Klanten bellen niet in ABN: wat Vlaamse tussentaal betekent voor AI-receptionisten

Waar de mythe vandaan komt

De twijfel is begrijpelijk. Veel KMO's hebben hun eerste kennismaking met spraak-AI gehad via generieke, vaak Engelstalige voice-bots die inderdaad haperden bij een zachte g of een ingeslikte lettergreep. Die ervaring is blijven hangen, en ze voedt een breder wantrouwen: 'onze klanten praten niet zoals in een handleiding, dus AI zal ons niet begrijpen.' Dat is een reëel risico bij slecht geconfigureerde systemen, maar het is geen technologische limiet meer in 2026.

Het probleem zat zelden bij het accent op zich. Het zat bij systemen die vooraf een gesloten set zinnen verwachtten — 'zeg 1 voor afspraken, 2 voor facturatie' — in plaats van vrije, natuurlijke spraak te verwerken. Wanneer een klant dan buiten dat keurslijf praatte, faalde de herkenning. Dat verklaart waarom zoveel Belgische ondernemers denken dat AI 'geen Vlaams kan': ze hebben nooit een systeem gebruikt dat daar effectief op getraind is.

Ondertussen is het landschap veranderd. Taalmodellen worden vandaag getraind op enorme hoeveelheden Nederlandstalig materiaal, inclusief Belgisch-Nederlandse spraak en tussentaal, en de combinatie van spraakherkenning met een taalmodel dat context begrijpt maakt het verschil. Een AI receptionist hoeft een zin niet meer woord voor woord te decoderen — ze moet begrijpen wát de beller wil, ook als de zin grammaticaal niet vlekkeloos is. Dat is een andere technische opgave, en het is precies die opgave die de afgelopen jaren is opgelost.

Wat spraaktechnologie in 2026 daadwerkelijk aankan

Uit de meest recente Statbel-enquête over ICT-gebruik bij bedrijven (Statbel) blijkt dat een minderheid van de Belgische KMO's spraak- of taaltechnologie structureel inzet in klantcontact — de adoptie hinkt duidelijk achter op grotere bedrijven, vooral in sectoren met veel telefonisch contact zoals zorg, horeca en dienstverlening. Dat is geen technologisch probleem, wel een kennisprobleem: wie nooit een goed afgestemd systeem heeft gehoord, onderschat wat mogelijk is.

Het verschil tussen een matige en een goede ervaring zit in de afstemming, niet in de basistechnologie. Een generieke voice-bot die 'af fabriek' wordt ingezet, herkent doorgaans enkel gestandaardiseerd Nederlands. Een systeem dat specifiek is afgesteld op de woordenschat van een sector — afspraaktermen bij een kinesist, materiaalnamen op een werf, productcategorieën in een webshop — presteert merkbaar beter, ook bij tussentaal. Dat is ook waarom IoniqAI systemen niet 'kant-en-klaar' aflevert, maar afstelt op het daadwerkelijke taalgebruik van de klanten van een KMO.

Hoe dat er in de praktijk uitziet: de les van BVEM

Taalherkenning is één ding, maar de echte winst zit in wat er ná het gesprek of de invoer gebeurt met die informatie. Bij BVEM ging het niet om telefonie, maar om hetzelfde onderliggende probleem: klantinformatie die in de eigen bewoordingen van klanten en medewerkers binnenkwam, en die vervolgens handmatig moest worden overgetypt naar agenda, planning en opvolging. Dat kostte uren per dag, met dubbele invoer en afspraken die uitliepen omdat informatie ergens vastzat in een ander systeem of op een los briefje.

IoniqAI bouwde voor BVEM één doorlopende flow die agenda, klantendata, opdrachten en opvolging samenbrengt. Wat vroeger manueel overgetypt werd — ongeacht hoe die informatie precies geformuleerd was — gebeurt nu automatisch. Het resultaat: tientallen uren tijdwinst per week, meer dan tien uur structureel. Die case toont iets fundamenteels: het probleem was nooit dat mensen 'verkeerd' communiceerden. Het probleem was dat systemen niet flexibel genoeg waren om menselijke, natuurlijke communicatie te verwerken.

Hetzelfde principe zie je bij Wingman Construct, waar werfbazen rapportages, uren en materiaal rechtstreeks ter plaatse invoeren via een mobiele app, in plaats van via papieren die achteraf op kantoor herwerkt moeten worden. Ook daar draait het om informatie die gestructureerd binnenkomt zonder dat iemand ze eerst moet 'vertalen' naar een keurig formulier. Voor een AI chatbot op een website geldt exact dezelfde logica: klanten typen zoals ze praten, met afkortingen, tussentaal en soms een tikfout, en een goed afgesteld systeem moet daar evengoed uit kunnen halen wat iemand nodig heeft.

Waar het wél nog wringt — en hoe je dat oplost

Eerlijkheid hoort bij deze mythe-ontkrachting: er zijn grenzen. Zwaar doorgedreven streektaal met veel lokale uitdrukkingen, sterke achtergrondgeluiden in een telefoongesprek, of een mix van Nederlands, Frans en Engels binnen één zin — dat blijft voor elk systeem, menselijk of AI, een uitdaging. Een receptioniste die zelf uit de streek komt, herkent 'een schouw laten kuisen' feilloos; een systeem dat nooit met die term geconfronteerd is, kan aarzelen.

De oplossing is niet 'dan doen we het toch zelf', maar gerichte afstemming vooraf. Bij de opzet van een AI-receptionist of chatbot wordt in kaart gebracht welke termen, diensten en typische klantvragen voorkomen, en het systeem wordt daarop voorgetraind. Twijfelt het systeem toch, dan is een correcte escalatie naar een medewerker — in plaats van een fout antwoord — de juiste uitkomst. Dat is ook waar de EU Digital Strategy op inzet: taaltechnologie die faalt, moet dat op een transparante, controleerbare manier doen, niet door te gokken.

Er is nog een tweede punt waar KMO's te weinig bij stilstaan: spraakdata is persoonsdata. Wanneer een AI-receptionist telefoongesprekken verwerkt of opslaat, gelden dezelfde regels als bij elke andere klantendatabase. De Gegevensbeschermingsautoriteit verwacht een duidelijke grondslag voor verwerking, een bewaartermijn en transparantie naar de beller toe. Dat is geen reden om AI te mijden — het is een reden om te kiezen voor een leverancier die dit standaard correct inricht, in plaats van het zelf te moeten uitzoeken.

• Lever vooraf een lijst met veelgebruikte vaktermen en productnamen aan je AI-leverancier.
• Laat het systeem escaleren naar een mens bij twijfel, in plaats van te raden.
• Vraag na waar spraakopnames worden bewaard en voor hoe lang, conform GDPR-vereisten.
• Test het systeem met echte, opgenomen klantgesprekken — niet met keurige testzinnen.

Praktisch: zo zet je het goed op

De grootste fout die KMO's maken bij de start van een AI-receptionist of chatbot is denken dat 'installeren' voldoende is. Een goed werkend systeem vraagt een korte, gerichte opzetfase — en die betaalt zich snel terug.

Stap één: verzamel een representatieve steekproef van echte klantgesprekken of chatberichten, inclusief de rommelige, informele exemplaren. Niet de perfecte voorbeeldzinnen uit een handleiding. Stap twee: benoem de tien meest voorkomende vragen en de bijhorende vaktaal — een boekhouder uit Gent gebruikt andere termen dan een fietsenhersteller uit Hasselt, en dat onderscheid moet het systeem kennen. Stap drie: bouw een escalatiepad in, zodat een onduidelijke vraag altijd naar een medewerker gaat in plaats van naar een verzonnen antwoord. Stap vier: test minstens twee weken in een beperkte omgeving vooraleer je live gaat, en stuur bij op basis van wat misloopt.

Wie dit zelf wil uitzoeken, kan starten via het KMO-portefeuille-aanbod van VLAIO of advies inwinnen bij UNIZO over digitalisering binnen de eigen sector. Wie liever meteen met een werkend systeem start, kan via de marketplace van IoniqAI in contact komen met specialisten die dit per sector opzetten, of via een leads generator en ads creator ook de rest van de klantwerving laten aansluiten op diezelfde flow. Het punt is niet dát je AI inzet, maar hóe zorgvuldig je ze laat aansluiten op hoe je klanten écht praten.