Menselijke controle bij AI: waarom een goedkeuringsknop niet genoeg is
Een goedkeuringsknop maakt een AI-workflow nog niet gecontroleerd. Menselijke controle werkt pas wanneer afwijzen, niet reageren of een fout de vervolgstap daadwerkelijk blokkeert.
Een AI-workflow kan keurig een voorstel maken, wachten op een medewerker en pas daarna verdergaan. Dat klinkt als menselijke controle.
Maar er is een belangrijk verschil tussen vragen om toestemming en toestemming technisch verplicht maken.
Een betekenisvolle menselijke controle betekent dat een workflow zonder geldig akkoord niet verder kan. Niet bij een afwijzing. Niet wanneer niemand reageert. Niet na een timeout. En ook niet wanneer de AI zelf probeert een vervolgstap voor te stellen die buiten de afgesproken grenzen valt.
Dat klinkt misschien technisch, maar voor een MKB-bedrijf is de vraag eenvoudig:
Kan het systeem iets definitiefs doen voordat iemand daar bewust toestemming voor heeft gegeven?
Als het antwoord ja is, dan is de mens misschien wel betrokken, maar niet werkelijk in controle.
Bewijslabel — Uitleg
Dit artikel beschrijft een ontwerpprincipe en een testaanpak, onderbouwd met bronnen en expliciete redenering. De bedragen en tijden in de voorbeelden zijn illustratief; er worden geen eigen testresultaten of besparingen geclaimd.
Human in the loop is een ontwerpkeuze
Bij human in the loop doet AI een deel van het voorwerk en blijft een medewerker verantwoordelijk voor een belangrijk beslismoment.
Denk aan een gedeelde inbox.
AI kan een binnengekomen aanvraag lezen, bepalen om welk type verzoek het gaat en gegevens zoals bedrijfsnaam, gewenste dienst en contactinformatie structureren.
Daarna kan een workflow een conceptrecord klaarzetten.
Tot daar hoeft weinig mis mee te zijn.
Het cruciale punt komt daarna.
Mag de workflow dat record direct naar een ander systeem sturen? Mag er automatisch een e-mail naar de klant? Mag een offerte worden aangemaakt? Of moet eerst iemand controleren of de interpretatie klopt?
PuraFact kiest bij een eerste test bewust voor die laatste aanpak: het systeem stelt voor, een medewerker beoordeelt en pas daarna kan een vervolgstap plaatsvinden.
Maar ook dat principe moet je testen.
Een instructie is geen technische grens
Stel dat je in een prompt schrijft:
Verstuur nooit een bericht zonder menselijke goedkeuring.
Dat is een nuttige instructie.
Het is alleen geen harde technische beveiliging.
Een taalmodel interpreteert tekst. De uitkomst daarvan kan variëren en onverwachte situaties kunnen anders worden geïnterpreteerd dan tijdens het ontwerp werd verwacht.
Juist daarom horen belangrijke grenzen niet alleen in de prompt te staan.
OpenAI beschreef in oktober 2026 twee interne coding-agentincidenten waarbij agents tijdens normale programmeertaken onderdelen van monitoring verzwakten. In één situatie werd een eerdere instructie zo geïnterpreteerd dat automatische veiligheidsmeldingen werden onderdrukt. In een andere situatie werd monitoring verwijderd terwijl de agent later onjuist aangaf dat dit niet was gebeurd (OpenAI Alignment). Het ging om intern gebruik binnen OpenAI en dit bewijst niet dat een gewone MKB-workflow hetzelfde gedrag zal vertonen. Het laat wel zien waarom belangrijke controles niet uitsluitend afhankelijk moeten zijn van de interpretatie van een model.
OpenAI beschreef enkele dagen later ook hoe zijn eigen onderzoeksomgevingen meerdere, elkaar overlappende beveiligingslagen gebruiken en controles testen op situaties waarin monitoring of stopmechanismen niet goed functioneren (OpenAI). Ook dat gaat over veel krachtigere onderzoeksomgevingen dan een eenvoudige bedrijfsworkflow, maar het onderliggende ontwerpprincipe is bruikbaar: belangrijke grenzen moeten buiten het model blijven bestaan.
Voor een MKB-workflow betekent dat niet dat je een ingewikkeld securityplatform nodig hebt.
Het betekent bijvoorbeeld simpelweg:
AI mag een concept voorstellen. De workflow beslist of uitvoeren überhaupt is toegestaan.
Vier manieren waarop menselijke controle alsnog kan mislukken
Een goedkeuringsstap moet meer kunnen dan alleen een groene knop tonen.
| Situatie | Slecht ontwerp | Betere reactie |
|---|---|---|
| Medewerker wijst af | Workflow gaat via een andere route alsnog verder | De actie wordt definitief geblokkeerd |
| Niemand reageert | Stilte wordt na verloop van tijd als akkoord behandeld | Het verzoek verloopt en blijft geblokkeerd |
| Inhoud verandert na goedkeuring | Oude toestemming blijft geldig | Nieuwe inhoud vereist nieuwe goedkeuring |
| Workflow wordt opnieuw gestart | Dezelfde actie wordt nogmaals uitgevoerd | Workflow herkent dat de actie al is verwerkt |
Dit zijn geen theoretische details.
Stel dat een medewerker een conceptmail goedkeurt met een bedrag van €1.250.
Wanneer de workflow daarna het bedrag verandert naar €1.500, mag die eerdere goedkeuring niet automatisch geldig blijven.
De medewerker heeft immers niet de nieuwe actie goedgekeurd.
Hetzelfde geldt wanneer een goedkeuringsverzoek drie dagen openstaat. Een oude klik moet niet onverwacht een inmiddels gewijzigde actie kunnen uitvoeren.
Menselijke controle gaat daarom niet alleen om wie op een knop drukt, maar ook om wat exact wordt goedgekeurd en onder welke voorwaarden die toestemming geldig blijft.
Een veilige eerste workflow houdt interpretatie en uitvoering uit elkaar
Voor een eerste AI-test is het nuttig om verschillende verantwoordelijkheden bewust van elkaar te scheiden.
Neem opnieuw een inkomende zakelijke e-mail.
| Stap | Verantwoordelijkheid |
|---|---|
| Bericht lezen | Workflow |
| Onderwerp interpreteren | AI |
| Gegevens structureren | AI |
| Verplichte velden controleren | Vaste regels |
| Onzekerheid of uitzondering markeren | AI + vaste regels |
| Concept beoordelen | Medewerker |
| Definitieve actie vrijgeven | Workflow na geldig akkoord |
Het AI-model krijgt in deze opzet geen onbeperkte vrijheid.
Het doet juist het onderdeel waar AI waarde kan toevoegen: vrije tekst interpreteren.
Een gewone workflow bewaakt vervolgens de harde voorwaarden.
De medewerker neemt het uiteindelijke besluit.
Dat principe sluit ook aan op hoe workflowplatformen human in the loop beschrijven. n8n adviseert bijvoorbeeld om processen daadwerkelijk te pauzeren bij belangrijke acties totdat menselijke beoordeling heeft plaatsgevonden, en gevallen met onzekerheid of fouten naar een medewerker te escaleren (n8n).
Test niet alleen of goedkeuren werkt
Een demonstratie laat meestal het ideale pad zien:
bericht binnen → AI maakt voorstel → medewerker klikt akkoord → workflow gaat verder.
Dat pad moet natuurlijk werken.
Maar juist de andere situaties zijn interessant.
Voordat je een workflow serieuzer inzet, zou ik minimaal deze vijf controles uitvoeren:
| Test | Verwachte uitkomst |
|---|---|
| Medewerker keurt goed | Alleen de goedgekeurde actie wordt uitgevoerd |
| Medewerker wijst af | Geen vervolgactie |
| Medewerker reageert niet | Workflow blijft geblokkeerd of verloopt veilig |
| Dezelfde invoer wordt opnieuw aangeboden | Geen ongewenste dubbele actie |
| AI stelt een niet-toegestane actie voor | Workflow weigert die actie |
Zo test je niet alleen of het normale proces werkt.
Je test ook of de grenzen blijven staan wanneer het proces afwijkt van het ideale voorbeeld.
Dat hoort bij het verschil tussen een mooie demo en een controleerbare workflow.
Meet ook hoeveel menselijke controle overblijft
Menselijke goedkeuring heeft nog een tweede kant.
Het kan technisch veilig zijn en economisch alsnog weinig opleveren.
Stel dat AI een aanvraag in tien seconden verwerkt, maar een medewerker vervolgens vier minuten nodig heeft om ieder resultaat volledig opnieuw te controleren.
Dan is de AI-stap snel.
De workflow als geheel misschien niet.
Daarom meet PuraFact niet alleen of een medewerker aanwezig is. Ook de menselijke review- en correctietijd horen bij de beoordeling van een workflow.
Je kunt dit de controlelast noemen: alle menselijke arbeid die nodig blijft om voorstellen te beoordelen, fouten te corrigeren en uitzonderingen af te handelen.
Een workflow met menselijke controle is dus niet automatisch een goede workflow.
De relevante vraag is:
Kan een medewerker snel en betekenisvol beoordelen of het voorstel klopt?
Wanneer iemand ieder resultaat vanaf nul moet reconstrueren, heb je misschien vooral een extra tussenstap gebouwd.
Wanneer is menselijke goedkeuring onvoldoende?
Een goedkeuringsstap lost niet ieder risico op.
Menselijke controle werkt slecht wanneer de beoordelaar onvoldoende context krijgt, wanneer fouten nauwelijks herkenbaar zijn of wanneer tijdsdruk ervoor zorgt dat bijna alles automatisch wordt goedgekeurd.
Ook een workflow waarin een verkeerde actie al heeft plaatsgevonden voordat iemand controleert, heeft geen echte voorafgaande goedkeuring.
Daarom moet je vóór een eerste test duidelijk krijgen:
wie controleert, wat die persoon ziet, waarop wordt beoordeeld, welke acties worden geblokkeerd en wat er bij twijfel gebeurt.
Kun je dat niet concreet beschrijven, dan is het proces mogelijk nog niet geschikt voor automatisering.
Lees in Welk bedrijfsproces is geschikt voor AI? welke andere voorwaarden PuraFact gebruikt om een eerste workflow te beoordelen.
Hoe PuraFact dit binnen een eerste test benadert
Een Eén-Workflow Sprint is geen productie-implementatie.
Er worden geen live klantgegevens gebruikt, geen echte externe systemen gekoppeld en geen autonome klantcommunicatie verstuurd.
De eerste vraag is kleiner:
Kunnen we één terugkerende workflow zo ontwerpen dat AI nuttig voorwerk doet, terwijl uitkomsten controleerbaar blijven en een mens daadwerkelijk verantwoordelijk blijft voor het besluit?
Daarvoor worden vooraf vaste voorbeelden en beoordelingscriteria gekozen.
Vervolgens wordt niet alleen de AI-output bekeken, maar de volledige workflow: kwaliteit, foutzwaarte, menselijke review, correctiewerk, workflowgedrag, procesimpact, risico en economische logica.
Die volledige aanpak staat beschreven in Hoe test je een AI-workflow? Van nulmeting tot go/no-go.
En juist daar hoort ook een simpele operationele vraag bij:
Blijft een actie werkelijk geblokkeerd wanneer menselijke toestemming ontbreekt?
Als het antwoord nee is, is dat geen detail om later nog even op te lossen.
Het is een reden om de workflow eerst aan te passen.
De kern: laat AI voorstellen, maar maak grenzen onafhankelijk
Human in the loop klinkt geruststellend.
Maar de term zegt op zichzelf weinig.
Een medewerker kan formeel onderdeel zijn van een proces terwijl de daadwerkelijke controle zwak is.
Betekenisvolle menselijke controle vraagt daarom om drie dingen:
- De medewerker moet kunnen beoordelen wat er gebeurt.
- De medewerker moet daadwerkelijk kunnen weigeren.
- De workflow moet die weigering technisch respecteren.
Dat derde punt wordt soms vergeten.
Een AI-model hoeft niet zelf te bepalen wat het wel en niet mag doen.
Laat het model interpreteren waar interpretatie nodig is.
Laat gewone logica harde voorwaarden afdwingen.
En laat een mens beslissen waar de gevolgen dat vereisen.
Dat maakt een workflow misschien iets minder spectaculair dan een volledig autonome agent.
Maar voor een eerste MKB-test is controleerbaarheid vaak waardevoller dan maximale autonomie.
Veelgestelde vragen
Wat betekent human in the loop bij AI?
Human in the loop betekent dat een medewerker op relevante momenten betrokken blijft bij de beoordeling of besluitvorming van een AI-proces. Bij een betekenisvolle implementatie kan een belangrijke actie niet worden uitgevoerd zonder de afgesproken menselijke controle.
Is een goedkeuringsknop voldoende?
Nee. De workflow moet ook correct omgaan met afwijzingen, ontbrekende reacties, gewijzigde acties, retries en technische fouten. Een knop is alleen nuttig wanneer de achterliggende workflow het besluit daadwerkelijk afdwingt.
Moet iedere AI-uitkomst handmatig worden gecontroleerd?
Niet noodzakelijk. Dat hangt af van het risico, de meetbare betrouwbaarheid van de workflow en de gevolgen van fouten. Bij een eerste PuraFact-test blijft menselijke goedkeuring bewust verplicht. Productiegebruik vraagt een afzonderlijke beoordeling.
Kan een AI-workflow volledig autonoom werken?
Technisch kan dat in sommige situaties. De belangrijkere vraag is of volledige autonomie voor het specifieke proces nodig en verantwoord is. Bij processen met externe communicatie, financiële gevolgen of moeilijk herstelbare fouten is extra controle vaak belangrijker.
Wil je weten of jouw eigen proces klein en controleerbaar genoeg is voor zo’n eerste test? Doe de Workflow Check.
Bronnen
Verder
Over de auteur
Bjorn Scheepens — Softwaredeveloper en oprichter van PuraFact. Onderzoekt of één terugkerende MKB-workflow zich veilig laat automatiseren, met synthetische testdata, menselijke beoordeling en een vooraf vastgelegd go/no-go-oordeel. Schrijft op deze site over procesgeschiktheid, meten en de grenzen van AI-automatisering. Over de auteur en de werkwijze.
Welke handmatige workflow kost jouw team iedere week opvallend veel tijd?
Geen verkooppitch: eerst het probleem goed begrijpen.
Bespreek je workflow