Volledige AI-automatisering is vaak het verkeerde startpunt
Veel AI-plannen beginnen met een te grove vraag: kunnen we dit hele proces automatiseren? Daarmee krijgen eenvoudige gevallen onnodig dure behandeling en wordt de menselijke review overspoeld met werk dat software al betrouwbaar kon afhandelen.
Een nuttiger ontwerpvraag is: welk deel van de werkvoorraad heeft werkelijk AI nodig? In een dossierstroom zijn meestal drie groepen te onderscheiden. Routinegevallen voldoen aan heldere regels. Twijfelgevallen bevatten genoeg context voor een model, maar te veel variatie voor eenvoudige software. Echte uitzonderingen vragen om menselijk oordeel, aanvullende informatie of een besluit van een proceseigenaar.
De waarde ontstaat niet door één groep zo groot mogelijk te maken. De waarde ontstaat door ieder geval naar de goedkoopste betrouwbare route te sturen.
Een productiecase maakt die verdeling meetbaar
Een nieuw paper van onderzoekers van Pinterest beschrijft een grootschalige workflow voor kwaliteitscontrole van visuele content. De bestaande lichte modellen bleven het eerste filter. Een vision-language-model werd alleen ingezet voor de grijze zone die daarna overbleef. De output was geen autonome eindbeslissing, maar een score waarmee de workflow bepaalde wat automatisch kon passeren en wat naar menselijke beoordeling ging.
Na drie weken schaduwdraaien werd deze route in productie genomen. Binnen de onderzochte grijze zone steeg het aandeel automatisch gepasseerde gevallen van 20,48% naar 41,99%, terwijl het geschatte percentage gemiste relevante gevallen licht daalde van 13,62% naar 13,18%. De reviewproductiviteit nam volgens het paper met 25,7% toe, de genormaliseerde operationele kosten daalden met 16,2% en het eindsignaal verschoof van de volgende dag naar dezelfde dag.
Die cijfers horen bij één interne contentworkflow en zijn niet rechtstreeks overdraagbaar naar logistiek, productie of zakelijke dienstverlening. Het patroon is wel breed bruikbaar: laat goedkope, voorspelbare componenten het makkelijke werk doen en reserveer zwaardere AI voor de gevallen waar die aantoonbaar verschil maakt.
Ontwerp de werkverdeling, niet alleen het model
Modelselectie is slechts één onderdeel van deze aanpak. De kern is een expliciet routeringscontract tussen software, AI en mensen.
- Routine: bestaande regels, zoekfuncties of gespecialiseerde modellen handelen gevallen af die ruim binnen bekende grenzen vallen.
- Grijze zone: AI combineert context, herkent nuance en geeft een uitkomst of onderbouwd voorstel.
- Uitzondering: een medewerker krijgt het geval, de relevante context en de reden van escalatie.
Dat contract moet aansluiten op de foutkosten van het proces. Bij een interne classificatie kan een lage drempel acceptabel zijn. Bij een betaling, contractwijziging of veiligheidsbesluit ligt de grens anders. Een ruwe zelfgerapporteerde zekerheid van een taalmodel is daarvoor onvoldoende; de route moet worden gekalibreerd op echte procesuitkomsten.
Onderzoek naar selective prediction en menselijke samenwerking onderstreept bovendien dat doorverwijzen alleen werkt als de mens de overgedragen gevallen ook daadwerkelijk goed kan beoordelen. Een escalatie is dus geen prullenbak voor alles wat het model lastig vindt.
Menselijke capaciteit is onderdeel van de architectuur
Een workflow kan technisch correct routeren en toch vastlopen als alle moeilijke gevallen bij één specialist terechtkomen. Leg daarom vóór de bouw vast hoeveel gevallen een team per dag kan beoordelen, welke informatie bij iedere overdracht nodig is en binnen welke tijd een besluit moet vallen.
Maak ook zichtbaar waarom een geval is doorgezet. Zonder dossiercontext, relevante bronnen en een duidelijke beslisvraag moet de reviewer het onderzoek opnieuw doen. Dan verplaatst AI alleen de wachttijd.
De beste route minimaliseert daarom niet het aantal menselijke handelingen tegen iedere prijs. Zij maximaliseert betrouwbare doorstroming: routine zonder onnodige frictie, AI waar variatie dat rechtvaardigt en menselijke aandacht waar de gevolgen of onzekerheid dat eisen.
Meet de verdeling als één operationeel systeem
Een los modelpercentage zegt weinig over de bedrijfswaarde. Meet minimaal vijf uitkomsten naast elkaar:
- welk aandeel iedere route verwerkt;
- hoeveel relevante gevallen onterecht automatisch passeren;
- hoeveel werk reviewers per uur of dag goed afronden;
- de kosten per afgehandeld geval;
- de totale tijd van binnenkomst tot bruikbare uitkomst.
Let daarbij op een blinde vlek: automatisch gepasseerde gevallen krijgen vaak geen menselijke beoordeling en leveren dus minder feedback op. De productiecase schat de miss rate met steekproeven en correctie voor die selectieve observatie. Ook in een bedrijfsworkflow is periodieke controle van de makkelijke route nodig; anders leert het dashboard vooral van de problemen die al zichtbaar waren.
Begin met de grijze zone
Voor een eerste operationele AI-workflow is de grijze zone vaak een betere scope dan het volledige proces. Kies één werkvoorraad, breng de huidige beslisregels en uitzonderingen in kaart en meet hoeveel gevallen nu zonder specialistisch oordeel af te handelen zijn. Laat AI vervolgens alleen concurreren om het resterende, tijdrovende middenstuk.
Zo wordt de businesscase concreet. Niet: hoeveel taken kan het model theoretisch overnemen? Wel: hoeveel betrouwbare capaciteit voegen we toe zonder fouten, kosten of wachtrijen naar een andere plek te verplaatsen?
Dat is hoe AI echt gaat meewerken in de operatie: niet als duur universeel antwoord, maar als één doelgerichte laag in een goed ontworpen werkverdeling.