Virtuele pensioen deelnemers bouwen met behulp van AI

De eerste resultaten uit Project Mañana, waarin we experimenteren hoe we pensioen relevanter kunnen maken voor deelnemers
"Dat doe ik morgen wel"
Pensioen is vaak zulke complexe en taaie materie, waardoor je het als deelnemer al snel uitstelt tot morgen. Project Mañana gaat over het verbeteren van user journeys binnen de pensioenwereld. Door te experimenteren met nieuwe technologie, storytelling en design, kunnen we pensioen leuker, begrijpelijk en vooral relevanter maken voor deelnemers. Tijdens de eerste hackathon hebben onze ontwerpers en ontwikkelaars meteen een toffe onderzoeksvraag opgepakt!

Workflows en AI-assistent
Als eerste bouwden we eigen workflows met tools als Activepieces en n8n. Die koppelden we vervolgens aan een zelfgebouwde AI-assistent. Door de assistent met data uit allerlei bronnen te voeden, kan het verschillende bezoekers op je pensioenplatform voorstellen.

Content beoordelen
Op basis van eigenschappen van deze virtuele deelnemer zoals leesniveau, financiële kennis of de digi-vaardigheid, kun je terugzien hoe begrijpbaar de content voor hem/haar zal zijn. De AI assistent analyseert of de content op de website aansluit bij (het begrip van) de deelnemer. Alle content kan worden aangepast per individu, zodat content voor iedereen begrijpelijker wordt.

Wat kun je er nog meer mee?
Naast de inzet van een virtuele assistent om persona's te maken die UX en content kunnen beoordelen en verbeteren, zijn er nog veel meer toepassingen denkbaar.
Denk bijvoorbeeld aan een assistent brand police, die scant of jouw content wel voldoet aan de regels rondom branding van jouw organisatie. Of een assistent als compliance-checker, die beoordeelt of je voldoet aan wet- en regelgeving zoals Accessibility, AVG of DORA.
De grootste uitdaging
AI genereert altijd output, maar vaak van onvoldoende kwaliteit: een zes. De grootste uitdaging blijft om het van deze zes naar een consistente negen te tillen. Daar is meer voor nodig dan prompt engineering: door bijvoorbeeld taken op te splitsen kun je veel specifiekere modellen gebruiken en veel gerichter output valideren. Een mooi startpunt voor volgende experimenten!
Aan de slag!
Zin gekregen om zelf te experimenteren? We helpen je graag op weg!


