AI-chatbot voor productconfigurators: varianten controleren en offertes voorbereiden

Een B2B-productconfigurator moet uit tal van kenmerken een technisch passende selectie maken. Een AI-chatbot kan daarbij vragen begrijpelijk stellen, vakbegrippen uitleggen en eisen structureren. Hij mag echter niet zelf beslissen welke onderdelen compatibel zijn, welke prijs geldt of dat een variant leverbaar is. Precies deze scheiding maakt een AI-chatbot voor productconfigurators betrouwbaar.

Deze handleiding laat zien hoe website-beheerders een dialooggestuurde configurator opbouwen: van stabiele productgegevens tot deterministische regels en een gekwalificeerde overdracht aan sales. Het doel is geen vrij geformuleerd productvoorstel, maar een navolgbaar pad van de eisen naar een geldige selectie of naar een duidelijk gemarkeerde open controle.

Productconfiguratie is geen vrij adviesgesprek

Taalmodellen zijn goed in het begrijpen van natuurlijke formuleringen en het begrijpelijk weergeven van informatie. Variantlogica is echter een andere taak. Of een profiel bij een verbinder past, een motor de benodigde belasting aankan of een oppervlak geschikt is voor de locatie, moet voortvloeien uit vrijgegeven gegevens en regels. Waarschijnlijk klinkende antwoorden zijn niet voldoende.

NIST noemt overtuigend gepresenteerde maar onjuiste inhoud van generatieve systemen confabulaties. Bij productadvies zijn zulke fouten niet alleen redactioneel onslordig. Ze kunnen leiden tot onbruikbare offerteaanvragen, verkeerde verwachtingen of technisch onmogelijke combinaties. Daarom moet het model de dialoog voeren, terwijl een regelset de toegestane resultaten bepaalt.

Scheid gesprek, regelset en stamgegevens

Een robuuste architectuur bestaat uit drie duidelijke lagen. De gesprekslaag herkent de vraag, stelt de volgende passende vraag en legt resultaten uit. De regellaag controleert afhankelijkheden, uitsluitingen, verplichte kenmerken en grenswaarden. De datalaag levert product-ID's, eigenschappen, documenten, prijzen en beschikbaarheid uit de betreffende systemen.

• De chatbot formuleert vragen, vat eisen samen en legt een gecontroleerde selectie uit.
• De regel-engine beslist welke combinaties geldig, ongeldig of controleplichtig zijn.
• PIM, ERP of shopsysteem leveren vrijgegeven product-, prijs- me voorraadgegevens.
• CRM of offerteproces neemt de gekwalificeerde dataset met navolgbare herkomst over.

Deze grenzen moeten ook technisch zichtbaar zijn. Een tool voor variantencontrole ontvangt gestructureerde kenmerken en geeft ID's, status en redenencodes terug. Er moet geen lange database-export naar het model gaan. Hoe kleiner het contract, hoe eenvoudiger autorisatie, logboeken en tests te controleren zijn.

Modelleer varianten met stabiele ID's

Mensen spreken over „de brede uitvoering in antraciet“, systemen hebben stabiele identificaties nodig. Gebruik daarom unieke ID's voor productfamilies, varianten, kenmerken en waarden. Weergavenamen mogen vertaald of redactioneel gewijzigd worden, zonder dat de regelrelaties daardoor breken.

Ook Google raadt voor productvarianten een gemeenschappelijke productgroep en variant-definieerbare eigenschappen aan. In de gestructureerde data kunnen onder meer ProductGroup, variesBy, hasVariant en een gemeenschappelijke productGroupID worden gebruikt. Dat is geen volledig configuratiemodel, maar laat wel een belangrijk principe zien: gemeenschappelijke kenmerken horen bij de groep, onderscheidende kenmerken bij de concrete variant.

Sla bovendien de versie van de regelset op. Als een combinatie later verandert, moet navolgbaar blijven welke regels bij een eerdere aanvraag golden. Een offerteteam kan dan herkennen of een configuratie nog actueel is of opnieuw gecontroleerd moet worden.

Leid van eisen naar geldige opties

Een goede dialoog begint niet met de gehele catalogus. Hij vraagt eerst naar kenmerken die veel ongeldige paden uitsluiten. Bij een modulair zonweringsysteem kunnen dat de locatie, vrije breedte, bevestigingsmethode, weersinvloeden, gewenste bediening en oppervlak zijn. Na elk antwoord controleert de regellaag welke opties nog toegestaan zijn.

De chatbot kan daarbij vakbegrippen vertalen naar spreektaal: Waarom is de bevestigingsmethode nodig? Welke gevolgen heeft buitenmontage? Wat is het verschil tussen handmatige en gemotoriseerde bediening? De uitleg mag alleen afkomstig zijn van vrijgegeven kennis. Technische grenswaarden worden niet geraden uit een tekst, maar als gestructureerde regels gecontroleerd.

Meerdere passende resultaten begrijpelijk vergelijken

Als er meerdere varianten overblijven, moet de bot niet willekeurig een daarvan als „beste“ bestempelen. Hij kan gecontroleerde verschillen naast elkaar zetten, zoals materiaal, vrijgegeven toepassingsgebied, benodigde accessoires of gedocumenteerde leveringsvorm. Aanbevelingen vereisen een transparant doelcriterium. Zonder dit criterium is een neutrale selectie met een aanvullende vraag eerlijker.

Prijs en beschikbaarheid blijven brongegevens

Prijs en leverbaarheid veranderen frequenter dan technische beschrijvingen. Ze horen daarom niet thuis in een algemeen kennisgedeelte dat het model vrij weergeeft. Vraag beide waarden indien nodig op bij de verantwoordelijke bron en voorzie het resultaat van valuta, geldcontext en een tijdstempel.

De Google Merchant Center-specificatie vereist dat prijs en beschikbaarheid in productgegevens overeenkomen met de bestemmingspagina en het aankoopproces. Voor een dialooggestuurde configurator volgt daaruit een praktische regel: als de bron geen actuele waarde levert, toont de chatbot geen geschatte vervanging. Hij zegt in plaats daarvan dat de waarde in de offerte wordt gecontroleerd.

Ook volumestaffels, klantspecifieke condities, montage, verzending of projectafhankelijke toeslagen moeten gescheiden blijven. Een zichtbare basisprijs mag niet automatisch als verbindende totaalprijs worden aangeduid. Het antwoord moet precies benoemen welke onderdelen bevestigd zijn en welke nog openstaan.

Onvolledige gegevens mogen geen schijnresultaat genereren

Mensen slaan vragen over, gebruiken globale maten of kennen de technische randvoorwaarden niet. Het systeem heeft daarom drie resultaatstatussen nodig: geldig, ongeldig en controleplichtig. „Controleplichtig“ is geen fout, maar een correct antwoord wanneer gegevens ontbreken of een deskundige controle is voorzien.

Voorbeeld: Een klant noemt de globale breedte, maar kent de ondergrond van de bevestiging niet. De chatbot kan passende productfamilies afbakenen, maar mag geen concrete montageset bevestigen. Hij markeert het openstaande kenmerk, legt uit waarom het nodig is en neemt het op in de offerte-overdracht. Zo ontstaat een bruikbare briefing zonder valse technische zekerheid.

Van configuratieresultaat naar offertebriefing

Aan het einde moet er niet alleen een Gespreksprotocol staan. Genereer een gestructureerde briefing met productgroep-ID, gecontroleerde variant-ID's, gekozen kenmerken, open punten, regelsetversie en bron-tijdstempels. Voeg alleen contactgegevens toe waarvan het doel voor het verzamelen duidelijk is.

Toon de samenvatting voor het verzenden. De aanvrager kan maten, locatie en selectie corrigeren. Pas daarna wordt de aanvraag met een idempotentie-ID overgedragen, zodat een herhaalde aanroep geen dubbele leads of offerte-cases genereert. Het salesteam ontvangt de beslissingsrelevante feiten in plaats van een ongestructureerd, lang gesprek.

Een goede overdracht benoemt bovendien de status: „technisch gecontroleerd“, „voorlopig afgebakend“ of „deskundige controle vereist“. Hij belooft noch een offerte noch een leverdatum voordat het verantwoordelijke proces deze uitspraak heeft bevestigd.

Privacy en autorisaties beperken de context

Een openbaar productadvies heeft meestal geen identiteit nodig. Contactgegevens zijn pas zinvol als iemand een configuratie wil opslaan of een offerte wil aanvragen. Verzamel alleen de noodzakelijke velden en leg het doel uit op de plek waar de gegevens nodig zijn.

Klantspecifieke prijzen, eerdere projecten of contractproducten horen thuis in een geauthenticeerde omgeving. De toepassing controleert de autorisatie; het model beslist dit niet. Het artikel over de geauthenticeerde AI-chatbot in het klantenportaal beschrijft deze grens in meer detail.

Meertalige varianten hebben gemeenschappelijke identificaties nodig

Vertaal weergavenamen, uitleg en vragen, maar niet de interne ID's. „Pulverbeschichtet“, „powder-coated“ en „revêtu par poudre“ moeten naar dezelfde kenmerkwaarde wijzen. Zo blijft de regelcontrole onafhankelijk van de taal en werkt een meertalig offerteteam met dezelfde objecten.

Test getalnotaties, scheidingstekens voor decimalen, maateenheden en vertaalde synoniemen. Een gebruiker kan „2,5 meter“, „250 cm“ of een afgeronde waarde opgeven. De normalisatie moet eenheid en precisie uitdrukkelijk opslaan. De gids voor meertalige leadkwalificatie laat zien hoe taalwissels en gestructureerde overdracht gecombineerd kunnen worden.

Test regels, taal en overdracht samen

Een vloeiende dialoog is geen voldoende test. Bouw een matrix van geldige combinaties, verboden koppelingen, grenswaarden, ontbrekende gegevens, verouderde prijzen, niet-beschikbare voorraad en systeemstoringen. Controleer voor elk geval de getoonde uitleg, de tool-call, het regelresultaat en de overgedragen gegevens.

• Kan een gebruikersinstructie regels of autorisaties omzeilen?
• Blijft de bot eerlijk bij een ontbrekende prijs of voorraad?
• Worden ongeldige combinaties navolgbaar uitgelegd?
• Ontvangt elke taal dezelfde ID's en regelresultaten?
• Genereert een retry geen tweede offerte-case?
• Werkt de overdracht ook bij onbekende eisen?

Test bovendien typische formuliereninvoer, typfouten en correcties. Het artikel over AI-chatbots als hulp bij formulieren laat zien hoe veldhulp en validatie aan de serverzijde samenspelen.

Checklist voor productieomgeving

1. Kies een duidelijk afgebakende productfamilie voor de pilot.
2. Definieer stabiele ID's en verantwoordelijken voor elk dataveld.
3. Zet compatibiliteit en grenswaarden om in testbare regels.
4. Scheid uitleg van prijs-, voorraad- en offerteaanvragen.
5. Markeer geldige, ongeldige en controleplichtige resultaten.
6. Beheer versies van regels, databronnen en het overdrachtsformaat.
7. Minimaliseer persoonsgegevens en klantspecifieke data.
8. Controleer alle talen met dezelfde referentiegevallen.
9. Meet succesvolle afrondingen, correcties en overdrachten aan deskundigen.

Start met één productfamilie, een beperkt vragenpad en een duidelijke overdracht. Wanneer regels, bronnen en verantwoordelijkheden zuiver gescheiden zijn, kan een AI-chatbot een complexe selectie begrijpelijk maken zonder valse zekerheid te spiegelen. Zo wordt de configurator een nuttige stap naar een betrouwbare offerte in plaats van een nieuwe bron van fouten.

Bronnen en standaarden

• Google Search Central: Structured data for product variants
• Google Search Central: Product structured data
• Google Merchant Center: Product data specification
• NIST AI 600-1: Generative Artificial Intelligence Profile