Het antwoord

AI-modellen die beter worden in het stellen van vragen, kunnen direct worden ingezet om klantenservice te verbeteren en offertes nauwkeuriger te maken. Uit onderzoek van MIT en Harvard blijkt dat de kwaliteit van de vragen die een AI stelt, bepalend is voor de bruikbaarheid in situaties waar veel onzekerheid is, zoals medische diagnoses of het achterhalen van klantwensen.

Wat er aan de hand is

Onderzoekers van MIT’s Computer Science and Artificial Intelligence Laboratory (CSAIL) en Harvard University hebben AI-modellen getest met een aangepaste versie van het spel ‘Battleship’. In dit spel moet een ‘kapitein’ vragen stellen aan een ‘spotter’ om verborgen schepen te vinden. De onderzoekers verzamelden eerst vragen en antwoorden van meer dan 40 mensen om een dataset te bouwen, genaamd ‘BattleshipQA’. Vervolgens testten ze grote taalmodellen zoals GPT-5 en kleinere modellen zoals Llama 4 Scout zonder ze vooraf te trainen. De grote modellen versloegen mensen in het spel, maar kleinere modellen presteerden slecht. Het grootste probleem was dat de modellen niet goed waren in het bedenken van nuttige vragen. Door een strategie toe te voegen die de kans berekent dat een antwoord juist is, de Monte Carlo-inferentie, verbeterden de prestaties aanzienlijk. Llama 4 Scout won eerst slechts 8 procent van de spellen tegen mensen, maar na de aanpassing steeg dat naar 82 procent. Dit model deed het zelfs beter dan GPT-5, terwijl het ongeveer 1 procent van de rekenkracht gebruikte.

Wat dit betekent

Voor ondernemers betekent dit dat de kwaliteit van een AI-chatbot niet alleen afhangt van hoe groot het model is, maar vooral van hoe het vragen stelt. In de praktijk komt het erop neer dat een AI die de juiste vragen stelt, sneller en nauwkeuriger kan achterhalen wat een klant nodig heeft. Dit is direct relevant voor klantenservice, waar een chatbot vaak moet doorvragen om een probleem te begrijpen, en voor het opstellen van offertes, waar de AI moet uitvragen welke specifieke wensen en eisen een klant heeft. Het onderzoek laat zien dat zelfs kleinere, goedkopere modellen met de juiste strategie beter kunnen presteren dan dure, grote modellen. Dat opent de deur voor kleinere bedrijven om geavanceerde AI in te zetten zonder torenhoge kosten.

Hoe je dit kunt toepassen

Als je een webshop runt met een chatbot voor klantenservice, kun je overwegen om de vragen die de chatbot stelt te standaardiseren op basis van veelvoorkomende klantproblemen. In plaats van een open vraag als ‘waarmee kan ik u helpen?’, zou je de chatbot kunnen laten beginnen met een reeks gerichte ja/nee-vragen, zoals ‘gaat het om een bestelling, een retour of een technisch probleem?’. Dit dwingt de AI om efficiënter informatie te verzamelen, net zoals de onderzoekers deden met het Battleship-spel. Je kunt de gesprekslogs analyseren om te zien welke vragen het vaakst tot een snelle oplossing leiden.

Als je een team aanstuurt dat offertes maakt, kun je een AI-tool inzetten die eerst een aantal gestandaardiseerde vragen stelt aan de klant voordat de offerte wordt gegenereerd. Denk aan vragen over budget, gewenste levertijd, specifieke materialen of diensten, en eventuele eerdere ervaringen. Door deze vragen in een vaste volgorde te stellen, verzamelt de AI dezelfde informatie als een ervaren medewerker, maar sneller en zonder fouten. Het resultaat is een offerte die beter aansluit bij de wensen van de klant, zonder dat je elk gesprek opnieuw hoeft te voeren.

Als je in de zorg werkt en AI gebruikt voor triage of diagnose, is het essentieel dat de AI leert om de juiste vervolgvragen te stellen. Je zou kunnen experimenteren met een systeem dat niet alleen de eerste klacht registreert, maar op basis van een beslisboom doorvraagt naar specifieke symptomen. Het MIT-onderzoek laat zien dat een strategie waarbij de AI de kans berekent dat een bepaalde vraag de meeste informatie oplevert, effectief is. Overweeg om een dergelijke aanpak te testen in een pilot, bijvoorbeeld voor het screenen van patiënten met vage klachten.

Als je een klein bedrijf bent met beperkte IT-budgetten, is het goed om te weten dat kleinere AI-modellen met de juiste aanpassingen kunnen concurreren met grote modellen. Je zou kunnen onderzoeken of een model als Llama 4 Scout, dat open-source is en lokaal draait, met een slimme vraagstrategie voldoet voor jouw toepassing. Dit bespaart niet alleen kosten, maar geeft je ook meer controle over de data. Een mogelijkheid is om een consultant in te schakelen die ervaring heeft met het toepassen van inferentiestrategieën, zoals de Monte Carlo-methode, om de prestaties van het model te verbeteren.

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