De AI van Airbnb lost nu ongeveer de helft van de supporttickets op. De les zit in de tickets die hij weigert
By Surya Pratap
12 oktober 2026
9 min read
AI & Technology
12 oktober 2026
9 min read
De helft, stap voor stapHover to exploreDe meeste AI-supportlanceringen komen met één getal: het aandeel tickets dat de bot "afhandelt". Airbnb heeft er nu een van de grotere — ongeveer de helft — en rapporteert het al anderhalf jaar elk kwartaal. Die geschiedenis is nuttiger dan de kop, want je ziet hoe het getal groeide en wat het bedrijf onderweg bewust níet automatiseerde.
De cijfers komen uit de kwartaalcijfers van Airbnb, zoals gerapporteerd door CX Dive (tweede kwartaal 2025) en door CX Dive en PYMNTS (tweede kwartaal 2026), en uit het interview van CTO Ahmad Al-Dahle met Latent Space, gepubliceerd op 2 oktober 2026 en deze week veel besproken. Het zijn allemaal cijfers van Airbnb zelf; geen ervan is onafhankelijk gecontroleerd. De analyse vanaf sectie 4 is van mij.
De AI-supportagent van Airbnb kwam niet in één lancering op "de helft". Zoals het bedrijf het rapporteerde:
Dat is ongeveer achttien maanden van een uitrol in één taal en één land naar de helft van een wereldwijde supportorganisatie. Ondersteuning via spraak staat later in 2026 gepland.
Brian Chesky legde in 2025 de volgorde uit. Airbnb begon met support en niet met zoeken, omdat "klantenservice het moeilijkste probleem is, omdat er veel op het spel staat en je snel moet antwoorden" — met het risico op hallucinaties als tweede reden die hij noemde.
Al-Dahle, die in januari 2026 als CTO overstapte van het generatieve-AI-team van Meta, vatte het lanceringsproces samen in één zin: "een model bouwen, de agent bouwen en een reeks synthetische data genereren voordat je ooit naar productie gaat."
Anders gezegd: de agent krijgt een grote set verzonnen maar realistische supportcases voorgelegd — en wordt daarop beoordeeld — voordat er een echte gast bij hem terechtkomt. Voor de evaluatie worden ook steekproeven van echte productievragen voor support gebruikt.
Dat is iets anders dan de "synthetische gebruikers" die sommige startups voor onderzoek inzetten. Synthetische gebruikers zijn AI-modellen die je vraagt om je klanten te zijn, en ze zijn een slechte vervanging voor de mening van echte mensen. Synthetische testcases zijn inputs die je schrijft om de agent op de proef te stellen, en die je scoort tegen het juiste antwoord. Het eerste vervangt bewijs. Het tweede is een manier om het vóór de lancering te verzamelen.
De belangrijkste zin uit het interview gaat niet over de helft die de agent afhandelt, maar over de rest: "we kiezen heel bewust welke tickets we nog niet oplossen."
Veiligheidskwesties zijn het genoemde voorbeeld. Die gaan naar menselijke medewerkers, wat het model er ook mee zou kunnen.
Het oplossingspercentage van een supportagent hangt evenveel af van de lijst tickets die hij niet mag aanraken als van hoe goed het model is.
Dat verandert hoe je het kopgetal leest. "De helft van de tickets" betekent niet dat de agent op alles is losgelaten en het in de helft van de gevallen goed deed. Het betekent dat Airbnb een set tickets koos die het wilde automatiseren, de agent daar goed in maakte, en die set uitbreidt naarmate het vertrouwen groeit. Het woord "nog" in die zin doet echt iets.
Je hebt geen 13 modellen of 50 talen nodig om dezelfde methode te gebruiken. Je hebt vier dingen nodig.
Schrijf eerst de no-go-lijst. Zet vóór je iets bouwt op papier welke tickettypes de agent nooit zelf afsluit: veiligheid, juridische dreigementen, terugbetalingen boven een vast bedrag, accountbeveiliging, alles met een kwetsbare gebruiker. Stuur die via een vaste regel naar een mens, niet op basis van het eigen oordeel van het model over wat het aankan.
Bouw vóór de lancering een testreeks. Neem een paar honderd echte oude tickets, voeg synthetische varianten toe — boos, vaag, meertalig, vol typfouten, pogingen om de bot te misleiden — en noteer per ticket de juiste uitkomst. Onze gids voor een evaluatieset voor je AI-MVP loopt dit stap voor stap door. Draai de reeks bij elke wijziging van prompt of model.
Begin smal en breid uit. Airbnb begon met één taal in één land. Jij kunt beginnen met één ticketcategorie — orderstatus, wachtwoord resetten, boeking wijzigen — en pas de volgende toevoegen als de eerste in productie overeind blijft.
Meet kosten per klant, niet alleen deflectie. Airbnb rapporteert supportkosten per boeking naast het oplossingspercentage. Een bot die tickets "oplost" die een dag later terugkomen, of klanten wegjaagt, kan je echte kosten verhogen terwijl het dashboard er prima uitziet.
Definieer 'opgelost' voordat je het telt
Leg vast wat als oplossing telt: de klant bevestigde dat het probleem verholpen was, of nam binnen een vast aantal dagen geen contact meer op over hetzelfde probleem. Tel heropende tickets mee tegen de agent. Zonder die afspraak wordt "afgehandeld door AI" ongemerkt "de klant heeft het opgegeven".
Dat de helft van de tickets volledig is opgelost. Airbnb heeft niet gepubliceerd hoe het "opgelost" definieert, en de cijfers komen van het bedrijf zelf. Het "ongeveer de helft" van de CTO en het "bijna 45%" uit de kwartaalcijfers meten misschien ook net iets anders.
Dat klanten tevredener zijn. Airbnb heeft bij deze cijfers geen tevredenheidsscores gepubliceerd voor tickets die door AI zijn afgehandeld. Lagere kosten per boeking zijn goed voor Airbnb; ze bewijzen niet dat de ervaring beter werd.
Dat de kostendaling van 16% helemaal door AI komt. De supportkosten per boeking hangen ook af van het aantal boekingen, de bezetting en contracten. De AI-agent is de voor de hand liggende oorzaak, maar het gerapporteerde cijfer isoleert hem niet.
Dat een startup dezelfde curve ziet. Airbnb had jaren aan oude gesprekken om op te trainen, een groot engineeringteam en budget voor eigen modellen. Een klein bedrijf met een paar duizend tickets begint lager, en dat is ook logisch.
De AI-supportagent van Airbnb ging van 15% minder menselijk contact in de VS in 2025 naar ongeveer de helft van alle tickets wereldwijd in 2026, en de supportkosten per boeking daalden het afgelopen jaar met ongeveer 16%. Dat ging in stappen — eerst één taal, daarna veel — waarbij elke agent vóór de lancering op synthetische cases werd getest en veiligheid en andere risicovolle tickets bij mensen bleven.
Het kopgetal is het minst overdraagbare deel. De methode kun je wel overnemen: bepaal wat de agent nooit mag afsluiten, test hem op honderden realistische cases voordat klanten hem zien, begin met één categorie, en meet de kosten en de terugkerende tickets, niet alleen de deflectie.
Schrijf twee lijsten voordat je een supportagent bouwt: de tickettypes die hij als eerste oppakt, en de types die hij nooit zelf afhandelt. Bouw daarna de testset voor de eerste lijst.
Bronnen: CX Dive, over de cijfers van Airbnb over het tweede kwartaal van 2025 — de uitrol in april 2025 bij de helft van de Amerikaanse gebruikers, 15% minder contacten waarvoor een menselijke medewerker nodig was, de 13 modellen getraind op tienduizenden gesprekken en het citaat van Brian Chesky over klantenservice. CX Dive, over de cijfers over het tweede kwartaal van 2026 — bijna 45% van de problemen zonder mens opgelost, meer dan 50 talen, de daling van ongeveer 16% in supportkosten per boeking en de geplande spraaksupport. PYMNTS, 20 augustus 2026 — het cijfer van ongeveer een derde eind 2025. Het cijfer van 40% voor het eerste kwartaal van 2026 is zoals gerapporteerd door CX Dive. Latent Space, interview met CTO Ahmad Al-Dahle, 2 oktober 2026 — "ongeveer de helft" van de tickets, de synthetische testreeks, evaluatie op steekproeven van productievragen en de bewuste keuze welke tickets niet geautomatiseerd worden, waaronder veiligheidskwesties. De analyse in sectie 4 en 5 is van mij.
IdeaToMVP Academy
4-week live cohort for founders. Learn to ship AI agents, scope MVPs, and automate your business — taught by the same team that writes these guides.
