Refunds en exchanges automatiseren met AI in e-commerce
De maandag na Kerstmis toont je supportwachtrij 412 tickets vóór 9 uur 's ochtends. De meeste gaan over dezelfde vier vragen: "Waar blijft mijn refund?", "Kan ik dit ruilen voor een grotere maat?", "Hoe start ik een retour?", "Is mijn pakket ontvangen?" Je tweekoppige team is de hele week bezig met het opzoeken van bestellingen, het kopiëren van trackingnummers en het één voor één aanmaken van verzendlabels. Uit branchecijfers blijkt dat retailers verwachten dat 17% van de kerstverkopen wordt geretourneerd.
Deze gids laat je zien hoe je een AI-systeem bouwt dat retour- en ruilverzoeken van begin tot eind afhandelt: telefoon- en chatgesprekken, beleidscontroles, fraudescoring, labelgeneratie en realtime statusupdates. Aan het einde heb je een werkende opzet die de routinematige 70-80% van de retourtickets afvangt en alleen de gevallen escaleert die echt een mens nodig hebben, gebouwd op Retell AI.
Een altijd beschikbaar retour- en ruilsysteem dat inkomende gesprekken en berichten afhandelt, bestellingen verifieert tegen je OMS, beleidsregels toepast, labels genereert en statusupdates naar de klant stuurt zonder dat een mens het ticket aanraakt.
Aan het einde van deze tutorial doet jouw opzet het volgende:
Voordat je begint, heb je het volgende nodig:
Begin met een werkende agent voordat je iets ingewikkelds inbouwt. Meld je aan op retellai.com, open de agent builder en kies een warme, heldere stem uit de ElevenLabs-bibliotheek. Stel de openingszin in op iets wat je merk daadwerkelijk zou zeggen: "Hoi, dit is Maya van [Merk] — bel je over een retour, een exchange of iets anders?"
Voer een testgesprek naar het tijdelijke nummer dat het dashboard toewijst. Je hoort de agent binnen ongeveer 600 ms antwoorden en routeren op basis van wat je zegt. Op dit moment kan hij nog geen bestellingen opzoeken — hij routeert alleen de intentie. Dat is prima. Bevestig dat de AI-stemagent netjes antwoordt, onderbreking afhandelt wanneer je erdoorheen praat, en "retour", "refund" en "exchange" als de drie primaire intenties identificeert.
Resultaat: een live agent die gesprekken beantwoordt en retouren, refunds en ruilverzoeken correct classificeert als aparte flows.
De meeste merken proberen één gigantische flow te bouwen en krijgen daar spijt van. Bouw in plaats daarvan drie korte: refundverzoek, exchangeverzoek en de statuscheck "waar blijft mijn refund". Elke flow heeft een begroeting, een stap om de bestelling op te zoeken, een beleidscontrole, een beslissingstak en een bevestigingsbericht nodig.
Voor de refund-flow: begroet → vraag om bestelnummer of e-mail → zoek bestelling op → controleer retourtermijn → stel conditievraag → beslis goedkeuren/afwijzen/escaleren → genereer label → bevestig. Voeg voor de exchange-flow een stap "stel hetzelfde artikel in een andere maat voor" in vóór je een refund goedkeurt — exchanges behouden omzet die refunds vernietigen. Sla voor de status-flow de beleidscontrole helemaal over en haal de refundstatus uit je betaalprovider.
Gebruik het drag-and-drop agentic framework om elke tak in te richten. Houd het gesprek kort — retourbellers willen snelheid, geen small talk. Streef naar minder dan 90 seconden van begroeting tot labellevering bij een schone case.
Resultaat: drie in kaart gebrachte flows die 80% van de echte retourgesprekken dekken.
De agent heeft live bestelgegevens nodig, anders is het gewoon een chatbot met een stem. Open de function-calling-sectie van je agent en configureer een HTTP-verzoek naar de order-API van je winkel. Voor Shopify is dat het /orders.json-endpoint van de Admin API, gefilterd op e-mail of bestelnummer. Voor WooCommerce het /wp-json/wc/v3/orders-endpoint. Voor custom systemen: welk endpoint je OMS ook blootstelt.
Stel de webhook-timeout in op minimaal 5 seconden — order-API's kunnen traag zijn tijdens piekuren. Geef het bestelnummer of de e-mail die de beller aanlevert door als queryparameters. Map de responsvelden die je nodig hebt: order_date, fulfillment_status, financial_status, line_items, total_price. Voeg een fallback-tak toe die de beller vraagt om zijn e-mail letter voor letter te spellen als de eerste opzoekopdracht mislukt.
Test met vijf echte bestelnummers uit je database. De agent zou binnen 2-3 seconden nadat de beller zijn verzoek heeft afgerond moeten zeggen: "Genoteerd, ik zie je bestelling voor de marineblauwe hoodie van 12 november."
Resultaat: de agent kan elke echte klantbestelling ophalen en de relevante details tijdens het gesprek teruggeven.
Generieke AI handhaaft je specifieke beleid niet. Je moet het uitspellen. Voeg in de beslissingslogica van de agent een beleidscontroleknooppunt toe na het opzoeken van de bestelling. Het knooppunt evalueert vier dingen op volgorde: aankoopdatum tegen de retourtermijn, productcategorie tegen uitzonderingen, retourgeschiedenis van de klant tegen je fraudedrempel, en de conditie van het artikel op basis van de antwoorden van de beller.
Voorbeeldregelset voor een kledingmerk: 30-dagen-termijn vanaf levering, final-sale-artikelen uitgesloten, klanten met meer dan 6 retouren in 90 dagen gemarkeerd voor menselijke beoordeling, zwemkleding en ondergoed niet-retourneerbaar. Schrijf elke regel als een simpele voorwaarde waarnaar de kennisbank kan verwijzen. Neem de exacte beleidstekst op die bellers horen wanneer een verzoek wordt afgewezen — "Dit artikel is 47 dagen geleden gekocht en onze retourtermijn is 30 dagen, maar ik kan je eenmalig 20% winkeltegoed aanbieden als tegemoetkoming" is beter dan "Je retour is afgewezen."
Resultaat: de agent keurt in aanmerking komende retouren goed, wijst niet-in-aanmerking-komende af met een specifieke reden, en biedt beleidsconforme alternatieven zoals winkeltegoed of een gedeeltelijke refund.
Retourfraude is ongeveer 9% van alle retouren volgens de NRF, en sommige categorieën liggen veel hoger. Je agent moet de duidelijke patronen opvangen zonder legitieme klanten te vertragen. Bouw een scoringfunctie die parallel aan de beleidscontrole loopt en een van deze signalen markeert: meer dan 3 retouren in 30 dagen, een retour-tot-aankoopratio boven 50%, bestellingen met een geschiedenis van "nooit aangekomen"-claims die worden tegengesproken door een leverbewijs van de vervoerder, of nieuwe klanten die dure refunds aanvragen op meerdere artikelen uit één bestelling.
Routeer gemarkeerde gevallen naar een gespreksoverdracht met volledige context — de menselijke agent neemt op met een notitie als "Beller over bestelling 10847, drie retouren in de laatste 21 dagen, vraagt refund aan op een artikel dat is geleverd en ondertekend." Vertel de beller niet dat hij is gemarkeerd. Zeg: "Ik verbind je even door met een supervisor die hier samen met je naar kan kijken."
Resultaat: duidelijke fraudepogingen bereiken menselijke beoordeling met bewijs erbij, terwijl schone retouren zonder wrijving doorgaan.
Zodra de beleidscontrole slaagt, moet de agent handelen, niet alleen actie beloven. Richt een tweede function call in naar de API van je labelaanbieder — Shippo, EasyPost en ShipStation stellen allemaal een /transactions-endpoint bloot dat een label-URL retourneert op basis van een besteladres en serviceniveau. Configureer de agent zo dat deze call wordt geactiveerd op het moment dat een retour wordt goedgekeurd, en stuur het label vervolgens via sms of e-mail naar de klant tijdens het gesprek.
Vuur tegelijkertijd een webhook af naar je WMS of 3PL zodat het magazijn weet dat er een retour binnenkomt. Neem het bestelnummer, de verwachte artikelen en de reden-code op zodat de ontvangst artikelen die beschadigd aankomen naar inspectie kan routeren in plaats van naar de voorraad. Dit is de stap die echte automatisering onderscheidt van hippe chatbots — de voorraadworkflow start terwijl de beller nog aan de lijn is.
Resultaat: de klant ontvangt binnen 30 seconden na goedkeuring een werkend label, en het magazijn ziet de binnenkomende retour in zijn dashboard voordat het gesprek eindigt.
Bij exchanges wordt de marge beschermd. Wanneer een beller zegt "Ik moet deze jeans retourneren, hij is te groot", verliest een refund-first-agent omzet. Een voorraadbewuste agent zegt: "Ik zie deze een maatje kleiner in ons magazijn — zal ik die vandaag versturen en een prepaid label voor de retour meesturen?"
Voeg een function call toe die je voorraad-API controleert op dezelfde SKU in de gevraagde alternatieve maat of kleur voordat je naar het refundpad vertakt. Als er voorraad beschikbaar is, bied de exchange dan eerst aan en verwerk beide kanten van de transactie — uitgaande verzending van het nieuwe artikel, inkomend label voor het oude — in één bevestigingsstap. De AI-klantenservice-flow handelt de vervolg-sms met beide trackingnummers af.
Resultaat: 30-40% van de refundverzoeken wordt omgezet in exchanges, waardoor de omzet behouden blijft in plaats van teruggedraaid.
Voordat je live gaat, voer je simulatietests uit tegen 20-30 realistische scenario's: schone retour binnen de termijn, retour buiten de termijn, exchange met voorraad, exchange zonder voorraad, serieretourneerder, wardrobing-verdachte, beller die zijn bestelnummer niet kent, beller met een accent of niet-moedertaalspreker Engels, beller die midden in de beleidsuitleg onderbreekt. Repareer alle faalpunten die je vindt.
Wanneer je de knop omzet, schakel je analyse na het gesprek in met aangepaste KPI's: goedkeuringspercentage, exchange-conversieratio, overdrachtspercentage, gemiddelde afhandeltijd en precisie van fraudemarkeringen. Stel een wekelijkse reviewcadans in voor de eerste maand — lees 20 gesprektranscripties, zoek naar kennishiaten, pas de beleidstekst of escalatiedrempels aan op basis van wat je ziet. Reken op een tuningperiode van 2 weken. De meeste merken landen in week één op 70-80% volledige containment, oplopend naar 85-90% na de eerste aanpassingsronde.
Resultaat: een live retouragent met meetbare KPI's en een herhaalbare verbeterloop.
Elke refund is een teruggedraaide verkoop. Elke exchange behoudt de transactie. Wanneer een beller een reden geeft die impliceert dat een exchange werkt (verkeerde maat, verkeerde kleur, pasvorm niet fijn), laat de agent dan eerst het alternatief aanbieden. Merken die het gesprek zo herschikken zien 30-40% van de refund-intenties omgezet worden in exchanges. Forceer het niet — als de beller zegt "Ik wil gewoon mijn geld terug", respecteer dat dan en ga verder.
Geschreven beleid leest anders dan gesproken beleid. "Artikelen moeten in originele staat zijn met de labels eraan" werkt op een helppagina. In een gesprek klinkt het stijf. Herschrijf elke regel in gewoon gesproken Nederlands en neem jezelf op terwijl je het zegt — als je struikelt, doet de beller dat ook. Bewaar deze herschreven zinnen in de kennisbank zodat de agent ze letterlijk gebruikt.
Doorverbinden naar een mens bij het eerste onduidelijke antwoord doodt de containment. De agent eindeloos laten loopen frustreert de beller. Stel een harde bovengrens in: drie verduidelijkingspogingen, daarna oplossen of escaleren. De meeste bellers herformuleren met succes bij poging twee; bij poging drie leer je of je kennisbank een echt hiaat heeft of dat de beller echt een mens nodig heeft.
Geautomatiseerde retouren slagen of falen op edge cases die je beleid niet had voorzien. Lees elke week 15-20 volledige transcripties in de eerste maand. Je vindt patronen — een productlijn die 30% van de retouren veroorzaakt met dezelfde klacht, een beleidsregel die de agent te strikt interpreteert, een zin die bellers steeds gebruiken maar die je kennisbank niet herkent. Voer de fixes wekelijks terug en de containment stijgt zichtbaar.
De agent keurt een exchange goed voor een jurk in maat 36, waarna het magazijn een maat 36 verstuurt die al drie weken uit voorraad is. De klant wacht, belt boos terug, en nu heb je twee tickets in plaats van één. Fix: vereis realtime voorraadopzoeken voordat de agent ooit de woorden "Ik kan dat vandaag versturen" uitspreekt. Als de voorraad onzeker is, belooft de agent een vervangbestelling en plant een update in, niet een gegarandeerde verzenddatum.
Teams raken enthousiast over edge cases — cadeauretouren, internationale retouren, B2B-groothandelretouren — en proberen ze in week één in te bouwen. Het resultaat is een broze flow die faalt op de 80% simpele gevallen. Fix: lanceer met binnenlandse, éénartikel-, binnen-de-termijn-retouren. Voeg daarna één uitzondering per week toe, gemeten tegen transcriptdata.
Deze vraag is geen support, het is status. Het antwoord staat altijd in je betaalprovider — Stripe, Braintree, Shopify Payments. Routeer het niet via de beleidslogica van de agent en escaleer het niet naar een mens. Richt een directe function call in naar de payments-API, haal de refundstatus op en laat de agent die teruggeven. Merken die dit goed doen vangen 90%+ van de refundstatusgesprekken af zonder enige menselijke betrokkenheid.
Het retourvolume piekt 3-5x boven het maandgemiddelde in januari voor de meeste kleding- en cadeaugerichte merken. Als je agent is geconfigureerd voor normaal volume, explodeert je overdrachtspercentage en verzuipen de menselijke agents. Fix: verhoog je gelijktijdige-gesprekscapaciteit vóór 26 december, niet erna, en controleer je fraudedrempels — misbruik van refunds piekt ook in ditzelfde venster.
Beschadigde artikelen die door de klant worden betwist, internationale douanegeschillen, B2B-gedeeltelijke retouren en elk geval met een chargeback zijn nog steeds mensenwerk. Probeer die niet te automatiseren. Vertel de beller eerlijk: "Hier moet iemand van ons team naar kijken — ik verbind je nu door met de volledige context van wat we hebben besproken." Bellers respecteren eerlijke overdrachten veel meer dan een bot die doet alsof hij een mens is.
SWTCH zette een AI-stemagent genaamd Lucas in om de grote hoeveelheid supportgesprekken van EV-bestuurders af te handelen. Het team zag de supportkosten met meer dan 50% dalen terwijl de antwoordtijden instortten van minuten naar seconden. CEO Carter Li merkte op dat de agent de SaaS-marges verbeterde terwijl de servicekwaliteit intact bleef. Lees de SWTCH-case study.
Anker herbouwde de wereldwijde klantenservice op AI-stemagenten om productvragen, garantieclaims en retouren in meerdere talen af te handelen. Het resultaat was gesprekken van menselijke kwaliteit op enterpriseschaal, zonder de personeelskosten van 24/7 meertalige dekking. Het consumentenelektronicamerk draait nu hetzelfde agent-framework in al zijn internationale markten.
Medical Data Systems schaalde de afhandeling van inkomende gesprekken op naar 100% AI-dekking met slechts een overdrachtspercentage van 30% naar mensen. Het team int ongeveer $280.000 per maand via AI-stemagenten terwijl het de compliancestandaarden handhaaft die hun sector vereist — een model dat e-commercemerken kunnen aanpassen voor retourwerk dat betalingen en PII raakt.
De meeste merken gaan in 3-5 dagen van aanmelding naar een live agent die basisretourflows afhandelt. Het langere werk is het coderen van je beleidsregels en het koppelen van je OMS, wat doorgaans nog een week toevoegt. Reken op twee volle weken van aanmelding tot productie als je beleid eenvoudig is, vier weken als je complexe categorie-uitzonderingen of internationale flows hebt.
Ja. De agent koppelt aan de Admin API van Shopify voor het opzoeken van bestellingen, klantgeschiedenis en het initiëren van refunds, en aan je gekozen verzendaanbieder voor labelgeneratie. Geen Shopify Plus-vereiste voor de basisintegratie. Als je met een 3PL werkt, voeg je een webhook toe aan hun ontvangst-endpoint zodat retouren in hun dashboard verschijnen.
De prijzen van Retell AI beginnen bij $0,07 per gespreksminuut zonder platformkosten, en elk nieuw account krijgt $10 aan gratis tegoed — genoeg voor ongeveer 140 minuten agenttesten. Voor een merk dat 1.000 retourgesprekken per maand afhandelt van gemiddeld 2 minuten elk, is dat ongeveer $140/maand aan agentkosten, vergeleken met $15-25/uur voor een menselijke agent die hetzelfde volume afhandelt.
De agent escaleert naar een mens met volledige context. De mens ziet de bestelgegevens, wat de beller vroeg, welke beleidscontrole werd geactiveerd en eventueel gemarkeerde fraudesignalen. De overdracht duurt minder dan 2 seconden en de beller hoeft niets te herhalen. De meeste teams zien overdrachtspercentages uitkomen op 15-25% zodra de agent is afgesteld, waarbij de rest van begin tot eind wordt opgelost.
Voor routinematige gevallen binnen het beleid: ja. Voor gevallen met hoge waarde, betwiste of gemarkeerde gevallen moet je mensen erbij houden, ongeacht hoe capabel de AI wordt. Configureer je agent om refunds onder een door jou gedefinieerde drempelbedrag automatisch goed te keuren (veel merken beginnen bij $100), en escaleer alles daarboven of alles met een fraudesignaal. Deze balans beschermt de marge zonder een achterstand te creëren.
De agent kan patronen markeren die correleren met fraude — hoge retourfrequentie, levergeschillen die worden tegengesproken door vervoerdersgegevens, bestellingen met wardrobing-signalen — en ze routeren voor menselijke beoordeling. Hij kan fraude niet definitief identificeren, en dat zou je ook niet moeten willen. Het doel is om duidelijk misbruik op te vangen en mensen de definitieve beslissing te laten nemen over dubbelzinnige gevallen.
"Waar blijft mijn refund" is het enkele retourgerelateerde gesprek met het hoogste volume in e-commerce. De agent zoekt de refundstatus rechtstreeks op in je betaalprovider, vertelt de beller de huidige status en de verwachte voltooiingsdatum, en biedt een terugbelverzoek aan als er iets vast lijkt te zitten. Deze ene flow alleen al vangt doorgaans 25-35% van al het retourgerelateerde gespreksvolume af.
De meeste bellers hebben het binnen de eerste 10-15 seconden door, ongeacht hoe je het inkleedt. De vraag is of het ze iets kan schelen. Met een responslatency van ~600 ms en natuurlijke beurtwisseling blijven bellers in het gesprek omdat de ervaring sneller is dan in de wacht staan voor een mens. Wees open — "Ik ben een AI-assistent" in de begroeting verbetert het vertrouwen juist ten opzichte van proberen door te gaan voor een mens.
Ja. Het platform ondersteunt 31+ talen met native uitspraak via ElevenLabs, en 50+ met OpenAI TTS. Stel taaldetectie in op de eerste uiting van de beller en de agent schakelt automatisch over. Dit is belangrijker voor merken die internationaal verkopen — één agent bedient Engelse, Spaanse, Franse en Duitse klanten zonder aparte uitrollen.
Volg wekelijks vijf cijfers: containmentpercentage (percentage gesprekken opgelost zonder overdracht), exchange-conversieratio (percentage refund-intenties omgezet in exchanges), gemiddelde afhandeltijd, precisie van fraudemarkeringen (hoe vaak gemarkeerde gevallen daadwerkelijk fraude waren) en CSAT uit enquêtes na het gesprek. Als de containment na drie weken onder 70% is, heeft je kennisbank hiaten. Als de exchange-conversie onder 20% is, moet je aanbevelingslogica worden verbeterd.
Je hebt nu een werkende retour- en exchangeagent die geschiktheidscontroles afhandelt, labels genereert, waar mogelijk exchanges boven refunds duwt, en fraudesignalen en edge cases met volledige context naar mensen escaleert.
Vanaf hier breid je hetzelfde agent-framework uit om uitgaande refundbevestigingsgesprekken, tevredenheidsopvolgingen na een exchange, of herinneringen voor verlaten retouren af te handelen voor klanten die een retour startten maar het artikel nooit verstuurden. Je kunt dezelfde structuur ook inzetten voor ordertracking, het afhandelen van levergeschillen of volledige AI-klantenservice in elke retourgerelateerde workflow.
Begin gratis met bouwen met $10 aan gebruikstegoed op retellai.com.
See how much your business could save by switching to AI-powered voice agents.
Total Human Agent Cost
AI Agent Cost
Estimated Savings
Een demodemonummer van Retell Clinic Office
Start building smarter conversations today.
.avif)
.avif)
