Webinar-terugblik: Hoe Admiral verzekeringsgesprekken afhandelt met AI-agents

Admiral verwerkt wereldwijd miljoenen klantinteracties per jaar in meerdere talen, onder meer in het VK, Italië, Frankrijk en Spanje.

In ons meest recente webinar Behind the Agent: How Admiral Handles Insurance Calls with AI Agents, vertelde Dominika Kampa, Group Head of Generative AI bij Admiral, hoe haar team de AI-laag bouwt om dat volume te verwerken, inclusief de architectuur, de teststandaard en het organisatorische werk erachter.

Admirals leidraad was het opbouwen van de meest vertrouwde klantervaring in verzekeringen 

Admiral wilde een nieuwe categorie klantervaring creëren.

Het is eenvoudig om een agent te bouwen die een gesprek snel afsluit zonder het probleem van de klant daadwerkelijk op te lossen. 

Hun einddoel is dat voor elke klant, via elk kanaal en op elk belangrijk moment direct een oplossing wordt geboden, of dat de klant wordt doorgegeven aan een medewerker die de klant, de context en de situatie begrijpt die deze probeert op te lossen.

Hun belangrijkste metric was een first contact resolution van 90%. Ze maten ook of de service 24/7 beschikbaar was, of interacties beknopt waren en of de NPS aanzienlijk hoger lag. 

Containment was een secundaire metric. Bij hun eerste use case voor spraak verbeterde het team dit aanzienlijk, toen klanten ontdekten dat de agent sneller was.

Maar oplossing was hun ankerpunt. Admiral meet afzonderlijk of de klant daadwerkelijk kreeg waarvoor die belde, los van de vraag of het gesprek werd geëscaleerd. Daardoor telt een bewuste overdracht aan een medewerker nooit als een mislukking.

Hoe „goed” eruit moet zien in een gereguleerde sector

Admiral legt de lat hoog voor productie. Voordat de agentic-oplossing live gaat, moet die minstens even goed zijn als hun medewerkers nu, of beter.

Kennis over edge cases die vroeger in het instinct van de meest ervaren agents zat, moet nu expliciet worden getest voor elke use case.

In de praktijk trok het team ook bewust grenzen aan de scope. Cases rond kwetsbaarheid en betalingsachterstanden blijven bijvoorbeeld bij een medewerker terwijl het team meer edge cases rond de use case leert kennen.

Omdat de meeste verzekeringsregelgeving resultaatgericht is, is Doms visie pragmatisch: het „hoe” is flexibel, zolang de uitkomst voor de klant en het bedrijf precies is zoals bedoeld.

Draagvlak komt niet door een mandaat

Een gereguleerde organisatie zet AI niet in omdat dat wordt opgelegd. 

Dom werkte jarenlang bij McKinsey aan programma's voor veranderbeheer voordat ze bij Admiral kwam. Toen haar werd gevraagd wat ze vandaag zou zeggen tegen een collega die pleit voor agentic AI, noemde ze drie principes rechtstreeks uit dat draaiboek.

1) Mensen steunen wat ze helpen bouwen

Admirals antwoord op scepsis was om de tool rechtstreeks aan sceptici te laten zien.

Het team gaf demo's en educatieve sessies in de hele organisatie, ook aan de vijftig belangrijkste leiders van de groep, om duidelijk te maken wat agentic AI is. ElevenLabs en Dom organiseerden een trainingsdag waarop het leiderschapsteam, inclusief Group CEO Milena Mondini de Focatiis, vanaf nul agents bouwde. In Doms woorden: ze „vonden de ervaring echt… leuk”.

2) Het gaat nooit alleen om de technologie

De visie omvat verandering in de P&L, de klantervaring en de medewerkerservaring.

Zodra mensen het eens zijn over de uitkomst, worden de technologische opties duidelijk. Doms advies was om niet bij de technologie te beginnen.

3) Bouw governance vroeg op

De juiste contactmomenten, de juiste KPI's en de juiste data vanaf het begin maken besluitvorming veel eenvoudiger. Het anti-patroon is volgens haar vertrouwen op onderbuikgevoel en eindigen met „een heel mooi artefact” dat niemand gebruikt en dat geen enkele metric verbetert die je belangrijk vindt.

Ook het uitrolmodel was belangrijk. Admiral koos ervoor om één onderdeel van de groep diepgaand te laten experimenteren met één onderwerp en de lessen vervolgens overal elders toe te passen.

Ze doen dit eerst met snelle vervolgimplementaties en daarna met een volledige uitrol. Niet één use case in één domein, wat hen volgens Dom enorm zou hebben vertraagd, maar de bewuste discipline om niet tien keer opnieuw het wiel uit te vinden.

Demo 1: aflossingsopgaven (Admiral Money)

Scenario: Een klant wil haar lening vervroegd aflossen. Het is een eenvoudig verzoek: ze heeft alleen het af te lossen bedrag nodig.

Traditioneel betekende dat nummer opvragen: door een IVR navigeren, haar identiteit verifiëren bij een menselijke agent, wachten terwijl een backendsysteem de berekening uitvoerde en schermen werden geladen, en vervolgens haar inbox in de gaten houden voor een pdf. Vijf minuten proces voor een vraag met één antwoord.

Dan Clark, Group Head of Generative AI bij Admiral, lichtte toe wat het team had gebouwd.

Wat werd getoond:

• Authenticatie draait aan het begin van de workflow als eigen subagent, voordat er iets anders wordt uitgevoerd.
• De subagent die als poortwachter fungeert, controleert of de beller in aanmerking komt om met de AI-agent te spreken. Kwetsbare klanten en klanten met betalingsachterstanden worden doorgestuurd naar een prioriteitswachtrij met een medewerker, terwijl het team meer edge cases leert kennen. 
• De agent verzamelt antwoorden vooraf voorspellend en werkt API-gedreven in plaats van te wachten op verouderde schermen. Dezelfde klantreis die met een medewerker ongeveer vijf minuten duurt, kost met de agent ongeveer tweeënhalve minuut.
• Succes wordt gemeten aan de hand van de vraag of de klant is geauthenticeerd en de aflossingsopgave heeft ontvangen, afzonderlijk van escalatie.
• Aan het eind van het gesprek vraagt een feedbackagent klanten om de ervaring met één tot vijf te beoordelen. Gesprekken die niet worden geëscaleerd, krijgen bijna uitsluitend vieren en vijven.

Waarom dit belangrijk is: de tijdwinst komt doordat de workflow API-gedreven is in plaats van schermgestuurd, niet simpelweg doordat AI antwoordt in plaats van een persoon. In Dans woorden draait dit vooral om kortere gesprekstijden en daardoor een betere klantervaring. De huidige escalaties weerspiegelen grenzen die het team tijdens het leerproces bewust heeft gekozen, niet dat de agent niet kan helpen.

Demo 2: Olivia (L’Olivier)

Scenario: Een klant in Frankrijk heeft een vraag over haar polis. Ze opent de chat op de website en krijgt Ollie Bot, een ouderwetse boomgebaseerde tool („druk op A hiervoor, B daarvoor”). Haar vraag is geen optie A of optie B, dus vertrekt ze zonder antwoord.

Dat was de ervaring die L’Olivier wilde vervangen. Het team bouwde Olivia, een kennisbankagent op ElevenLabs die vandaag live op de site staat.

Wat werd getoond:

• De systeemprompt, het eerste bericht, de workflows en de subagent waren allemaal rechtstreeks in het Frans geschreven, niet vertaald uit het Engels. Dan verwijst naar onderzoek waaruit blijkt dat prompting in de taal van de klant het model anders aanspreekt, en het team zag hiermee aanzienlijk betere resultaten. Olivia detecteert automatisch wanneer Engels nodig is en reageert dan in het Engels. 
• Echte klantgesprekken worden vergeleken met de kennisbank om hiaten te ontdekken. Oplossingen worden doorgaans binnen één tot twee uur in de live agent verwerkt.
• Wijzigingen worden op een branch gedeployed met een geleidelijke verkeersverdeling: 1%, 2%, 5%, 10%, 25%, 50% en vervolgens 100%, met simulatietests en handmatige preview voordat iets live verkeer bereikt. Als de data de wijziging niet ondersteunen, gaat het verkeer direct terug naar nul, zonder dat er iets hoeft te worden teruggedraaid. 
• Een volledige branchcyclus duurt van begin tot eind tussen enkele uren en een dag. Geen sprints van twee weken en deployments van twee weken meer.

Waarom dit belangrijk is: dat de releasecyclus van weken naar uren terugloopt, is op zichzelf al opvallend. Maar het grotere inzicht is dat taal misschien niet slechts een lokalisatiedetail is: het kan veranderen hoe het model redeneert. 

Geen enkel draaiboek overleeft contact met een nieuwe markt

Afspraken over beurtwisseling, tolerantie voor onderbrekingen en wat als een normaal gespreksritme geldt, verschillen sterk per markt. 

Er is geen wondermiddel. Volgens Dom werkt het om een engineer die prompting en architectuur begrijpt te koppelen aan een business owner van de lokale organisatie, die de marktcontext tot leven brengt, en dat duo als eenheid voor de deployment te behandelen.

De build zelf verschilt niet zo veel van markt tot markt. De adoptie wel. Volgens Dom geldt dit voor elke AI-deployment, niet alleen voor klantcontact.

Daarom verwacht het team meer tijd te besteden aan klantvoorlichting (welkomstberichten, positionering, IVR-berichten enzovoort) dan aan het onderliggende model.

Eerlijke behandeling in alle markten

In verzekeringen is het detecteren van kwetsbaarheid een basisvereiste die in elke markt, taal en elk kanaal moet gelden.

Admiral detecteert via meerdere routes. Specifiek voor kwetsbaarheid gebruikt het team bewust gevestigde machinelearningmodellen naast generatieve AI, in plaats van op slechts één daarvan te vertrouwen. Zo worden kwetsbare klanten in elke fase opgevangen, ongeacht welk signaal als eerste afgaat, en op de juiste manier geholpen.

Die standaard geldt zelfs voordat de technologie met de case wordt vertrouwd. In de agent voor aflossingsopgaven screent een subagent die als poortwachter fungeert elke beller, en kwetsbare klanten of klanten met betalingsachterstanden gaan rechtstreeks naar een prioriteitswachtrij met een medewerker. Dit is een bewuste grens terwijl het team meer edge cases leert kennen.

Omdat klanten onvoorspelbaar zijn — iemand vroeg Olivia bijvoorbeeld hoe je uiensoep maakt — combineert het team guardrails met het proactief signaleren van onverwachte situaties. Zo weten ze altijd wie op welke manier met hun tools communiceert.

Het team achter de agents 

Admiral werkt met een hub-and-spoke-model, waarbij expertise op groepsniveau in de „hub” zit en lokale experts in de „spokes” de markt, klanten en medewerkers kennen.

Het center of excellence bestaat uit twee delen. Ten eerste een team voor value capture dat verantwoordelijk is voor strategie, roadmaps, productontwerp en het testen van resultaten, waaronder A/B-tests. Ten tweede een technisch team van engineers, architecten en deliverycollega's dat ervoor zorgt dat alles wat wordt gebouwd aan de standaarden voldoet en met de rest van het landschap integreert.

Volgens Dom draait de AI-engineer van de toekomst veel minder om code schrijven en veel meer om begrijpen hoe gen AI werkt, ideeën goed structureren en agentic coding inzetten om te leveren.

Rond het kernteam worden procesexperts en business owners samengebracht in kleine pods met product- en techspecialisten. In haar woorden: „ze in een ruimte opsluiten” om samen te bouwen en te testen, en het daarna aan echte klanten geven om stuk te maken.

Hoe Admiral de roadmap prioriteert 

Ook hier doet het hub-and-spoke-model zijn werk. De groep stelt niet-onderhandelbare prioriteiten voor de grote projecten, waar het risico en de waarde hoger zijn en de haalbaarheid iets lager ligt, zodat centrale ondersteuning de knelpunten kan wegnemen. De spokes krijgen ruimte voor bottom-upinnovatie, zolang ze capaciteit hebben en binnen de top-downguidelines blijven.

De roadmap voor de toekomst die het team bouwt, draait om de ambitie dat de klant zichzelf nooit hoeft te herhalen, ongeacht of het contact via IVR, een stemagent, een medewerker of een kanaal verloopt. Signalen over intentie, sentiment en kwetsbaarheid worden bij elke overdracht meegenomen, niet alleen het transcript. 

Bekijk de volledige sessie

Admiral vernieuwde tegelijk de lat voor validatie, het draagvlak in de organisatie en de tech stack om dichter bij het doel te komen: de beste klantervaring in verzekeringen bieden.

Bekijk het volledige webinar hier.