KENNISBANK · AI-AGENTS

Human-in-the-Loop

De mens blijft aan het stuur

Human-in-the-loop is het patroon waarbij een AI-agent op kritieke momenten pauzeert en pas doorgaat na goedkeuring van een mens.

Wat is het?

Een agent voert taken zelfstandig uit, maar bij acties met echte gevolgen — betalen, versturen, verwijderen — wacht hij op menselijk akkoord. De mens blijft zo eindverantwoordelijk, terwijl de machine het voorbereidende werk doet. Het is het midden tussen volledige automatisering en volledig handwerk.

Hoe werkt het technisch?

  • De agent-loop bevat expliciete checkpoints: vastgelegde punten waar uitvoering stopt tot een mens reageert.
  • Op zo’n checkpoint stelt de agent een samenvatting op van wat hij gaat doen: actie, gegevens en redenering.
  • De goedkeuring komt via een interface: een knop in een dashboard, een reply in Slack of Teams, of een review-scherm.
  • Technisch is het een interrupt in de workflow-engine: de status van de taak wordt opgeslagen en hervat na het signaal.
  • Varianten: goedkeuring vóór actie (pre-approval), steekproefcontrole achteraf, of escalatie alleen bij lage confidence van de agent.

Wat kun je ermee bouwen?

  • Factuurverwerking waarin de agent boekingen voorbereidt maar een boekhouder fiatteert.
  • E-mailagents die antwoorden klaarzetten als concept in plaats van direct te versturen.
  • Contentpipelines waarin publicatie pas plaatsvindt na redactionele review.
  • Uitzonderingenroutes: standaardcases automatisch, afwijkende cases naar een medewerker.

Commercieel gebruik

Human-in-the-loop maakt automatisering verkoopbaar in risicovolle processen. Klanten accepteren een agent eerder als er een menselijk vangnet zit. Het verlaagt aansprakelijkheidsrisico en foutkosten. Dienstverleners kunnen zo gefaseerd automatiseren: begin met 100% review, bouw vertrouwen op en verlaag het reviewpercentage waar de foutmarge dat toelaat.

Sterke combinaties

Met logging en audit trails, zodat elke goedkeuring traceerbaar is — essentieel in gereguleerde sectoren. Met evaluator-agents die voorselecties maken, zodat de mens alleen echte twijfelgevallen ziet. Met workflow-tools zoals n8n, waar checkpoints als vaste knopen in een proces zitten.

Belangrijkste 20%

  1. Plaats checkpoints alleen bij onomkeerbare of kostbare acties; te veel goedkeuringen maken de automatisering waardeloos.
  2. Geef de reviewer context én een duidelijke keuze (goedkeuren, aanpassen, afwijzen) — geen vaag “klopt dit?”.
  3. Meet het reviewproces zelf: welk percentage wordt afgewezen vertelt je of de agent betrouwbaarder wordt.

Praktijkvoorbeeld (fictief)

Een administratiekantoor laat een agent inkoopfacturen van klanten verwerken. De agent leest de factuur, bepaalt grootboekrekening en btw-code en zet de boeking klaar. Facturen boven een vastgesteld bedrag of met afwijkende leveranciers gaan naar een reviewlijst. Een medewerker keurt die met één klik goed of past ze aan. Het kantoor verwerkt zo veel meer dossiers met dezelfde bezetting, zonder controle te verliezen.

Vrijblijvend

Wil je dit toepassen in je eigen zaak?

Ik help kmo's en zelfstandigen met websites, AI-chatbots en automatisering. Vraag een gratis website-check aan of stel gewoon je vraag.

Stel je vraag