederlandse MKB-bedrijven stuiten op hetzelfde plafond naarmate ze groeien. De vraag is niet het knelpunt — de administratie wel. Verzoeken komen sneller binnen dan een klein team ze kan verwerken, en juist de mensen die de operatie het beste begrijpen besteden hun dag aan het lezen, sorteren en opnieuw intypen van tickets in plaats van aan het oplossen van problemen.
Huurrendement is een Nederlandse vastgoedbeheerder die precies tegen dat plafond aanliep. Het bedrijf beheert meer dan 200 panden namens 125 particuliere investeerders, met een portefeuille die richting de 300 groeit. De huurders zijn grotendeels internationaal en werkzaam in de zorg en technische sectoren, waardoor facility-klachten in meerdere talen binnenkwamen. De operationele vraag was eenvoudig te stellen maar moeilijk op te lossen: hoe schaal je de afhandeling van facility-klachten op over een groeiende portefeuille zonder het team te laten groeien?
Het volume was aanzienlijk en constant — van tientallen tot honderden klachten per week. Elke klacht volgde hetzelfde handmatige pad: een teamlid las de klacht, categoriseerde die, communiceerde met de huurder, werkte het CRM bij en volgde daarna op tot de klacht was afgesloten. Elke stap was op zichzelf redelijk. Samen, bij dat volume, consumeerden ze het grootste deel van de werkweek van het team.
Daaruit volgden drie hardnekkige problemen.
Consistentie leed eronder. Hetzelfde type klacht kon anders worden gecategoriseerd afhankelijk van wie het oppakte. Dat maakte rapportages onbetrouwbaar en de opvolging onregelmatig — lastig uit te leggen aan investeerders die op cijfers sturen.
Taal zorgde voor extra wrijving. Met internationale huurders betekende correct reageren ofwel schrijven in de taal van de huurder, ofwel terugvallen op Engels en hopen dat het overkwam. Geen van beide schaalde, en het hing af van welke medewerker toevallig beschikbaar was.
Groei maakte het probleem erger in plaats van beter. Elk nieuw pand voegde klachtvolume toe, dus de enige voor de hand liggende knop was: meer coordinatoren aannemen. Dat zijn lineaire kosten tegenover een portefeuille die het bedrijf juist wilde laten groeien.
De aanpak was nadrukkelijk niet om een chatbot voor het proces te zetten. Het doel was om het proces zelf te automatiseren, binnen de systemen die het bedrijf al gebruikte.
Er werden negen geautomatiseerde workflows gebouwd, direct geintegreerd met de bestaande Bloxs CRM-omgeving van Huurrendement via de API. Dat laatste is het onderdeel dat het meeste uitmaakt. De agent beantwoordt niet simpelweg een huurder om het werk daarna terug te geven aan een mens: hij pakt het ticket op, routeert het via de juiste workflow op basis van het klachttype, en voert de stappen uit in het CRM die een coordinator anders met de hand zou doen.
Drie ontwerpkeuzes bepaalden het resultaat.
Ten eerste werd routing gedreven door klachttype in plaats van door een enkele generieke flow. Negen afzonderlijke workflows betekenden dat elke categorie klacht het pad volgde dat die daadwerkelijk nodig had, in plaats van elk verzoek door een proces te duwen dat op geen van de gevallen goed paste.
Ten tweede werd taal afgehandeld op het punt van contact. Huurders ontvangen automatische reacties in hun eigen taal, met ondersteuning voor meerdere talen. Dat haalde een bottleneck weg die eerder afhing van welke medewerker beschikbaar was.
Ten derde werd alles gelogd. Alle acties, opvolgingen en statuswijzigingen worden vastgelegd met tijdstempels, wat volledige traceerbaarheid geeft. In een bedrijf dat handelt namens 125 particuliere investeerders is een audit trail geen luxe — het is wat automatisering verdedigbaar maakt tegenover de mensen wiens vermogen wordt beheerd.
Het systeem is bovendien gebouwd om uit te breiden: nieuwe klachttypes en nieuwe panden kunnen worden toegevoegd zonder de workflows opnieuw op te bouwen. De volledige uitrol duurde ongeveer drie maanden. Dit patroon — waarbij de agent het verzoek classificeert, handelt binnen de systemen van vastlegging, en alleen escaleert wat hij niet alleen zou moeten beslissen — is de vorm die de meest duurzame operationele AI agent-implementaties aannemen.
Het project leverde negen geautomatiseerde workflows op die een portefeuille van meer dan 250 panden bedekken, met nul handmatige stappen binnen die geautomatiseerde flows. Klachten die van tientallen tot honderden per week lopen, worden nu sneller en consistenter verwerkt dan het handmatige proces toeliet.
De nuttigere manier om dat resultaat te lezen is wat het deed met de groeivergelijking. Voorheen was de capaciteit voor klachtafhandeling direct gekoppeld aan het aantal medewerkers, dus elke lichting nieuwe panden impliceerde weer een coordinator. Nu beweegt de routinematige meerderheid van de klachten door het systeem zonder dat iemand het aanraakt, en verschuift de tijd van het team naar de gevallen die echt oordeel vragen. De portefeuille kan groeien richting 300 panden zonder dat de administratieve last in hetzelfde tempo meegroeit.
Consistentie verbeterde naast snelheid. Omdat classificatie en routing elke keer op dezelfde manier gebeuren, weerspiegelt de rapportage wat er daadwerkelijk over de portefeuille gebeurt, en hangt de opvolging niet langer af van wie het ticket opende.
Drie dingen zijn goed te vertalen naar ver buiten vastgoedbeheer.
Automatiseer acties, niet alleen antwoorden. Een assistent die een huurder beantwoordt maar het CRM niet kan bijwerken, heeft het werk verplaatst in plaats van verwijderd. De waarde ontstond doordat de agent stappen afrondde binnen het systeem van vastlegging.
Splits de wachtrij voordat je hem automatiseert. Negen workflows werkten beter dan een omdat klachttypes echt van elkaar verschillen. Het eerst identificeren van die categorieen is wat betrouwbare automatisering mogelijk maakte.
Bouw de audit trail vanaf dag een. Tijdstempellogboeken zijn wat een automatisering verandert van iets dat een team tolereert in iets waar het bedrijf, en zijn investeerders, op kunnen bouwen.
Voor operators die dit soort project overwegen is de praktische startvraag niet of AI tickets aankan. Het is welke van jouw ticketcategorieen vandaag al herhaalbaar genoeg zijn om te automatiseren, en of naar jouw systemen net zo goed geschreven kan worden als eruit gelezen.
Hetzelfde patroon — intake over kanalen, classificatie, handelen binnen de systemen van de klant, en alleen de uitzonderingen escaleren — is niet uniek voor vastgoed. Triad past het toe in vastgoedbeheer en proptech, facility management, field service, en gedistribueerde netwerken zoals vending, EV-laden, lockers en parkeren. Overal waar het volume hoog is, de stappen herhaalbaar zijn en de systemen via een API te benaderen zijn, geldt dezelfde rekensom: meer capaciteit en lagere operationele kosten uit het team dat je al hebt.
Meer over operationele AI agents via Triad | Volledige case study op triadagency.ai
