AI-chatbot website: zelf bouwen, een platform kopen of een agent laten maken

Een klant tikt "kan de bank apart geleverd worden, mijn oprit is smal" in het chatvenster van een tuinmeubelwebshop. De AI-chatbot antwoordt vlot, vriendelijk, en voor een deel onwaar. Dat gebeurt vaker dan je denkt: een AI-agent vult een ontbrekend detail in met het meest waarschijnlijke antwoord, niet met het juiste. Uit onderzoek van Anthropic blijkt dat dit met de juiste instructie fors terug te dringen is, maar nooit helemaal weg. Wie een AI-chatbot website overweegt, moet dus eerst een andere vraag beantwoorden dan "welke tool": welke van de drie bouwroutes past bij het aantal vragen dat je krijgt, en hoe voorkom je dat de bot iets belooft dat niet bestaat.

Drie manieren om een AI-chatbot website te bouwen

Er zijn drie routes, met heel verschillende kosten en heel verschillend onderhoud.

Route 1: een AI-chatbot maken met een kant-en-klare bouwer

Je plakt je FAQ-pagina's en productteksten in een bouwtool die er een chatbot op traint. Dit werkt omdat de bot alleen tekst met tekst beantwoordt: geen koppeling, geen actie. Verwacht een instapprijs van gratis tot enkele tientjes per maand. Doe dit niet zodra klanten vragen willen over hun eigen bestelling, want dat vereist een koppeling die deze route meestal mist.

Route 2: klantenservice automatiseren met een SaaS-platform

Denk aan Intercom met de Fin-agent, of Zendesk met zijn AI-laag. Dit werkt omdat je een heel systeem krijgt: ticketrouting, escalatie, meerdere kanalen tegelijk. Intercom rekent per opgelost gesprek. Doe dit niet bij weinig vragen per maand: er geldt vaak een minimum aantal outcomes, en dan betaal je voor capaciteit die je niet gebruikt.

Route 3: een eigen agent op een LLM-API

Je bouwt zelf op de API van Claude of een vergelijkbaar model, met je kennisbank via RAG en losse acties (bestelstatus opzoeken, een retour starten) via tools. Dit werkt goedkoper naarmate het volume groeit: je betaalt per gesprek tokens, geen vast platformtarief. Doe dit niet zonder iemand die kan bouwen en onderhouden: een escalatie-interface krijg je niet cadeau.

Wat een AI-chatbot wel en niet zelf mag beslissen

Een AI-agent is AI die zelf stappen zet in plaats van alleen te antwoorden: hij zoekt op, beslist wat relevant is, en voert soms een actie uit. Een chatbot mag zelf antwoorden op basis van je kennisbank, doorverwijzen, en gegevens verzamelen voor een mens. Nooit zelf: een korting toekennen, een terugbetaling goedkeuren, of een klacht afhandelen. Dat raakt aan een AVG-regel: geautomatiseerde besluitvorming met gevolgen voor een klant mag niet zonder menselijke tussenkomst, ook niet als de bot het "goed genoeg" doet.

Welke route past bij jouw AI-chatbot website?

De drempels volgen uit een rekensom: wat kost het platform tegenover wat kosten de tokens, en wat kost het om zelf te bouwen.

Die laatste rij is de reden dat "goedkoper" niet hetzelfde is als "makkelijker". Een eigen agent wint pas als je het volume hebt om de bouwtijd terug te verdienen, of als je toch al iemand hebt die dit soort dingen bouwt.

Een echte klantvraag, en wat de chatbot verkeerd doet

Buitenleven Tuinmeubelen (fictieve naam, herkenbare situatie) verkoopt loungesets. Een klant typt in het chatvenster:

Hoi, ik wil de Cannes loungeset bestellen maar mijn oprit is smal.
Kan de bank apart geleverd worden zodat de bezorger 'm makkelijker
naar binnen krijgt? En kost dat extra?

De eerste versie van de bot krijgt alleen een algemene instructie: "Je bent de klantenservice-assistent van Buitenleven Tuinmeubelen. Beantwoord vriendelijk vragen over onze producten en bestellingen." Geen kennisbank, geen grens. Het antwoord:

Natuurlijk! Gespreide levering plannen we altijd automatisch in als
de bezorger daarom vraagt, dat kost niets extra.

Twee dingen kloppen niet. Gespreide levering gaat niet automatisch, en hij is niet gratis. Het echte beleid: mogelijk vanaf bestellingen boven de 500 euro, moet vooraf worden aangevraagd, en kost 29,95 euro extra voor de tweede rit. De bot vulde het gat op met het antwoord dat een tevreden klant het liefst hoort, niet met het antwoord dat waar is.

De reparatie zit niet in een betere chatbot, maar in de instructie. Anthropic's eigen richtlijn voor het terugdringen van verzonnen antwoorden noemt twee technieken die hier direct op passen: geef het model expliciet toestemming om "ik weet het niet" te zeggen, en beperk het model tot de aangeleverde documenten in plaats van zijn eigen kennis. Toegepast op deze chatbot:

<beleid_levering>
Gespreide levering is mogelijk vanaf bestellingen boven de 500 euro.
Dit moet vooraf worden aangevraagd via het bestelformulier of de
klantenservice, het gebeurt niet automatisch. Meerprijs voor de
tweede rit: 29,95 euro.
</beleid_levering>

Gebruik alleen de informatie tussen de tags hierboven. Verzin nooit
een voorwaarde, prijs of levertijd die daar niet letterlijk in staat.
Staat het antwoord er niet in, zeg dan dat je het navraagt bij een
collega en vraag om een moment.

Met die twee regels erbij wordt het antwoord:

Gespreide levering kan bij bestellingen boven de 500 euro. Voor de
tweede rit reken je 29,95 euro extra, en je vraagt dit vooraf aan
via het bestelformulier of bij onze klantenservice: het gaat niet
vanzelf. Wil je dat ik dit alvast voor je noteer?

Zelfde vraag, twee compleet verschillende antwoorden. Het verschil is niet het model, het is de grens die je hem meegeeft.

Waar een AI-chatbot website misgaat: hij verzint een beleid dat niet bestaat

Het mechanisme achter de fout hierboven is simpel: een taalmodel voorspelt het waarschijnlijkste vervolg op een tekst, en op "kost dat extra" is "nee, dat is gratis" een prettiger vervolg dan een genuanceerd antwoord met een bedrag erbij. Zonder tegenregel kiest het model de gladde variant. Dat gebeurt vaker bij Route 1-bouwers zonder sterke guardrail-instellingen, en bij een zelfgebouwde agent zonder de expliciete regel hierboven. Het gebeurt minder bij een SaaS-platform met AI, omdat die meestal al een vorm van brongebonden antwoorden ingebouwd heeft, wat een deel van de hogere prijs verklaart.

Google Cloud noemt dit "grounding": het meegeven van feiten als context aan het model, zodat het antwoord daarop terugvalt in plaats van op wat het tijdens training vaker zag. Twee onafhankelijke leveranciers beschrijven dezelfde oplossing voor hetzelfde probleem, en dat is precies waarom de instructie in het voorbeeld hierboven werkt: niet omdat één leverancier het aanraadt, maar omdat het de kern is van hoe een taalmodel met een kennisbank moet werken.

Wat een AI-chatbot oplevert, en wat niet

Anthropic's eigen implementatiegids voor supportagents mikt op een deflectiepercentage van 70 tot 80 procent: het aandeel vragen dat zonder mens wordt opgelost, en op 95 procent juiste doorverwijzing bij de rest. Dat is de richtlijn voor een goed gebouwde agent met kennisbank en escalatiepad, niet voor elke chatbot die je aanzet: een simpele bouwer zonder acties haalt dat cijfer niet. Die ordegrootte staat niet op zichzelf: bij een uitrol van Google's Customer Engagement Suite haalde contactcenterbedrijf TTEC volgens vakmedium CX Today 60 procent zelfbedieningscontainment, een andere maatstaf maar dezelfde orde van grootte bij een heel andere leverancier (via secundaire bronnen, cxtoday.com was niet bereikbaar).

Wat na een week beter wordt: de kennisbank dekt meer randgevallen. Wat niet beter wordt vanzelf: een boze klant krijgt nog steeds een te neutraal antwoord, en een vraag die twee systemen raakt (voorraad plus levertijd) blijft foutgevoelig zonder een tool die beide ophaalt.

Waar dit heen beweegt: bouwen wordt makkelijker, niet het grondingsprobleem zelf. Google presenteerde bij zijn vernieuwde Customer Engagement Suite een no-code console waarmee niet-technische mensen in een paar klikken een agent bouwen, inclusief kant-en-klare koppelingen met CRM's. Voor route 3 betekent dit dat de bouwtijd die vandaag de drempel vormt, over een jaar of twee lager ligt. De regel over grounding blijft daarbij nodig: makkelijker bouwen verandert niets aan de kans dat een model een ontbrekend detail invult.

Meet dit na zeven dagen, zonder extra tooling:

• Hoeveel gesprekken kreeg de bot, en hoeveel eindigden zonder escalatie? Dat is je ruwe deflectiepercentage. Onder de 40 procent: je kennisbank dekt te weinig, of de vragen zijn te divers voor deze route.
• Hoeveel keer moest je zelf een antwoord corrigeren dat een klant al had gezien? Elke correctie is een regel die de instructie hierboven nog mist.
• Hoeveel minder mail of telefoon kwam er binnen over dezelfde vraag? Geen verschil na een week: de bot lost iets anders op dan waar je klanten écht over bellen.

Privacy en de meldplicht: wat een klant moet weten

Sinds 2 augustus 2026 geldt de meldplicht uit de AI Act: een chatbot moet bij het eerste contact zeggen dat de klant met AI praat, zoals we eerder uitwerkten in onze analyse van de transparantieverplichtingen voor AI-content. Bouwers en SaaS-platformen zetten dit meestal standaard aan; bij een eigen agent regel je het zelf in de eerste zin.

Een chatgesprek is bovendien een persoonsgegeven zodra er een naam, e-mailadres of ordernummer in staat: neem een verwerkersovereenkomst en zet training op je data uit, bij elke route. De bredere AVG-regels rond AI en klantcontact staan in AI voor klantenservice.

Wat AI hier niet goed kan

Een boze klant krijgt van een chatbot bijna altijd een te vlak antwoord. Een vraag buiten je kennisbank (een garantieclaim met foto's) leidt de bot naar het dichtstbijzijnde patroon in plaats van naar "ik weet het niet", tenzij je die zin erin hebt gezet. En een actie die twee systemen tegelijk raakt, zoals annuleren én een tegoedbon uitgeven, vraagt een tool die beide doet: zonder die tool doet de bot alsof, en dat is gevaarlijker dan niets doen.

Doe dit deze week

1. Tel je terugkerende vragen een week lang

   Gebruik je bestaande mail of chatlog. Groepeer ze in vijf categorieën. Dat aantal per maand bepaalt welke rij in de tabel hierboven bij jou past.

2. Schrijf je kennisbank-blok en test de grondingsregel

   Zet exact de tekst neer die de bot mag gebruiken (levertijden, retourbeleid, kosten), niets meer. Draai de instructie uit dit artikel op je drie lastigste vragen en kijk of hij "ik weet het niet" durft te zeggen.

3. Leg de escalatiegrens schriftelijk vast

   Eén A4: welke vraag altijd naar een mens gaat (geld, een klacht, iets juridisch), en wie dat oppakt. Regel dit voordat de bot live gaat, niet erna.

Het agent-recept dat vandaag werkt: neem de gecorrigeerde prompt hierboven, vervang het voorbeeldbeleid door je eigen levertijden en kosten, en test hem op de tien vragen die je deze week het vaakst kreeg. Wil je dit met begeleiding bouwen, inclusief de escalatie en de koppeling met je eigen systemen? In de Agent Sprint bouw je dat met je team op je eigen klantvragen. Werkt je klantenservice al met een ticketsysteem en wil je het hele team meenemen, kijk dan naar de training voor supportteams.

Bronnen

• Anthropic, Pricing. Modelprijzen Claude Haiku 4.5 en het rekenvoorbeeld van 37 dollar per 10.000 supportgesprekken.
• Anthropic, Customer support agent. Deflectiepercentage van 70 tot 80 procent, escalatienauwkeurigheid, en het gebruik van RAG en tool use om antwoorden te gronden.
• Anthropic, Reduce hallucinations. Technieken "sta toe dat het model onzekerheid toegeeft" en "beperk tot de aangeleverde documenten", gebruikt in het voorbeeld hierboven.
• Google Cloud, What is Retrieval-Augmented Generation (RAG)?. Onafhankelijke bevestiging van hetzelfde grondingsmechanisme, bij een andere leverancier.
• Google Cloud, Next-generation Customer Engagement Suite. No-code console voor zelfbedieningsagents, gebruikt voor de vooruitblik op route 3.
• Intercom Fin, prijs per opgelost gesprek en minimumaantal outcomes, geverifieerd via secundaire bronnen omdat intercom.com en fin.ai deze sessie niet bereikbaar waren.
• Chatbase, prijstiers en berichtcredits, geverifieerd via secundaire bronnen omdat chatbase.co deze sessie niet bereikbaar was.
• CX Today, containmentcijfer van TTEC bij een uitrol van Google's Customer Engagement Suite, geverifieerd via secundaire bronnen omdat cxtoday.com deze sessie niet bereikbaar was.

Veelgestelde vragen

• Hoeveel kost een AI-chatbot maken voor je website?

  Dat hangt van de route af. Een kant-en-klare bouwer kost gratis tot enkele tientjes per maand voor lage volumes. Een SaaS-platform met AI, zoals Intercom Fin, rekent ongeveer 0,99 dollar per opgelost gesprek, met een minimum aantal gesprekken per maand. Een eigen agent op een LLM-API kost bij een paar honderd gesprekken per maand slechts enkele dollars aan modelkosten, maar dan betaal je de bouwtijd zelf.

• Kun je ChatGPT gebruiken als chatbot voor klantenservice op je website?

  Los in de ChatGPT-app niet: die is niet gemaakt om op een website te embedden en heeft geen toegang tot jouw kennisbank tenzij je die zelf meegeeft. Via de API kan het wel, op dezelfde manier als met Claude: je bouwt zelf de koppeling, de kennisbank en de grenzen. Voor een kant-en-klaar chatvenster op je site is een bouwer of een SaaS-platform met AI meestal sneller.

• Is een AI-chatbot hetzelfde als klantenservice automatiseren?

  Nee, een chatbot is één onderdeel daarvan. Klantenservice automatiseren omvat ook interne stappen zoals ticketrouting, kennisbankbeheer en rapportage. Een AI-chatbot op je website lost het directe contactmoment op; de rest van je supportproces vraagt om aparte keuzes, zoals beschreven in onze bredere gids over AI voor klantenservice.

• Moet een AI-chatbot op je website zeggen dat het geen mens is?

  Ja. Sinds 2 augustus 2026 verplicht de AI Act dat een chatbot bij het eerste contact duidelijk maakt dat de gebruiker met AI praat. De meeste bouwers en SaaS-platformen zetten dit standaard aan; bij een eigen agent regel je het zelf in de openingszin.

• Hoe voorkom je dat een AI-chatbot een verkeerd beleid verzint?

  Geef de chatbot alleen je eigen beleidstekst mee (levertijden, kosten, voorwaarden) en instrueer hem expliciet om nooit iets te noemen dat daar niet letterlijk in staat. Laat hem bij twijfel zeggen dat hij het navraagt in plaats van te gokken. Zonder die twee regels vult het model een ontbrekend detail in met het meest waarschijnlijke antwoord, niet met het juiste.