De meeste QA-teams beluisteren handmatig ongeveer één procent van alle gesprekken. Dat betekent dat negenennegentig procent van wat klanten daadwerkelijk hebben gezegd, door niemand wordt gecontroleerd. Dit is wat er meestal schuilgaat in dat gat, en wat er verandert zodra je het wél kunt zien.

Kort samengevat: de meeste contactcenters kunnen slechts een klein deel van hun gesprekken handmatig beluisteren, vaak rond de één procent, waardoor de overige negenennegentig procent feitelijk ongecontroleerd blijft. Drie dingen blijven daardoor doorgaans onopgemerkt: compliance- en kwaliteitsproblemen die zich op grote schaal herhalen, coachingskansen die nooit naar boven komen omdat niemand net op dat moment meeluisterde, en automatiseringskansen die onzichtbaar blijven omdat niemand de juiste vraag aan de data heeft gesteld. AI-gestuurde gespreksanalyse dicht dat gat door het mogelijk te maken 100% van de gesprekken te doorzoeken in plaats van een handmatig gekozen steekproef.

Waarom een steekproef van 1% niet vertelt wat je denkt

Een steekproef werkt alleen als die representatief is, en de meeste QA-steekproeven worden niet op die manier samengesteld. Het is meestal simpelweg wat een teamleider die week de tijd had om erbij te pakken, en dat zijn vaak juist de gesprekken die al waren gemarkeerd, niet de gesprekken die stilletjes verkeerd gaan in een patroon waar nog niemand naar kijkt.

De omvang van het gat is het echte probleem: als je één op de honderd gesprekken beluistert, blijven er negenennegentig volledig ongecontroleerd, elke dag opnieuw, zonder einde. Problemen die zelden opduiken in een steekproef van 1% kunnen in de overige 99% wel degelijk voortdurend voorkomen. Je hebt alleen geen manier om dat te weten, omdat er nooit naar is gekeken.

3 dingen die schuilgaan in de 99% die niemand beoordeelt

1. Compliance- en kwaliteitsproblemen die zich op grote schaal herhalen

Eén verkeerd toegepaste beleidsregel, uitgesproken door één medewerker in één gesprek, is een leermoment. Dezelfde fout die zich consequent herhaalt, over duizenden gesprekken die een QA-team nooit heeft gehoord, is een systematisch risico, en automatisering lost dit niet automatisch op. Het kan het juist erger maken: een medewerker kan een beleidsregel één keer verkeerd interpreteren, maar een systeem dat op dezelfde misvatting is gebouwd, herhaalt die fout keer op keer, zonder dat iemand het merkt totdat het een patroon is. AssistYou schreef hier al eerder over: automatisering creëert efficiëntie, maar analyse creëert controle.

Dit is inmiddels meer dan een efficiëntie-argument: sinds 2 augustus 2026 is elke AI die rechtstreeks met een klant communiceert wettelijk verplicht dit kenbaar te maken, en kunnen aantonen hoe die AI zich tijdens ieder gesprek heeft gedragen, is een vraag die een toezichthouder terecht kan stellen. AssistYou schreef apart uit wat deze meldingsplicht precies inhoudt, voor wie specifiek compliance wil beoordelen.

2. Coachingskansen waar niemand naar luistert

Een steekproef van 1% vangt precies wat een teamleider toevallig heeft geselecteerd. Die vangt niet betrouwbaar de medewerker die in stilte moeite heeft met één specifiek product, het exacte moment in een gesprek waar steeds lange stiltes vallen (vaak een teken dat iemand naar informatie zoekt, niet dat iemand de vaardigheid mist om te helpen), of de specifieke techniek die een topper gebruikt en die consequent tot hogere tevredenheidsscores leidt. Niets daarvan komt naar boven bij een steekproefcontrole. Het wordt zichtbaar in een patroon over honderden gesprekken, en dat is precies waartoe een steekproef van 1% structureel niet in staat is.

3. Automatiseringskansen die verstopt zitten in patronen die een steekproef niet blootlegt

De beste kandidaten voor automatisering zijn niet zichtbaar in een handvol beluisterde gesprekken, het zijn patronen: dezelfde vraag van drie zinnen, op duizend verschillende manieren gesteld, die een steekproef van tien gesprekken nooit met elkaar zou verbinden. Om dat patroon te ontdekken moet je de volledige dataset een directe vraag kunnen stellen, in gewone taal, in plaats van te hopen dat het juiste gesprek toevallig in de steekproef van deze week terechtkomt.

Zo pakt AssistYou alle drie aan: met “Chat with your Analyst” kan een team in gewone taal vragen stellen over de volledige verzameling gesprekken, niet over een steekproef, en krijgt daarbij zowel het kwantitatieve patroon (hoe vaak, hoeveel) als de kwalitatieve context (wat er precies is gezegd) terug. Het draait op een orchestrator met gespecialiseerde subagents in plaats van één generalistisch model dat alles in zijn eentje probeert te doen. Eén onderdeel van het systeem telt en meet, een ander onderdeel ontdekt de thema’s en het verhaal, en een derde onderdeel bestaat specifiek om die andere twee te controleren tegen de daadwerkelijke transcripten.

Nog één ding: 100% zien helpt alleen als je kunt vertrouwen op wat je ziet

De stap van een steekproef van 1% naar volledige dekking is alleen vooruitgang als wat je ziet ook klopt. AssistYou heeft het elders zo verwoord: je kunt geen operationele beslissing van miljoenen euro’s baseren op een samenvatting die een AI mogelijk heeft gehallucineerd. Precies daarom heeft analyse van alle gesprekken een verificatielaag nodig: een manier om elk gegenereerd inzicht te controleren tegen het daadwerkelijke transcript waar het uit komt, in plaats van simpelweg een grotere, snellere versie van hetzelfde blinde vertrouwen dat een steekproef van 1% ook al vereiste.

Wat een steekproef opvangt versus wat 100% dekking opvangt

	Een steekproef van 1%	100% dekking van gesprekken
Compliancerisico	Alleen als het toevallig in de steekproef zit	Zichtbaar als patroon, op grote schaal
Coachingskansen	Anekdotisch, afhankelijk van de teamleider	Onderbouwd met data, vergelijkbaar binnen het team
Nieuwe automatiseringskansen	Zelden ontdekt	Naar boven gehaald door de data direct te bevragen
Vertrouwen in het antwoord	Zo goed als de tien gesprekken van deze week	Zo goed als de verificatie erachter

Veelgestelde vragen

Hoe pakken de meeste contactcenters kwaliteitscontrole nu aan? Meestal door handmatig een kleine, door een teamleider geselecteerde steekproef van opnames te beluisteren, vaak rond de één procent van het totale gespreksvolume, omdat het voor een menselijk team niet realistisch is om elk gesprek afzonderlijk te beluisteren.

Is het niet gewoon onmogelijk voor een menselijk team om 100% van de gesprekken te beluisteren? Als audio, ja. En dat is precies het punt: de verandering is niet “meer mensen laten luisteren naar meer gesprekken”, maar een AI-systeem directe, specifieke vragen stellen over de volledige dataset en antwoorden terugkrijgen die gebaseerd zijn op echte transcripten, in plaats van handmatig terrein te proberen dekken dat geen menselijk team realistisch aankan.

Kan dit menselijke QA-medewerkers vervangen? Nee, en dat zou het ook niet moeten proberen. Het verandert waar ze hun tijd aan besteden. In plaats van willekeurig tien gesprekken van deze week te beoordelen, kunnen ze onderzoek doen naar de specifieke patronen en uitzonderingen die de data daadwerkelijk naar boven haalt, wat een beter gebruik is van de schaarse tijd van een ervaren beoordelaar dan willekeurige steekproeven.

Roept het analyseren van 100% van de gesprekken geen privacyvragen op? Het roept de juiste vragen op, en dat is gezond: waar de data wordt verwerkt, wie er toegang tot heeft, en onder welke certificeringen. Dat gaat minder over hoeveel er wordt geanalyseerd en meer over of het platform dat dit doet voldoet aan standaarden zoals AVG-conforme verwerking en gecertificeerde Europese hosting.

Wat is het echte voordeel van analyse van alle gesprekken boven een steekproef? Vertrouwen. Een steekproef van 1% kan je vertellen hoe tien gesprekken eruitzagen. Volledige dekking kan je vertellen hoe je hele operatie er daadwerkelijk uitziet, en dat is het verschil tussen een gok die zich voordoet als data, en een antwoord waarop je kunt handelen.

Wat 100% dekking daadwerkelijk verandert

Het ongemakkelijke aan een steekproef van 1% is niet dat die klein is. Het is dat niemand merkt wat erin ontbreekt, want per definitie kijkt niemand naar de overige 99%.

Analyse van alle gesprekken voegt niet gewoon meer data toe. Het verandert de vraag van “hoe zagen deze paar gesprekken eruit?” naar “wat gebeurt er daadwerkelijk binnen onze hele operatie?”, en die tweede vraag is degene die je wilt kunnen beantwoorden vóórdat een toezichthouder, een klant of een concurrent hem als eerste stelt.

← Terug naar blog