Het antwoord is dat AI-agenten die betere vragen leren stellen, jouw klantenservice en offerteprocessen efficiënter kunnen maken. MIT-onderzoek toont aan dat een slimme vraagstrategie, gebaseerd op het spel ‘Battleship’, het verschil maakt tussen een domme chatbot en een nuttige assistent.

Wat er aan de hand is

Onderzoekers van MIT’s CSAIL en Harvard hebben AI-modellen getest op hun vermogen om de juiste vragen te stellen. Ze gebruikten een aangepaste versie van het spel ‘Battleship’, waarbij een ‘kapitein’ vragen stelt en een ‘spotter’ antwoord geeft. Meer dan veertig mensen speelden het spel eerst, waarna de onderzoekers dezelfde test deden met grote taalmodellen zoals GPT-5 en kleinere modellen zoals Llama 4 Scout.

De resultaten waren opvallend. Zonder training versloegen grote modellen mensen al in minder beurten. Maar kleinere modellen presteerden slecht: Llama 4 Scout won slechts 8 procent van de potjes. Na een aanpassing in de vraagstrategie, een zogeheten Monte Carlo-methode die de kans op een goed antwoord berekent, steeg de winst naar 82 procent. Het kleine model versloeg daarmee zelfs GPT-5, terwijl het maar 1 procent van de rekenkracht gebruikte.

De kern van het probleem is dat veel AI-modellen niet goed zijn in het bedenken van vragen die echt informatie opleveren. Ze raden willekeurig of stellen te brede vragen. De Monte Carlo-strategie dwingt ze om per antwoord te berekenen welke vraag de meeste informatie geeft.

Wat dit betekent

Voor ondernemers betekent dit dat de kwaliteit van een AI-agent niet alleen afhangt van het model, maar vooral van de manier waarop het vragen stelt. Een klein, goedkoper model met een slimme vraagstrategie kan beter presteren dan een duur topmodel dat lukraak raadt.

Dit is relevant voor elke situatie waarin een AI-assistent informatie moet verzamelen: klantenservice, offerteprocessen, diagnosegesprekken of het uitvragen van klantwensen. Als jouw chatbot nu standaardvragen stelt zoals ‘Wat kan ik voor u doen?’ zonder door te vragen, mis je waarschijnlijk kansen om de klant echt te helpen.

Het onderzoek laat zien dat de vraagtechniek belangrijker is dan de grootte van het model. Een klein model dat systematisch de meest informatieve vraag stelt, kan een groot model verslaan dat willekeurig gokt. Dat opent de deur voor betaalbare AI-oplossingen voor het MKB.

Hoe je dit kunt toepassen

Als je een klantenservice-chatbot gebruikt, overweeg om de vragen die de bot stelt te herzien. In plaats van een open vraag als ‘Waar heeft u hulp bij?’ zou de bot een reeks gerichte ja/nee-vragen kunnen stellen, zoals ‘Gaat het om een bestelling?’ en ‘Is het een factuur?’ Dit principe lijkt op het Battleship-spel: elke vraag moet de mogelijke antwoorden halveren. Je zou de bot kunnen programmeren om na elk antwoord de kans op verschillende problemen te herberekenen en de volgende vraag daarop aan te passen.

Als je offertes opmaakt op basis van klantgesprekken, kun je een AI-agent inzetten die systematisch de ontbrekende informatie invult. Stel dat een klant vraagt om een offerte voor een website. In plaats van meteen een prijs te noemen, stelt de agent vragen in volgorde van informatiewaarde: ‘Heeft u al een domeinnaam?’ ‘Wilt u een webshop?’ ‘Heeft u voorbeelden van sites die u mooi vindt?’ Elke vraag verkleint de onzekerheid, zodat de offerte preciezer wordt. Dit kun je vandaag al testen door een eenvoudige vragenboom in je CRM te bouwen.

Als je een team aanstuurt dat veel informatie moet verzamelen, kun je het Battleship-principe gebruiken in gesprekstraining. Leer medewerkers om niet te raden, maar om per vraag te bedenken welk antwoord de meeste informatie oplevert. Een verkoper die vraagt ‘Wat is uw budget?’ krijgt vaak een vaag antwoord. Een betere vraag is: ‘Ligt uw budget boven of onder de 10.000 euro?’ Die vraag halveert de mogelijkheden en levert direct bruikbare informatie op. Dit kun je oefenen met een simpel spelletje Battleship op papier.

Als je een AI-tool overweegt voor je bedrijf, let dan niet alleen op het model (GPT-5, Llama, Claude) maar op de vraagstrategie. Vraag de leverancier hoe de tool bepaalt welke vraag hij stelt. Een tool die Monte Carlo-achtige technieken gebruikt, is waarschijnlijk efficiënter dan een tool die alleen de eerste vraag uit een lijstje pakt. Je zou kunnen vragen om een demo waarin de tool een complexe klantvraag uitvraagt in zo min mogelijk stappen.

Bron: MIT News (https://news.mit.edu/2026/teaching-ai-agents-ask-better-questions-playing-battleship-0603)