Agentic Callers: Wanneer AI-agents je supportlijn bellen

Agentic Callers: Wanneer AI-agents je supportlijn bellen

Een agentic caller is een autonome AI-agent die namens een persoon of een ander systeem je servicenummer belt, door je IVR-menu navigeert en een volledig gesprek voert. In tegenstelling tot een robocall volgt deze geen vast script; de agent past zich aan, en dat is precies waarom conventionele detectiepatronen ze niet opmerken. Als je in 2026 een inkomende lijn beheert, ga er dan maar vanuit dat een groeiend deel van je inkomende gesprekken niet meer van mensen komt.

Het korte antwoord voor operations managers: je kunt agentic callers niet zomaar in zijn geheel blokkeren zonder ook legitieme klantverzoeken tegen te houden. De werkbare aanpak is een inkomende agent die machine-bellers identificeert, ze naar een eigen pad leidt en ze op een gestructureerde manier bedient, in plaats van ze in dezelfde wachtrij te plaatsen als menselijke bellers. Dat is precies waar de Famulor Flow Builder en mid-call tools voor zijn ontwikkeld.

Wat een agentic caller is – en hoe deze verschilt van een robocall

Het uitgangspunt voor deze discussie is een bericht van Gabe Regan, VP of Human Engagement bij Reality Defender, waar Biometric Update in juli 2026 over schreef. Regan beschrijft een verschuiving waar veel contactcenters nog geen rekening mee hebben gehouden: de infrastructuur is gebouwd voor menselijke bellers met af en toe een bot-scan, niet voor autonome AI-agents die op grote schaal opereren.

Regan haalt een prognose van Gartner aan dat AI tegen 2029 ongeveer 80 procent van de veelvoorkomende klantenservicevragen autonoom zal oplossen zonder menselijke tussenkomst. Zijn kernpunt is dat een aanzienlijk deel van die interacties niet zal bestaan uit bedrijven die AI inzetten om gesprekken te beantwoorden, maar uit AI-systemen die zelf de gesprekken starten.

Een robocall is een massale beloperatie met vooraf opgenomen audio. Deze loopt vast bij vervolgvragen, ongebruikelijke IVR-structuren of alles wat afwijkt van het verwachte pad. Een agentic caller daarentegen luistert naar het IVR-menu, selecteert de juiste optie, beantwoordt beveiligingsvragen correct en voert vervolgens een adaptief gesprek met wie er ook aan de andere kant zit, mens of AI. Niets in het interactiepatroon markeert het gesprek als niet-menselijk, omdat deze systemen specifiek zijn gebouwd om die signalen te vermijden.

Waarom conventionele fraudedetectie faalt bij agentic callers

Fraudedetectie in contactcenters werkt klassiek op basis van gedragsanomalieën: ongebruikelijke beltijden, mislukte authenticatie, grillige IVR-navigatie of nummers uit verdachte reeksen. Regan legt uit waarom die signalen niets opleveren bij agentic callers. Ze bellen vanaf nummers die door de validatie van providers komen, navigeren op normale snelheid door IVR-menu's, selecteren bij de eerste poging de juiste optie en beantwoorden beveiligingsvragen met accurate informatie. Ze falen niet bij de authenticatie en genereren geen ongebruikelijke accountactiviteit.

Dit is geen toeval, maar een ontwerpkeuze. Iedereen die een agent bouwt die betrouwbaar taken uitvoert voor zijn gebruiker, optimaliseert deze onvermijdelijk voor precies de gedragspatronen waar fraudedetectie op reageert.

Het praktische gevolg: op gedrag gebaseerde regels zijn niet langer voldoende om te bepalen hoe een gesprek moet worden afgehandeld. Die beslissing moet eerder vallen, voordat het gesprek de wachtrij bereikt.

De vier bellertypes die in 2026 in je wachtrij belanden

Het helpt om te stoppen met het binair opdelen van de gespreksstroom in mens en bot, en in plaats daarvan te werken met vier categorieën die elk een andere aanpak vereisen. Dit is het operationele punt dat Regan benadrukt: een mens die belt om een factuurgeschil op te lossen, is een serviceverzoek. Een AI-agent die door hetzelfde IVR navigeert en dezelfde wachtrij bereikt, verbruikt capaciteit zonder een menselijke service-interactie te genereren.

Het tweede type is het interessante geval. Een klant wiens assistent belt om een leverdatum te controleren, heeft een volkomen legitiem verzoek, alleen in een machineleesbare vorm. Blokkeer die beller en je blokkeert de klant. Behandel ze als een mens en je verspilt gesprekstijd aan beleefdheden en bevestigingslussen die een machine niet nodig heeft.

De verborgen kosten: vertekende statistieken

Het effect dat Regan als meest verraderlijk omschrijft, is niet het individuele gesprek, maar de geleidelijke verandering in de samenstelling van het inkomende volume. De gemiddelde gespreksduur (AHT) stijgt, de prestaties van de wachtrij nemen af, de antwoordpercentages dalen. Dat ziet eruit als een capaciteits- of vaardigheidsprobleem en wordt ook zo behandeld, met extra personeel of training. De werkelijke oorzaak blijft onzichtbaar.

Een concreet voorbeeld: een nutsbedrijf met 40 servicemedewerkers en ongeveer 9.000 gesprekken per maand ziet de gemiddelde gespreksduur in één kwartaal stijgen van 4:10 naar 4:50 minuten. Dat komt neer op ruim 100 extra manuren per maand. Zonder classificatie van bellertypes is er geen manier om te zeggen of de oorzaak ligt bij complexere verzoeken, zwakkere processen of een groeiend aandeel machine-bellers. Met classificatie is die vraag in vijf minuten beantwoord.

Eén belangrijke kanttekening: machine-bellers zijn niet inherent duur. Ze worden duur wanneer je ze bedient met een menselijke aanpak. Een agentic caller die in een gestructureerde uitwisseling van 40 seconden een trackingnummer krijgt, kost minder dan elk menselijk gesprek. Datzelfde gesprek via een wachtrij en een menselijke medewerker kost vele malen meer. De beslissing ligt in de routering, niet in het blokkeren.

Playbook: je inkomende agent ontwerpen voor agent-naar-agent verkeer

Het goede nieuws: als je al een AI-gestuurde inkomende agent gebruikt, is het moeilijkste deel achter de rug. Aanpassen aan machine-bellers is een configuratieklus, geen platformmigratie. Zes stappen in een logische volgorde:

1. Classificeer vóór routering. Stel in de eerste gespreksstap vast of je te maken hebt met een mens of een machine. Reality Defender pleit voor akoestische detectie van synthetische stemmen – compressie-artefacten, frequentie-anomalieën, generatie-handtekeningen – vóór de routering. Een directe vraag in het gesprek werkt als aanvulling: "Bel je zelf, of namens een assistent?" Eerlijke agents antwoorden accuraat.
2. Een apart pad, geen gedeelde wachtrij. Bouw een speciale tak voor machine-bellers in de Flow Builder. Korte zinnen, geen beleefdheidslussen, geen opvul-audio, directe data-output. Dat bespaart tijd aan beide kanten.
3. Least privilege voor mid-call tools. Scheid leesacties van schrijfacties. Een machine-beller mag de status van een zending opvragen, maar adreswijzigingen, annuleringen of uitbetalingen vereisen een extra verificatiestap. De documentatie over custom mid-call tools beschrijft hoe je tools nauwkeurig afbakent.
4. Step-up verificatie bij duidelijke drempels. Bepaal wanneer een extra bevestiging verplicht wordt – wijzigingen in stamgegevens, betalingshandelingen of alles boven een bepaald bedrag. Die drempel hoort in de prompt en de tooldefinitie thuis, niet in het hoofd van de agent.
5. Houd menselijke escalatie beschikbaar. Onderhoud een helder overdrachtspad. Wanneer classificatie onzeker is of een gevoelige actie in behandeling is, hoort er een mens in de loop te zitten. De best practices voor assistenten beschrijven hoe overdrachten werken zonder contextverlies.
6. Schrijf het bellertype in je rapportage. Log de classificatie als een veld in het gesprekslogboek en stuur dit via een webhook naar je CRM. Alleen dan kun je AHT, containment en kosten per gesprek uitsplitsen per bellertype – en capaciteitsbeslissingen baseren op data in plaats van aannames.

Drie concrete scenario's

Webshop met 5.000 bestellingen per maand. Een groeiend deel van de statusvragen komt van assistenten van klanten. De inkomende agent herkent ze, levert in één zin het trackingnummer en de leverdatum en beëindigt het gesprek na 35 seconden. Retourverzoeken vereisen daarentegen bevestiging via het bekende nummer.

Verzekeringsmakelaar met 15 nieuwe aanvragen per dag. Hier is de machine-beller meestal een vergelijkingsassistent die tariefdetails opvraagt. De agent geeft publiek beschikbare voorwaarden in gestructureerde vorm vrij, maar weigert informatie over bestaande polissen zonder verificatie via een tweede kanaal.

Gemeentelijk nutsbedrijf met 9.000 gesprekken per maand. Meterstanden die door assistenten worden doorgegeven, doorlopen een kort gestructureerd pad, inclusief een plausibiliteitscontrole op de gerapporteerde waarde. Tariefwijzigingen en wijzigingen in bankgegevens zijn gesloten voor machine-bellers en worden zonder uitzondering overgedragen aan een mens.

Veelvoorkomende implementatiefouten

• Algemeen blokkeren van machine-bellers. Treft legitieme klantverzoeken en leidt tot klachten die niemand terugleidt naar de blokkeerregels.
• Classificatie zonder gevolg. Het bellertype detecteren maar iedereen identiek behandelen, voegt alleen een veld toe aan het logboek.
• Verificatie op de verkeerde plek. Een beveiligingsuitdaging aan het begin van het gesprek vertraagt iedereen. Deze hoort direct vóór de gevoelige actie thuis.
• Geen API-alternatief. Als dezelfde data beschikbaar is via een gedocumenteerde interface, moet het machine-pad dat aangeven. Dat ontlast het telefoonkanaal permanent – Famulor levert de routes hiervoor via 300+ integraties en webhooks.
• Eenmalig configureren en vergeten. Bellende agents worden steeds capabeler. Classificatielogica hoort thuis in de kwartaalevaluatie.

Conclusie

Agentic callers zijn geen randverschijnsel meer, maar een voorzienbare verschuiving in de samenstelling van het inkomende gespreksvolume. De verkeerde reactie is ze als een fraude-probleem behandelen en buiten te sluiten – dat treft legitieme klantverzoeken. De juiste reactie is ze herkennen als een apart bellertype, ze een efficiënt pad bieden en gevoelige acties achter extra verificatie plaatsen.

Famulor laat je precies dat modelleren zonder ontwikkelproject: classificatie binnen het gesprek, aparte takken in de Flow Builder, gelaagde rechten voor mid-call tools en een schone overdracht naar mensen waar dat ertoe doet. Je volgende concrete stap: neem je drie meest voorkomende inkomende verzoeken, definieer voor elk een kort machine-pad en een verificatiedrempel, en bouw ze in een no-code voice agent. Een uur is genoeg voor een eerste testrun.

FAQ

Wat is een agentic caller?

Een agentic caller is een autonome AI-agent die namens een gebruiker of systeem een servicenummer belt, door het IVR werkt en een adaptief gesprek voert. In tegenstelling tot een robocall volgt deze geen vast script.

Hoe verschilt een agentic caller van een robocall?

Een robocall speelt vooraf opgenomen audio af en faalt bij vervolgvragen. Een agentic caller luistert naar het IVR-menu, selecteert correct, beantwoordt beveiligingsvragen en reageert flexibel op onverwachte wendingen.

Waarom missen conventionele fraudesystemen agentic callers?

Omdat ze reageren op gedragsanomalieën. Agentic callers bellen vanaf gevalideerde nummers, navigeren op normaal tempo door het IVR en slagen voor authenticatie – ze produceren precies de signalen die als onopvallend worden geclassificeerd.

Moet ik machine-bellers simpelweg blokkeren?

Nee. Een deel van deze gesprekken komt van assistenten van echte klanten met legitieme verzoeken. Een kort, toegewijd gesprekspad met gelaagde rechten voor gevoelige acties werkt beter.

Hoe identificeer ik een machine-beller tijdens het gesprek?

Twee methoden combineren goed: akoestische analyse van synthetische stemmen vóór routering, en een directe vraag in de eerste gespreksstap of het gesprek namens een assistent wordt gevoerd.

Verstoren agentic callers mijn contactcenter-statistieken?

Ja. Een stijgende gemiddelde gespreksduur en zwakkere wachtrijprestaties lijken op een capaciteitsprobleem, maar kunnen voortkomen uit een groeiend aandeel machine-bellers. Zonder classificatie in het gesprekslogboek kunnen de twee niet worden gescheiden.

Welke acties zou een machine-beller niet moeten kunnen triggeren?

Als vuistregel geldt: alles wat schrijft met financiële of identiteitsgevoelige impact. Adreswijzigingen, bankgegevens, annuleringen en uitbetalingen horen achter een extra verificatiestap of bij een mens thuis.

Hoe snel kan dit worden geïmplementeerd met Famulor?

Een eerste pad duurt doorgaans ongeveer een uur. Voeg een classificatiestap toe in de Flow Builder, definieer de machine-tak, splits mid-call tools in lezen en schrijven, en stel de verificatiedrempel in.

Geldt dit ook voor WhatsApp en webchat?

In principe wel, met andere signalen. Tekstkanalen missen akoestische analyse, maar tempo, opmaak en gebruikspatronen zijn informatief. De logica van classificatie, apart pad en gelaagde rechten blijft hetzelfde.