AI ontwikkelt zich in hoog tempo van hulpmiddel tot volwaardig onderdeel van de dagelijkse operatie bij msp’s. Binnen Kaseya krijgt die ontwikkeling vorm op meerdere niveaus, van ticketing en PSA tot monitoring, data-analyse en gebruikerservaring. Kevin Sequeira, verantwoordelijk voor productstrategie rond Autotask en digitale workforce-initiatieven, en Edgar Zacharjev, die zich richt op de doorontwikkeling van RMM en datagedreven inzichten, kijken daarbij ieder vanuit hun eigen domein naar dezelfde vraag: hoe verandert AI structureel de manier waarop msp’s werken, opschalen en waarde leveren aan hun klanten?
AI is voor msp’s geen abstract toekomstverhaal meer. De vraag is waar die impact het eerst voelbaar wordt. Volgens Kevin Sequeira ligt dat antwoord verrassend dichtbij. “Je hoeft niet te beginnen met complexe scenario’s. De meeste winst zit nog altijd in het dagelijkse werk. Ticketing is daar het duidelijkste voorbeeld van.”
Edgar Zacharjev knikt dat beeld niet weg, maar plaatst er meteen een kanttekening bij. “Een ticket is vaak het eindpunt van een probleem, niet het begin. Het vertelt je dát iemand last heeft, maar zelden waarom. Als je alleen op tickets stuurt, blijf je reactief.”
Die spanning tussen reageren en vooruitkijken loopt als een rode draad door het gesprek. Waar Sequeira vooral kijkt naar schaalbaarheid en operationele verlichting, richt Zacharjev zich op context, ervaring en onderliggende patronen.
Van generatieve AI naar handelen
Sequeira ziet een duidelijk verschil tussen wat veel mensen nu AI noemen en waar hij naartoe wil. “Generatieve AI kan antwoorden geven, maar geen werk uitvoeren. Je kunt er een vraag aan stellen, maar het blijft bij tekst. Agentic AI gaat verder. Die kan daadwerkelijk iets doen.”
Kevin Sequeira
Binnen Autotask krijgt dat vorm via Smart Triage. Tickets worden niet alleen gelezen, maar geïnterpreteerd. “We analyseren inhoud, herkomst en historie. Op basis daarvan kan een ticket automatisch bij de juiste persoon of queue terechtkomen, of zelfs volledig worden afgehandeld.”
Zacharjev herkent die logica, maar legt de lat breder. “Dat werkt pas echt goed als je de context van de gebruiker meeneemt. Niet alleen: wat staat er in het ticket, maar ook: wat gebeurde er op het systeem, in het netwerk, in de applicaties op dat moment?”
Sequeira pakt dat punt op. “Precies daarom is integratie zo belangrijk. Autotask staat niet op zichzelf. Als je ticketing koppelt aan RMM en documentatie, ontstaat er een veel rijker beeld. Dan hoeft een L1 niet meer te zoeken, maar kan direct handelen.”
Automatisering als opstap, niet als eindpunt
Volgens Sequeira is het doel niet om mensen te vervangen. “We horen soms: ‘mooi, dan kan ik drie mensen schrappen’. Dat is niet de gedachte. Die mensen heb je juist nodig, maar dan voor ander werk.”
Zacharjev: “Wat je ziet, is dat veel tijd verloren gaat aan analyse. Root cause analysis kost vaak uren, soms dagen. Niet omdat de kennis ontbreekt, maar omdat de informatie verspreid zit over verschillende tools.”
Edgar Zacharjev
Hij geeft een voorbeeld waarbij gebruikersklachten niets met hardware te maken hadden, maar met netwerkgedrag op specifieke tijdstippen. “Die informatie wás er al. Alleen niet op de plek waar L1 keek. Als je dat vooraf kunt samenbrengen, verandert de rol van support.”
Sequeira ziet daarin precies de hefboom voor groei. “Als je L1 ondersteunt met context en automatisering, kunnen minder ervaren mensen complexer werk doen. En ervaren mensen schuiven door naar L2 of L3. Dat maakt organisaties schaalbaar zonder lineair te groeien in personeel.”
Van device health naar user experience
Waar Sequeira vooral spreekt over tickets als ingang, verschuift Zacharjev het gesprek naar beleving. “Device health is jarenlang het uitgangspunt geweest. CPU, geheugen, schijf. Maar gebruikers werken niet met devices, ze werken met ervaringen.” Die ervaring strekt zich uit over laptops, cloudapplicaties, samenwerkingsplatformen en externe systemen. “Een klacht over ‘het werkt niet’ kan net zo goed voortkomen uit een trage applicatie, een instabiele verbinding of verkeerd gebruik van software.”
Sequeira ziet daarin een duidelijke evolutie. “Dat is ook waarom AI hier zo’n grote rol kan spelen. Mensen zien losse signalen. AI ziet patronen. Als je die patronen koppelt aan tickets, verschuift support van reageren naar begrijpen.”
Beide zijn het eens over één randvoorwaarde: zonder goede data werkt geen enkele AI-oplossing. Zacharjev is daar uitgesproken over. “AI is zo slim als de data die je erin stopt. Als die data versnipperd of onlogisch is, krijg je mooie verhalen, maar geen betrouwbare beslissingen.”
Sequeira sluit daarbij aan. “Daarom leren onze modellen binnen de omgeving van de msp zelf. Niet generiek, maar afgestemd op hun processen, klanten en afspraken. Dat maakt het effectiever en beter beheersbaar.”
Vooruitkijken in plaats van bijsturen
Het gesprek verschuift vanzelf naar de volgende stap: voorspellend werken. Sequeira ziet AI steeds vaker signaleren voordat er een probleem ontstaat. “Denk aan capaciteitstekorten, niet-renderende contracten of hardware die richting falen gaat. In plaats van een ticket krijg je een voorstel.”
Zacharjev ziet waarde in het zakelijke gesprek dat daardoor ontstaat. “Als je kunt laten zien waar productiviteit verloren gaat of kosten onnodig oplopen, verandert je rol als msp. Dan lever je geen support meer, maar stuurinformatie.”
De mens blijft in de cockpit
Beiden benadrukken dat AI begeleiding nodig blijft houden. “AI hallucineert soms,” zegt Zacharjev droog. “Daar moet je rekening mee houden.”
Sequeira ziet dat niet als zwakte, maar als realiteit. “Daarom blijft validatie belangrijk. Technici worden regisseurs. Ze stellen kaders, controleren uitkomsten en sturen bij.”
Wat overblijft, is geen toekomstbeeld van lege servicedesks, maar van teams die anders werken. Met digitale collega’s die meedraaien in ticketing, analyse en besluitvorming. Niet zichtbaar voor de klant, maar voelbaar in snelheid, rust en schaalbaarheid.
