Case studie
Ziezodan
Ziezodan wilde reparatieverzoeken gebruiksvriendelijker maken. We ontwierpen een AI-intake die huurders in eigen woorden (en optioneel met foto) laat melden.
De uitdaging
Ziezodan heeft een sterke structuur voor reparatiemeldingen via een beslissingsboom. Alleen: voor huurders voelt het als veel klikken, en de echte context (omschrijving en foto) komt pas helemaal aan het einde. Daardoor ontstaan meldingen die generiek zijn en minder bruikbaar voor opvolging.
De oplossing
We ontwerpen een AI-gedreven intake die de beslissingsboom aanvult of deels vervangt. De huurder begint direct met een korte omschrijving en kan optioneel een foto toevoegen. Vervolgens:
AI haalt uit tekst de ruimte, het element en het probleem (NLP)
De foto helpt om dit te bevestigen of aan te vullen (beeldherkenning)
Als iets ontbreekt, vraagt de AI gericht door (“In welke ruimte is dit?”)
De melding wordt gekoppeld aan de exacte JSON-waardes uit de bestaande structuur en pas daarna doorgestuurd
Wat het oplevert
Sneller en natuurlijker melden voor huurders
Consistentere meldingen met meer context
Data die direct aansluit op de bestaande JSON-hiërarchie, zonder aanpassingen aan het vervolgproces
Andere cases
Bekijk hieronder een aantal andere cases.
