Menselijke controle op AI werkt alleen als de controleur tijd heeft, mag weigeren en weet waar hij op let. Een vinkje “nagekeken door” onder een AI-tekst bewijst daar niets van. Het probleem zit in de herhaling: wie dertig keer achter elkaar een goed AI-voorstel ziet, keurt het eenendertigste sneller goed, ook als dat er net naast zit. Dat heet human-in-the-loop op papier, en in de praktijk een stempel.
Neem een administratiekantoor met twaalf mensen. Een AI-assistent zet antwoorden op klantvragen klaar, een collega leest ze en drukt op versturen. De eerste week leest ze elk woord. In week zes scant ze de eerste regel. Niemand heeft dat besloten, het gebeurt gewoon. Hieronder lees je hoe je dat voorkomt, in vijf stappen die passen in een bedrijf zonder IT-afdeling.
Waarom de controleur wegzakt
Onderzoekers noemen het automation bias: mensen nemen de uitkomst van een systeem te snel als waarheid aan. Een systematische review van 74 studies vond dat het effect sterker wordt bij werkdruk, complexe taken en tijdsdruk, en bij veel vertrouwen in het systeem. Training en het benadrukken van eigen verantwoordelijkheid hielpen juist (Bron: JAMIA). Een eerdere overzichtsstudie liet zien dat het verschijnsel bij beginners én ervaren gebruikers optreedt, en dat oefening of instructie alleen het niet wegneemt (Bron: Human Factors).
Ook de wetgever kent het probleem. Artikel 14 van de AI-verordening eist dat wie toezicht houdt op een hoog-risico-systeem “zich bewust” blijft van de neiging om “automatisch of te veel te vertrouwen” op de output, en dat hij die output kan negeren, vervangen of terugdraaien (Bron: EUR-Lex). Artikel 26 voegt toe dat je dat toezicht legt bij mensen met “de nodige bekwaamheid, opleiding en autoriteit” die “de nodige ondersteuning krijgen” (Bron: EUR-Lex).
Die artikelen gelden formeel voor hoog-risico-AI, zoals software voor werving en selectie, en door de AI Omnibus pas vanaf 2 december 2027 (Bron: EUR-Lex). Voor je offertes en klantmails zijn ze dus geen plicht, wel een goede bouwtekening. Laat je software zelfstandig over mensen beslissen, dan geldt nu al artikel 22 van de AVG (Bron: EUR-Lex); wanneer dat zo is, lees je in laat jij software over mensen beslissen?.
De meest bruikbare praktijkgids komt van de Autoriteit Persoonsgegevens. In de Handvatten betekenisvolle menselijke tussenkomst (juli 2025) staat een lijst vragen voor wie een beoordelingsproces inricht (Bron: Autoriteit Persoonsgegevens). Die gids gaat over besluiten over mensen, maar de mechanismen zijn dezelfde als bij een AI die je offertes schrijft. De vijf stappen hieronder leunen erop.
Stap 1: bepaal wat je controleert, en wie
Maak een lijstje van de plekken waar AI iets produceert: conceptmails, offertes, samenvattingen van gesprekken, boekingsvoorstellen in je boekhouding, antwoorden van een chatbot. Staat die lijst al in je AI-register, dan begin je daar.
Deel elke stroom in drie bakjes. Alles wat naar buiten gaat, niet terug te draaien is of over een persoon beslist, kijk je altijd na. Interne output waar je een fout later nog herstelt, zoals een samenvatting van een overleg, gaat via een steekproef. Wat geen gevolgen heeft, laat je lopen. Hoe ver je een AI-agent zelfstandig laat handelen, werkten we uit in AI-agent rechten geven.
Zet daarna bij elke stroom één naam. Die persoon moet de output kunnen beoordelen en mag zonder overleg nee zeggen. De AP noemt dat expliciet: een beoordelaar moet bevoegd zijn om tegen de uitkomst in te gaan, en dat ook echt doen zonder er op afgerekend te worden (Bron: Autoriteit Persoonsgegevens). Een stagiair die AI-offertes “even nakijkt” maar geen prijs mag aanpassen, is geen controleur.
Verschuift het werk van je team daardoor van maken naar beoordelen, pas dan ook de functies aan. Hoe, staat in van uitvoerder naar regisseur.
Stap 2: geef de controleur tijd
Hier gaat het in kleine bedrijven het vaakst mis. Controle wordt iets wat je tussendoor doet. De AP schrijft dat hoe minder tijd een beoordelaar heeft, hoe minder betekenisvol de tussenkomst wordt, en dat een cultuur die vooral op efficiëntie stuurt die tussenkomst ondermijnt (Bron: Autoriteit Persoonsgegevens). Een vaste norm voor het aantal minuten per beoordeling bestaat niet.
Meet het daarom zelf. Laat je controleur in een testweek noteren hoe lang een grondige controle duurt, bijvoorbeeld vier minuten per offerte. Reken dan terug: twintig offertes per dag kosten tachtig minuten, en die staan in de agenda. Werk in kleine stapels, zodat niemand om vijf uur nog veertig concepten moet goedkeuren. Is er geen tijd, verklein dan de stroom en schaaf niet aan de controle.
Stap 3: maak nee zeggen makkelijk
Kijk naar het scherm waarop je collega goedkeurt. Is “versturen” een grote groene knop en zit “afkeuren” twee menu’s diep, dan stuurt het ontwerp al naar ja. Zet beide opties even zichtbaar neer, en laat bij een afkeuring een korte reden invullen. Die redenen zijn later goud waard.
Het onderzoek wijst nog een paar ontwerpkeuzes aan die automation bias verminderen. Toon informatie in plaats van een kant-en-klaar advies, en laat zien hoe zeker het systeem is (Bron: JAMIA). De AP raadt aan om met je beoordelaars vooraf redenen op te schrijven waarom ze een uitkomst zouden afwijzen, en om het systeem in training niet als onfeilbaar te presenteren (Bron: Autoriteit Persoonsgegevens). Een kort lijstje met typische AI-fouten helpt daarbij: verzonnen bronnen, verkeerde bedragen, een klantnaam uit een ander dossier. Hoe je verzonnen feiten herkent, staat in AI-hallucinaties herkennen.
Beginner-tip: gebruik je Copilot, ChatGPT of een AI-functie in je boekhoudpakket, dan kun je dat scherm niet ombouwen. Spreek dan af dat elke afkeuring met één zin in een gedeeld document komt. Dat werkt als je afkeurknop.
Stap 4: meet hoe vaak er nee wordt gezegd, en test het
Houd per stroom twee getallen bij: hoeveel output er is gecontroleerd en hoeveel daarvan is afgekeurd of flink aangepast. De AP noemt dit “een simpele methode” en waarschuwt: wordt bijna nooit iets afgekeurd, dan kan het systeem erg goed zijn, maar het kan ook wijzen op automation bias of een te hoge drempel om nee te zeggen (Bron: Autoriteit Persoonsgegevens). Een afkeurcijfer dat van tien procent naar nul zakt terwijl de tool niet veranderde, is dus een signaal om te gaan kijken.
Test daarnaast of je controle echt iets tegenhoudt. De AP noemt dat mystery shopping: je biedt een geval aan waarvan je de juiste uitkomst al kent, of je stopt er expres een fout in (Bron: Autoriteit Persoonsgegevens). In een klein bedrijf kan dat simpel. Leg eens per maand een AI-offerte met een verkeerd btw-tarief of een verwisselde klantnaam in de stapel, en kijk of hij eruit wordt gehaald. Vertel vooraf dat je dit doet, en gebruik het om het proces bij te sturen. De AP waarschuwt dat beoordelaars die zich bekeken voelen juist minder snel kritiek uiten.
Stap 5: leg het vast op één A4
Schrijf per AI-stroom op: wat wordt gecontroleerd, door wie, altijd of via een steekproef, hoeveel tijd ervoor staat, en wat het afkeurcijfer het afgelopen kwartaal was. Noteer ook incidenten: welke fout kwam toch door, en wat heb je daarna veranderd. De AP adviseert de keuzes rond de inrichting vast te leggen, ook om later aan een toezichthouder te kunnen laten zien hoe een besluit tot stand kwam (Bron: Autoriteit Persoonsgegevens). Voor hoog-risico-systemen moet je de automatisch gegenereerde logs bovendien minstens zes maanden bewaren (Bron: EUR-Lex).
Plan elk kwartaal een half uur om het A4 met de controleurs door te lopen. Mag een stroom van volledig nakijken naar een steekproef? Moet er juist meer gecontroleerd worden? Dat gesprek hoort bij wie eigenaar is van de AI-toepassing; heb je die rol nog niet belegd, gebruik dan de checklist voor eigenaarschap.
Checklist voor maandag
- Lijst maken. Schrijf op waar AI in je bedrijf output maakt en deel elke stroom in: altijd controleren, steekproef, of laten lopen.
- Namen zetten. Eén controleur per stroom, die zonder overleg mag weigeren.
- Tijd meten. Laat een week noteren hoe lang een goede controle duurt en zet die tijd in de agenda.
- Afkeuren vastleggen. Eén zin per afkeuring in een gedeeld document of in de tool zelf.
- Eerste oefenfout plannen. Kies een datum deze maand en vertel het team dat het eraan komt.
- A4 opstellen. Wat, wie, hoe vaak, afkeurcijfer, incidenten. Kwartaalmoment in de agenda.
Wil je weten hoe je de controlestap bij een AI-agent technisch inbouwt, bijvoorbeeld met een tweede systeem dat het werk toetst, lees dan AI-agent betrouwbaar inzetten.