Het antwoord is dat je ook met een klein budget een menselijke check in AI-processen kunt inbouwen, zonder dure systemen zoals Dataminr. De kern is dat AI het gros van de meldingen afhandelt, maar dat een mens bijtankt bij complexe of gevoelige situaties. Dat principe is niet voorbehouden aan grote organisaties.

Wat er aan de hand is

Dataminr, een bedrijf dat realtime data-analyse levert voor onder meer nieuws en crisismanagement, heeft een systeem ontwikkeld waarbij AI het grootste deel van de meldingen automatisch verwerkt. Alleen bij genuanceerde of risicovolle situaties schakelt het systeem een menselijke beoordelaar in. Volgens AIbusiness houdt het bedrijf hiermee ‘de mens in de loop’. Dit model is een voorbeeld van hoe AI en menselijke expertise elkaar kunnen aanvullen, zonder dat de mens elke stap hoeft te controleren. Voor kleinere bedrijven is dit principe goed te vertalen naar eigen processen, zonder de schaal of het budget van Dataminr.

Wat dit betekent

Voor MKB’ers betekent dit dat je niet hoeft te kiezen tussen volledige automatisering en volledige handmatige controle. Het Dataminr-model laat zien dat je AI kunt laten doen waar het goed in is – snel veel data verwerken – en alleen de uitzonderingen aan een mens kunt voorleggen. Dit is relevant voor sectoren zoals klantenservice, financiële administratie, voorraadbeheer of contentmoderatie. Het bespaart tijd en geld, maar voorkomt ook dat fouten of missers onopgemerkt blijven. Het gaat niet om dure software, maar om een slimme werkwijze.

Hoe je dit kunt toepassen

Als je een webshop runt en klantvragen automatisch beantwoordt met een chatbot, dan kun je instellen dat de chatbot alleen standaardvragen zelf afhandelt. Bij vragen over retouren, klachten of specifieke productinformatie stuurt de chatbot een seintje naar jou of een medewerker. Je zou kunnen beginnen met een eenvoudige regel: als de klant een woord als ‘klacht’ of ‘schade’ gebruikt, wordt de vraag doorgestuurd naar een mens. Zo houd je grip op gevoelige situaties zonder elke vraag zelf te hoeven lezen.

Als je een team aanstuurt en AI gebruikt om sollicitatiebrieven te screenen, dan kun je AI de eerste selectie laten doen op basis van harde criteria zoals opleiding of ervaring. Maar bij twijfelgevallen of bij brieven die net buiten de standaard vallen, laat je een menselijke recruiter meekijken. Een mogelijkheid is om een drempel in te bouwen: als de AI een kandidaat als ‘grensgeval’ classificeert, krijg jij een melding. Zo voorkom je dat goede kandidaten door de mazen van het net glippen.

Als je in de financiële administratie werkt en AI gebruikt om facturen te verwerken, dan kun je AI alle facturen laten controleren op basis van vaste regels, zoals bedragen en btw-nummers. Alleen facturen die afwijken van het patroon – bijvoorbeeld een onbekende leverancier of een ongebruikelijk hoog bedrag – leg je voor aan een medewerker. Overweeg om een eenvoudige rapportage in te stellen die je elke ochtend de uitzonderingen toont. Zo blijf je efficiënt zonder risico op fouten.

Als je content beheert voor een website of social media en AI inzet voor het modereren van reacties, dan kun je AI reacties laten goedkeuren of afkeuren op basis van trefwoorden. Maar bij reacties die de AI als ‘onduidelijk’ markeert, schakel je een menselijke moderator in. Je zou kunnen beginnen met een aparte map of tag voor deze twijfelgevallen. Zo voorkom je dat onterecht geweigerde of juist ongewenste reacties online komen.

De praktische toepassing hangt af van jouw specifieke situatie, maar het principe is overal hetzelfde: laat AI het standaardwerk doen, maar behoud de menselijke check voor de uitzonderingen.

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