Waarom we geen algemene chatbots bouwen (en wat we in plaats daarvan bouwen)

"Kunnen jullie een AI-chatbot aan onze site toevoegen" is het meest voorkomende AI-verzoek dat we krijgen, en het verzoek waar we het vaakst tegenin gaan. Niet omdat chatbots niet werken, maar omdat "algemene chatbot voor ons bedrijf" bijna nooit de juiste scope is voor de eerste AI-functie die een bedrijf zou moeten uitbrengen, en het toch uitbrengen levert meestal iets op dat indrukwekkend oogt in een demo en vertrouwen ondermijnt in productie.

Het kernprobleem is scope. Een algemene chatbot erft elke vraag die een klant zou kunnen stellen, elke edge case in je beleid, elke manier waarop je product verkeerd begrepen kan worden, zonder de waarborgen die een nauwere functie wel kan hebben. Je kunt geen zinvolle evaluatieset bouwen voor "alles wat een gebruiker zou kunnen vragen", wat betekent dat je niet zinvol kunt weten hoe vaak het fout zit voordat je klanten het voor je ontdekken.

Een nauw afgebakende functie is het tegenovergestelde op elke dimensie die ertoe doet. "Bepaal welke drie clips uit dit uur webinarbeeldmateriaal het publiceren waard zijn" of "markeer welke productvermeldingen aandacht nodig hebben op basis van verkoop- en voorraadpatronen" zijn taken met een afgebakende input, een controleerbare output, en een duidelijke definitie van wat "goed doen" betekent. Je kunt een echte evaluatieset bouwen, een echt nauwkeurigheidscijfer, en een echt antwoord op "hoe vaak zit dit fout en wat gebeurt er als dat zo is".

Kosten en latency zijn ook voorspelbaarder. Een algemene chatbot moet klaar zijn voor willekeurig lange, willekeurig complexe gesprekken, wat betekent dat je moet inrichten voor het slechtste scenario bij elk verzoek. Een nauw afgebakende functie verwerkt een gedefinieerde input en produceert een gedefinieerde output, wat tokengebruik, latency en dus kosten iets maakt dat je daadwerkelijk kunt voorspellen en beheersen, in plaats van een getal dat je aan het einde van de maand verrast.

Faalscenario's zijn echter het echte verschil. Wanneer een nauw afgebakende functie iets fout doet, faalt die op een manier die je hebt voorzien en waar je een terugvaloptie voor hebt gebouwd: een clip wordt gemarkeerd voor menselijke review in plaats van automatisch gepubliceerd, een productaanbeveling krijgt een lage betrouwbaarheidsscore in plaats van als zeker getoond te worden. Wanneer een algemene chatbot iets fout doet, is dat meestal een fout antwoord met volledig zelfvertrouwen uitgesproken, in een gesprek dat je evaluatieset nooit heeft voorzien, tegenover een klant.

Niets hiervan is een blanco "chatbots zijn slecht"-standpunt, en we zeggen het direct wanneer een chatbot daadwerkelijk het juiste middel is: een goed afgebakende interne FAQ-bot over een vaste, samengestelde kennisbank met duidelijke escalatie naar een mens is een legitieme, nauw afgebakende functie, geen algemene, ook al lijkt het van buitenaf op een chatbot. Het onderscheid waar het ons om gaat is scope en evalueerbaarheid, niet de interface.

Wat we in plaats daarvan bouwen, in de praktijk: AI ingebouwd op een specifiek punt in een workflow die al bestaat, die één duidelijk afgebakende taak betrouwbaar uitvoert, met een mens of een simpele regel die de gevallen afhandelt waar het model niet zeker van is. In onze webinardistributiepipeline is dat clip- en quote-herkenning uit ruw beeldmateriaal. In ons ERP-werk is dat het markeren van welke vermeldingen en voorraadniveaus daadwerkelijk de aandacht van iemand nodig hebben, verspreid over een catalogus die te groot is om handmatig te beoordelen.

De onderliggende discipline is elke keer hetzelfde: vind de kleinste, meest specifieke taak binnen een proces dat een team al uitvoert, waarvoor je een echte evaluatieset kunt bouwen, en automatiseer die eerst. Het is een minder spannende pitch dan "we voegen AI toe aan je hele product", en het is ook de versie die daadwerkelijk iets oplevert dat je team vertrouwt en zes maanden later nog steeds gebruikt.