Werkdruk toelatingsteam: hoeveel uur kosten terugkerende vragen?

Hoeveel uur verliest uw toelatingsteam werkelijk? Dit is de formule

Het antwoord past in één regel: verloren uren per maand ≈ (maandelijkse aanvragen) × 72% × (gemiddelde minuten per handmatig antwoord) ÷ 60. Die 72% is geen slag in de lucht — het is het aandeel puur repetitieve vragen dat Skolbot mat op 12.000 geclassificeerde chatbotgesprekken in 2025 (collegegeld, carrièreperspectief, duaal leren, huisvesting en dergelijke).

Van die 12.000 gesprekken was 72% een simpele FAQ-vraag, te beantwoorden zonder enige schoolspecifieke context. 21% vroeg om wat context (een datum, een programmaspecifieke regeling). Slechts 7% rechtvaardigde daadwerkelijk menselijke tussenkomst — een bijzonder geval, een complexe administratieve situatie, een twijfelaar die overtuigd moet worden.

Die verhouding 72/21/7 verandert de vraag die u zichzelf zou moeten stellen. Niet "hoeveel tijd besteedt mijn team aan het beantwoorden van kandidaten?", maar "welk deel van die tijd gaat écht naar advies, in plaats van dertig keer per week hetzelfde te herhalen?". EDUCAUSE signaleert een vergelijkbare trend in het internationale hoger onderwijs: taken met hoog volume en lage complexiteit zijn precies waar automatisering de meetbaarste tijdswinst oplevert voor administratieve teams. De rest van dit artikel geeft u de middelen om uw eigen situatie precies te becijferen, met een methode die u in tien minuten in een spreadsheet kunt reproduceren.

Waarom altijd dezelfde tien vragen terugkomen

Het is geen toeval dat uw team het gevoel heeft in herhaling te vallen: op 12.000 geanalyseerde gesprekken concentreren tien vragen het gros van het volume, en hun volgorde verschilt weinig van school tot school. Collegegeld staat bovenaan (89% van de gesprekken), gevolgd door carrièreperspectief na afstuderen (84%) en duaal leren (78%).

Deze rangschikking heeft een directe implicatie voor uw organisatie: als tien onderwerpen bijna alle aanvragen dekken, wordt het mogelijk om het grootste deel van het volume af te handelen zonder telkens een toelatingsmedewerker in te schakelen. Een kandidaat die vraagt naar het collegegeld of de stageduur heeft geen telefonische afspraak nodig — die wil direct een exact antwoord. Dat is precies de logica achter gerichte automatisering van de 72% simpele vragen, zonder te raken aan de 7% die een echt menselijk gesprek verdienen.

De verborgen kost zit niet alleen in uren — het is de wachttijd van de kandidaat

De werkelijke kost van herhaling beperkt zich niet tot interne uren: het is ook de tijd voordat een kandidaat antwoord krijgt, en die tijd verschilt enorm per gebruikt kanaal. Een mystery-shopping-audit van Skolbot bij 80 instellingen in 2025 meet aanzienlijke verschillen tussen de kanalen.

Een kandidaat die op een zondagavond een e-mail stuurt, wacht geen 47 uur met de armen over elkaar: die opent een ander tabblad en bekijkt de concurrerende school. Dat geldt des te meer voor vragen die niets complex hebben — collegegeld, duaal leren, toelatingseisen — precies de vragen waarbij wachten het minst te rechtvaardigen valt omdat het antwoord toch altijd hetzelfde is. Onze gids over de complete ROI-berekening van een studentenchatbot gaat dieper in op deze verschillen per kanaal, met de volledige onderzoeksmethode.

Het contactformulier, vaak gepresenteerd als het "professionele" standaardkanaal, is in werkelijkheid het traagste van de vijf geteste kanalen. En de telefoon faalt, ondanks een reële snelheid zodra iemand opneemt, in twee van de drie gevallen om überhaupt een gesprek op te leveren. De AI-chatbot elimineert die kanalen niet — die neemt het deel van de aanvragen over dat sowieso niet op een mens hoefde te wachten. Forrester benadrukt al enkele jaren dat de snelheid van eerste respons een selectiecriterium op zich is geworden voor een publiek dat gewend is aan directe interacties, ver buiten de onderwijssector alleen.

Wat scholen terugwinnen door de repetitieve 72% te automatiseren

Bij 18 scholen die Skolbot tussen 2024 en 2025 volgde, tonen de mediane resultaten na de invoering van een chatbot een duidelijke vooruitgang op de drie indicatoren die tellen voor een toelatingsdirecteur: het aantal gekwalificeerde kandidaten, de kosten per kandidaat en het aanmeldpercentage voor de open dag. Het aantal gekwalificeerde kandidaten per maand stijgt van 120 naar 195 (+62%), de kosten per kandidaat dalen van €42 naar €26 (-38%), en het aanmeldpercentage voor open dagen klimt van 6,2% naar 18,4%. De mediane terugverdientijd ligt rond de 5 maanden, met een ROI na 12 maanden van 280%.

Hier is een nuance nodig, en die is belangrijk: dit zijn mediane resultaten die het gecombineerde effect omvatten van de chatbot ÉN van funneloptimalisaties die parallel werden doorgevoerd bij deze 18 scholen — herziening van pagina's, aanpassingen aan campagnes, veranderingen in interne processen. De chatbot alleen verklaart niet 100% van die winst. Wat met meer zekerheid te stellen valt, is het onderliggende mechanisme: door de 72% repetitieve vragen in 3 seconden op te vangen in plaats van in 47u of 72u, maakt het toelatingsteam tijd vrij voor de kandidaten die echt begeleiding nodig hebben — de 7% complexe gevallen, de twijfelaars die opgevolgd moeten worden, de atypische dossiers. Voor een regel-voor-regel uitsplitsing van deze winst gaat ons artikel over de gedetailleerde ROI-berekening van een studentenchatbot elke post afzonderlijk na.

Deze kadering telt, omdat een toelatingsdirecteur die dit cijfer presenteert in een directievergadering het moet kunnen verdedigen. Een ROI van 280% louter aan de chatbot toeschrijven zou onnauwkeurig zijn en uw argumentatie verzwakken bij de eerste kritische vraag. Het mechanisme presenteren — reactietijd gehalveerd tot seconden, meer kandidaten verwerkt, team heringericht op begeleiding — is steviger en waarachtiger. McKinsey Education komt tot een vergelijkbare conclusie over automatiseringsprojecten in het hoger onderwijs: duurzame winst komt zelden van één geïsoleerde tool, maar van de combinatie tussen automatisering van repetitieve taken en de herziening van de processen eromheen.

Stap voor stap: bereken dit cijfer voor uw eigen school

U hebt geen software of data-analist nodig om uw eigen inschatting te maken — alleen een spreadsheet en drie cijfers. Hier is de methode, herhaalbaar in minder dan 15 minuten.

Stap 1: tel uw maandelijkse aanvragen van kandidaten. Tel alle interacties op alle kanalen samen — e-mails, formulieren, telefoontjes, berichten via sociale media, gesprekken op beurzen als u die bijhoudt. Een grove schatting volstaat om te beginnen; u verfijnt die later.

Stap 2: pas 72% toe. Dat is het aandeel dat Skolbot meet als beantwoordbaar zonder specifieke schoolcontext — collegegeld, duaal leren, huisvesting, carrièreperspectief, toelatingseisen. U kunt deze verhouding op uw eigen historie controleren door een steekproef van 100 recente gesprekken terug te lezen en te tellen hoeveel daarvan door een goed opgezette FAQ hadden kunnen worden afgehandeld.

Stap 3: schat de gemiddelde tijd per handmatig antwoord. Dit is de enige variabele die niet in onze databank staat — en die moet u niet als een magisch getal behandelen. Als uw team gemiddeld 3 tot 5 minuten besteedt aan elk antwoord (informatie opzoeken, herformuleren, versturen), gebruik die bandbreedte om te starten. Meet vervolgens uw eigen cijfer gedurende twee weken door een reële steekproef van antwoorden te chronometreren — de tijd verschilt sterk naargelang het team een bestaand sjabloon kopieert of elke keer opnieuw handmatig schrijft.

Stap 4: pas de formule toe. Neem een illustratief voorbeeld met een rond volume van 500 aanvragen per maand en een aanname van 4 minuten per handmatig antwoord. De berekening geeft: 500 × 72% × 4 ÷ 60 = 24 uur per maand. Op jaarbasis is dat bijna 288 uur — ongeveer 1,8 maand voltijds werk besteed aan het herhalen van dezelfde tien antwoorden.

Dit cijfer is alleen illustratief in zijn invoerparameters — de formule zelf is direct toepasbaar op uw instelling. Een school die 800 aanvragen per maand ontvangt met gemiddeld 5 minuten per antwoord komt uit op: 800 × 72% × 5 ÷ 60 = 48 uur per maand, ruim meer dan een week voltijds werk. Herhaal de berekening met uw eigen cijfers voordat u conclusies trekt — het verschil tussen scholen kan aanzienlijk zijn, afhankelijk van seizoenspatronen (Studielink-piek in mei, aanmeldpiek na de zomer) en teamgrootte.

De volledige pillar-gids over AI-chatbots voor studentenwerving laat vervolgens zien hoe u dit aantal uren vertaalt naar een concreet programma van eisen, als u een project verder wilt afbakenen. Wilt u eerst weten aan welke functionele eisen een chatbot moet voldoen voor uw instelling, raadpleeg dan ons programma van eisen voor het kiezen van een studentenchatbot.

FAQ

Verandert de berekening per opleidingstype (hbo, wo, business school)?

De formule blijft identiek, maar het aanvraagvolume en de gemiddelde tijd per antwoord verschillen per instellingstype. Een business school met veel internationale instroom ontvangt doorgaans meer vragen over uitwisseling en parallelle toelatingstrajecten, terwijl een technische hogeschool meer vragen over stages en accreditatie ziet — het aandeel van 72% simpele vragen blijft in beide gevallen globaal stabiel.

Moet ik aanvragen van beurzen of open dagen meetellen in de berekening?

Ja, als uw team er meetbare tijd aan besteedt na afloop — vervolgmails, uitgestelde antwoorden op vragen die niet ter plekke konden worden beantwoord. Veel scholen onderschatten dit volume omdat het niet in dezelfde tool wordt bijgehouden als aanvragen via de website, waardoor de berekening te laag uitvalt.

Komt het uitkomende cijfer overeen met uren die echt kunnen verdwijnen?

Nee, het komt overeen met uren die herverdeeld kunnen worden, niet simpelweg geschrapt. Het doel is niet om het toelatingsteam te verkleinen, maar om die tijd te richten op de 7% gevallen die daadwerkelijk menselijke tussenkomst vereisen en op de kwalitatieve opvolging van de meest gevorderde kandidaten.

Hoe controleer ik of 3 tot 5 minuten per antwoord realistisch is voor mijn team?

Door een reële steekproef te chronometreren in plaats van te gokken: vraag twee of drie teamleden om gedurende twee weken de tijd per antwoord te noteren, inclusief het opzoeken van informatie als dat niet direct beschikbaar is. Dit cijfer verschilt sterk naargelang het team al klaarstaande antwoordsjablonen heeft of elk bericht vanaf nul opstelt.

Werkt deze berekening ook voor een klein team van 2 personen?

Ja, de formule hangt niet af van de teamgrootte — die meet een aantal uren, geen aantal functies. Voor een klein team is het resultaat vaak overtuigender uitgedrukt als percentage van een voltijdbaan: 24 uur per maand komt neer op bijna 15% van de werktijd van één persoon, wat de afweging zichtbaarder maakt.