Het antwoord is dat je ook met beperkt budget een menselijke check kunt inbouwen in AI-processen, zonder dure systemen zoals Dataminr. De kern is eenvoudig: laat AI de bulk van het werk doen, maar behoud een vast moment waarop een mens het belangrijkste beoordeelt.

Wat er aan de hand is

Dataminr, een bedrijf dat realtime-alerts genereert uit openbare data, heeft een aanpak ontwikkeld waarbij AI de meeste meldingen afhandelt, maar mensen de regie houden bij complexe of gevoelige situaties. Volgens AI Business is dit model effectief omdat AI snel is in het herkennen van patronen, maar nog niet in staat is om context, nuance of onverwachte wendingen goed te beoordelen. Dit principe is niet exclusief voor grote organisaties. Het laat zien dat menselijke controle een onmisbaar onderdeel is van elke AI-implementatie, ongeacht de schaal.

Wat dit betekent

Voor ondernemers en professionals in het MKB betekent dit dat je niet hoeft te investeren in dure, complexe systemen om betrouwbare AI in te zetten. Het Dataminr-model laat zien dat de menselijke check niet geautomatiseerd hoeft te worden. Het gaat om het bewust inplannen van een moment waarop een medewerker de output van AI beoordeelt, vooral bij beslissingen met risico. Dit is relevant voor vrijwel elke sector: van klantenservice tot marketing, van voorraadbeheer tot financiële planning. De valkuil is dat bedrijven AI blind vertrouwen, wat kan leiden tot fouten die met een simpele check voorkomen hadden kunnen worden.

Hoe je dit kunt toepassen

Als je een webshop runt en AI gebruikt voor prijsaanpassingen of voorraadadvies, dan kun je een eenvoudige regel instellen: alle voorstellen boven een bepaalde drempelwaarde, bijvoorbeeld een prijsverlaging van meer dan 10 procent, worden eerst door een medewerker beoordeeld. Je zou een wekelijkse check kunnen inplannen waarin je de AI-adviezen doorneemt, in plaats van ze automatisch te laten uitvoeren. Dit kost weinig tijd, maar voorkomt dat een algoritme onbedoeld verliesgevende beslissingen neemt.

Als je een team aanstuurt dat AI gebruikt voor het genereren van content, zoals nieuwsbrieven of social media-berichten, overweeg dan om een vast reviewmoment in te bouwen voordat iets de deur uitgaat. Laat een collega de output controleren op toon, feiten en relevantie. Dit hoeft geen uitgebreid proces te zijn; een korte blik van tien minuten per dag kan al veel problemen voorkomen. Een mogelijkheid is om een checklist te maken met punten waarop de AI-output moet worden gecheckt, zoals consistentie met de merkstem en actualiteit.

Als je in de zorg werkt en AI gebruikt voor het sorteren van patiëntgegevens of het voorstellen van behandelopties, dan is een menselijke check cruciaal. Je zou een systeem kunnen opzetten waarbij AI een eerste selectie maakt, maar een arts of verpleegkundige altijd de eindverantwoordelijkheid houdt. Dit kan door een eenvoudige regel in te bouwen: bij elke afwijking van het standaardprotocol wordt de AI-output gemarkeerd voor menselijke beoordeling. Dit is niet alleen veiliger, maar ook juridisch verstandig.

Als je een administratief proces automatiseert, zoals factuurverwerking of klantclassificatie, dan kun je een steekproefsgewijze controle inzetten. Laat AI 90 procent van de facturen automatisch verwerken, maar laat een medewerker elke tiende factuur controleren. Dit geeft je een vinger aan de pols zonder dat het proces vertraagt. Een optie is om de steekproef te richten op facturen boven een bepaald bedrag, waar de kans op fouten grotere gevolgen heeft.

Bron: AI Business (https://aibusiness.com/generative-ai/how-dataminr-kept-the-human-in-the-loop)