23 oktober 2026Bijgewerkt op Fathy Shalaby14 min leestijd
Beslissingskader voor AI: stel grenzen voordat AI handelt
AI gaat van antwoorden schrijven naar kleine beslissingen nemen binnen echte workflows. Dit zijn de zeven onderdelen van het beslissingscontract dat productteams moeten opstellen voordat een AI-beslissing een gebruiker of systeem bereikt.
Een beslissingskader voor AI is de set regels die een productteam opstelt voordat een AI-systeem binnen een workflow iets classificeert, routeert, scoort of de volgende actie kiest. Je legt zeven dingen vast: het resultaat, de exacte vraag, de toegestane antwoorden, het bewijs dat het model mag gebruiken, de drempel om zelfstandig te handelen, de overdracht aan een mens en de vastlegging achteraf.
Belangrijkste punten
AI-beslissingen zijn nu een kant-en-klare bouwsteen. De Decisions API van OpenAI, sinds 22 oktober 2026 algemeen beschikbaar, geeft een kans, een keuze uit vaste opties of een rubricscore terug (OpenAI, 2026).
Een gestructureerd antwoord is geen productbeslissing. Volgens de eigen documentatie van OpenAI voert jouw applicatie de actie uit die het antwoord selecteert, en moet je drempels bepalen op basis van gelabelde voorbeelden en de kosten van false positives en false negatives.
Omkeerbaarheid zou het niveau van autonomie moeten bepalen. Het onderscheid van Amazon tussen eenrichtings- en tweerichtingsdeuren is een praktische leidraad (Amazon, 2015).
Menselijke controle is zwakker dan ze lijkt. In een meta-analyse binnen een review van 74 studies verhoogde fout advies van een beslissingsondersteunend systeem het risico op een onjuiste beslissing met 26% (Goddard et al., 2012).
Onder artikel 22 van de AVG hebben mensen het recht om niet te worden onderworpen aan uitsluitend geautomatiseerde besluiten met rechtsgevolgen of vergelijkbaar aanzienlijke gevolgen (EUR-Lex).
Wat is er veranderd met begrensde AI-beslissingen?
Tot voor kort schreef AI in producten vooral dingen: een chatantwoord, een samenvatting, een concept. Nu beslist AI steeds vaker dingen: of een verzoek binnen scope valt, naar welke wachtrij het gaat, hoe ernstig een probleem is, of een agent door moet gaan of om hulp moet vragen.
OpenAI maakte dat expliciet met de Decisions API, op 6 oktober 2026 uitgebracht als bèta en op 22 oktober 2026 algemeen beschikbaar. Een ontwikkelaar levert het bewijs en de vragen; de API geeft getypeerde antwoorden terug (OpenAI):
Eén optie te kiezen uit een lijst die jij aanlevert
Een van jouw waarden, met kansen en een betrouwbaarheidsveld
Score
Invoer te beoordelen op geordende niveaus, zoals ernst
Een met kans gewogen score over de niveaus
De API accepteert tekst, afbeeldingen en JSON, verwerkt tot 400 vragen per verzoek (200 tijdens de bèta) en wordt beschreven als ongeveer 10 keer sneller dan de Responses API van OpenAI. Niet-gecachete invoer kost $0,10 per miljoen tokens en uitvoertokens worden niet in rekening gebracht.
Daarmee worden AI-beslissingen een combineerbare bouwsteen, zoals zoeken of notificaties. Dat verplaatst ook het moeilijke deel. Het model is makkelijker aan te roepen geworden; het beleid eromheen is niet makkelijker te schrijven. De lastige productvraag is niet of het model snel kan beslissen. Het is wat de beslissing precies is, welk bewijs haar mag beïnvloeden en wat er gebeurt als het systeem twijfelt.
Waarom kan een begrensd antwoord een onbegrensd beleid verbergen?
Stel je een supportworkflow voor met drie mogelijke uitkomsten:
automatisch oplossen
om meer informatie vragen
doorsturen naar een mens
Die opties lijken begrensd. Het beleid erachter blijft onbepaald totdat het team een paar vervolgvragen beantwoordt:
Wat telt als genoeg informatie?
Welke acties zijn omkeerbaar?
Welke klantaccounts of probleemtypen zijn uitgesloten?
Wordt een antwoord met lage zekerheid altijd geëscaleerd?
Wat ziet de beoordelaar voordat die goedkeurt?
Hoe weten we of de escalatieregel te streng of te slap is?
Het model geeft misschien een nette choice terug. Het product blijft verantwoordelijk voor de gevolgen van die keuze. De documentatie van OpenAI zegt het zelf: de API geeft getypeerde antwoorden terug en jouw applicatie voert de acties uit die die antwoorden selecteren.
Dit telt nog zwaarder bij productontwikkeling. "Bouw de feature", "voer het experiment uit" en "negeer het verzoek" zijn geen modeluitvoer in een vacuüm. Het zijn beslissingen over gebruikers, middelen, opportuniteitskosten en toekomstige verplichtingen.
Hoe schrijf je een beslissingscontract voor een AI-workflow?
Gebruik dit sjabloon met zeven onderdelen voordat je een AI-beslissing aan een bijwerking koppelt. Het vormt de kern van het beslissingskader voor AI.
1. Benoem het resultaat
Begin bij het resultaat voor de gebruiker of het bedrijf, niet bij de taak van het model.
Zwak: "Feedback classificeren."
Sterker: "Feedback zo routeren dat het team kan beslissen of een onboardingprobleem een test verdient."
Het resultaat voorkomt dat het team een stand-in-maatstaf optimaliseert die geen productwaarde heeft.
2. Schrijf de vraag in één zin
De vraag moet te beantwoorden zijn met de beschikbare context en mag niet meerdere beslissingen in één verstoppen.
Zwak: "Is dit een waardevolle feature die we moeten bouwen?"
Sterker: "Rechtvaardigt het beschikbare bewijs een onboardingexperiment voordat we engineeringtijd vastleggen?"
De tweede versie scheidt het verzamelen van bewijs van de toezegging om te bouwen.
3. Definieer de toegestane antwoorden
Geef elk antwoord een betekenis die een mens begrijpt, plus een vervolgstap.
Antwoord
Betekenis
Vervolgstap
Een test uitvoeren
Het bewijs is sterk genoeg voor een omkeerbaar experiment
De kleinste test en de succesmaat bepalen
Bewijs verzamelen
Het signaal is aannemelijk maar onvolledig
Het ontbrekende bewijs en een eigenaar benoemen
Nu niet doorgaan
Het huidige bewijs ondersteunt de opportunity niet
De reden en een trigger voor heroverweging vastleggen
Anders / onduidelijk
Het geval past niet bij de opties
Naar een algemene reviewwachtrij sturen
Laat "ja" niet zowel "een test uitvoeren" als "de feature uitrollen" betekenen; dat zijn verschillende risiconiveaus. OpenAI raadt aan een terugvaloptie zoals "anders" op te nemen als de categorieën niet elke invoer dekken, en die gevallen te laten beoordelen.
4. Bepaal de bewijsgrens
Leg vast wat het systeem mag gebruiken: klantcitaten en supportgesprekken, productgebruiksdata, interviewthema's, opleverhistorie, marktbewijs en het tijdvenster dat telt.
Leg ook vast wat het niet stilzwijgend mag aannemen. Een model mag een ongecontroleerde aanname niet tot productfeit verheffen omdat die aanname in een prompt stond. Is het bewijs mager, dan is het juiste antwoord vaak "bewijs verzamelen", en daarom bestaat die optie.
5. Stel de drempel in op basis van de kosten van een fout
Zekerheid is geen juistheid. OpenAI adviseert gelabelde voorbeelden uit je eigen applicatie te gebruiken om drempels voor routering, filtering of review te bepalen, en ze te kiezen op basis van de kosten van false positives en false negatives.
Automatisch handelen kan redelijk zijn als de actie laag risico heeft, omkeerbaar is en makkelijk te controleren. Eis menselijke review wanneer de actie de toegang van een klant, geld, een roadmapverplichting of een blijvend record verandert. De drempel is een productbeslissing, geen modelinstelling. In het uitgewerkte voorbeeld hieronder zie je hoe je er een kiest.
6. Ontwerp de overdracht
"Human in the loop" is geen volledige workflow. Leg vast wat de beoordelaar krijgt:
het voorgestelde antwoord
het bewijs dat het heeft beïnvloed
de onzekerheid of ontbrekende context
de overwogen alternatieven
de exacte actie die op goedkeuring wacht
Een beoordelaar zou de zaak niet helemaal opnieuw moeten opbouwen, anders heeft het systeem het werk alleen verplaatst. Voor de gebruikerskant hiervan, dus wanneer het product zelf moet vragen, handelen of stoppen, zie het AI-overdrachtscontract.
7. Bewaar het bewijsstuk
Leg de vraag, context, het antwoord, het bewijs, de beoordelaar en de uitkomst vast. Dat is het verschil tussen een AI-actie en een controleerbare productbeslissing. Als het team later ontdekt dat een beslissing fout was, laat het bewijsstuk zien of de oorzaak ontbrekend bewijs, een slechte rubric, een onduidelijke optie of de verkeerde drempel was. Een sjabloon voor een productbeslissingslog werkt hiervoor ook zonder speciale tools.
Hoe kies je een zekerheidsdrempel? Een uitgewerkt voorbeeld
De getallen zijn illustratief, geen benchmark. Stel dat een saasteam van 6 mensen wil dat een AI-systeem binnenkomende supporttickets naar een van vier wachtrijen routeert en alles wat onzeker is naar een mens stuurt. Het labelt 500 oude tickets met de hand, laat ze door het model lopen en kijkt wat er bij verschillende zekerheidsdrempels zou gebeuren:
Drempel voor automatisch routeren
Automatisch gerouteerd
Verkeerde wachtrij onder automatisch gerouteerde tickets
Aan een mens overgelaten
Totale kosten
0,95
240 (48%)
1% (ongeveer 2)
260
ongeveer 570 minuten
0,85
355 (71%)
3% (ongeveer 11)
145
ongeveer 510 minuten
0,70
430 (86%)
8% (ongeveer 34)
70
ongeveer 820 minuten
De kostenkolom geeft de fouten een prijs. Het team schat dat een verkeerd gerouteerd ticket ongeveer 20 minuten vertraging en overdrachten kost, en een ticket dat aan een mens wordt overgelaten ongeveer 2 minuten triage. Bij 0,85 kosten 11 verkeerde routes 220 minuten en 145 handmatige triages 290. Bij 0,70 kosten 34 verkeerde routes 680 minuten om slechts 150 minuten triage te besparen. De drempel van 0,85 wint.
Voeg daarna de regels toe die de tabel niet kan vatten. Enterpriseaccounts en alles wat over facturering gaat, gaan altijd naar een mens, wat de score ook is. Het team controleert de drempel elke maand opnieuw aan de hand van 50 vers gelabelde tickets, omdat de mix van invoer verschuift.
Welke AI-beslissingen hebben menselijke review nodig?
Gebruik omkeerbaarheid en impact samen. Jeff Bezos beschreef ingrijpende, onomkeerbare beslissingen als eenrichtingsdeuren die langzame, zorgvuldige afweging verdienen, en omkeerbare beslissingen als tweerichtingsdeuren die snel door individuen of kleine groepen genomen moeten worden (Amazon, 2015). Het jaar daarop voegde hij toe dat de meeste beslissingen genomen moeten worden met ongeveer 70% van de informatie die je graag zou hebben (Amazon, 2016).
Toegepast op AI levert dat een autonomieladder op:
Type beslissing
Voorbeeld
Voorgestelde autonomie
Omkeerbaar, lage impact
Feedback taggen, een ticket routeren, een label voorstellen
Menselijke beslissing; eerst wettelijke verplichtingen nagaan
De laatste rij heeft in Europa juridisch gewicht. Artikel 22 van de AVG geeft mensen het recht om niet te worden onderworpen aan een besluit dat uitsluitend op geautomatiseerde verwerking is gebaseerd en rechtsgevolgen heeft of hen anderszins in aanmerkelijke mate treft, met beperkte uitzonderingen. Waar een uitzondering geldt, moet de verwerkingsverantwoordelijke minstens het recht bieden op menselijke tussenkomst, om een standpunt kenbaar te maken en om het besluit aan te vechten (EUR-Lex). Hoe de EU AI Act AI-functies indeelt, lees je in onze gids over risicoclassificatie onder de EU AI Act. Voor de algemene methode rond omkeerbaarheid lees je omkeerbaarheid als productvereiste.
Waarom is "human in the loop" op zichzelf niet genoeg?
Omdat mensen zich aan machines onderwerpen. De systematische review van Goddard, Roudsari en Wyatt in het Journal of the American Medical Informatics Association doorzocht 13.821 artikelen en nam er 74 op over automation bias, de neiging om te veel op geautomatiseerd advies te vertrouwen. In hun meta-analyse van vier studies verhoogde fout advies van een beslissingsondersteunend systeem het risico op een onjuiste beslissing met 26% (Goddard et al., 2012).
Dezelfde review vond dat werkdruk, taakcomplexiteit en tijdsdruk het overmatige vertrouwen versterkten. Factoren die het verminderden waren training, het benadrukken van de verantwoordelijkheid van de gebruiker, het tonen van bijgewerkte zekerheidsniveaus, de plek op het scherm waar het advies verschijnt en het geven van informatie in plaats van een kale aanbeveling.
Dat vertaalt zich direct naar het ontwerp van de overdracht:
Toon het bewijs vóór het oordeel, zodat beoordelaars zich een mening vormen voordat ze het antwoord van het model zien.
Toon gekalibreerde zekerheid, niet één zelfverzekerd label.
Noem bij elke goedkeuring de verantwoordelijke beoordelaar.
Houd de reviewtijd in de gaten. Als goedkeuringen elk 3 seconden duren, wordt er afgestempeld.
Zaai af en toe bekende fouten om te controleren of beoordelaars ze nog opmerken.
Wie agents bouwt, krijgt hetzelfde probleem op grotere schaal. De richtlijnen van Anthropic over agents raden aan te pauzeren voor menselijke feedback bij checkpoints of wanneer de agent vastloopt, stopvoorwaarden toe te voegen zoals een maximum aantal iteraties, en uitgebreid te testen in sandbox-omgevingen omdat fouten zich opstapelen (Anthropic, 2024).
Een illustratieve productworkflow: de onboardingvraag
Dit is een illustratieve workflow, geen gerapporteerd klantcase. Een klein team hoort steeds dat nieuwe gebruikers in de war raken tijdens de onboarding. Het zou een AI-systeem kunnen vragen of het een grote onboardingherziening moet bouwen, maar die vraag is te breed en te duur om te automatiseren.
Een beter beslissingscontract:
Resultaat: meer gebruikers laten komen tot de eerste waarde, zonder zich te vroeg vast te leggen op een grote herziening.
Vraag: rechtvaardigt het huidige bewijs een klein onboardingexperiment?
Toegestane antwoorden: een test uitvoeren, bewijs verzamelen, nu niet doorgaan of anders.
Bewijs: recente supportgesprekken, interviewnotities, activatiegedrag en de huidige onboardingflow, van de afgelopen 60 dagen.
Drempel: elke aanbeveling die de roadmap verandert, wordt beoordeeld door de product owner, ongeacht de zekerheid.
Bewijsstuk: bronfragmenten, onbekenden, aanbeveling, eigenaar en vervolgmaatstaf samen bewaard.
De AI kan het bewijs ordenen en een begrensde aanbeveling doen. Ze mag die aanbeveling niet stilletjes omzetten in een roadmapverplichting. Dit is het midden tussen twee slechte uitersten: AI als passieve tekstgenerator die meer sorteerwerk oplevert, en AI als autonome beslisser die het team zonder review vastlegt.
Hoe moeten productteams een AI-beslissingsfeature beoordelen?
Als een leverancier een snelle demo laat zien, stel dan deze vijf vragen.
Is de beslissing echt begrensd?
Kun je elke mogelijke uitvoer opsommen? Als het antwoord "dat hangt ervan af" is, vraag dan welke afhankelijkheden expliciet zijn en welke verborgen zitten in de prompt of het modelgedrag.
Wat kost elke fout?
False positives en false negatives zijn niet inwisselbaar. Eén laagrisicoticket ter review sturen is iets anders dan de toegang van een klant wijzigen of een kwartaal engineeringwerk vastleggen. De gids over het evaluatiekader voor AI laat zien hoe je elk fouttype apart test.
Kan het team het bewijs inzien?
Een score zonder invoer is een nieuw soort ondoorzichtig statuslabel. Het product moet het bewijs toetsbaar maken zonder te doen alsof de uitleg van het model het antwoord bewijst.
Is de actie omkeerbaar?
Begin met automatiseren bij acties die ongedaan gemaakt kunnen worden en waarvan de gevolgen zichtbaar zijn. Verdien bredere autonomie met bewijs, niet met enthousiasme over de demo.
Leert het systeem van uitkomsten?
Als een beoordelaar een aanbeveling overruled, waar wordt dat vastgelegd? Zonder uitkomstenlus herhaalt de workflow dezelfde fout, alleen met lagere latentie.
Veelgemaakte fouten bij het automatiseren van AI-beslissingen
Beslissingen in één vraag mengen. "Moeten we dit bouwen?" bundelt waarde, kosten en timing. Splits ze.
De zekerheidsscore voor nauwkeurigheid aanzien. Een zekerheid van 0,9 betekent pas iets nadat je haar aan gelabelde gevallen hebt getoetst.
De drempel maar één keer instellen. Invoer driftt; controleer hem periodiek opnieuw met verse labels.
Afstempelreview. Een menselijke goedkeuring van 3 seconden is geen toezicht.
Geen "anders"-optie. Elk geval in een bekende bak persen verbergt de gevallen die je niet had voorzien.
Eerst een eenrichtingsdeur automatiseren. Begin met omkeerbare beslissingen en vergroot de scope naarmate de bewijsstukken laten zien dat het werkt.
Waar Specky past
Specky werkt op de laag tussen verspreide signalen en de volgende productbeslissing. Het leest klantgesprekken, feedback, Slack, Jira en analytics in een Product Graph, laat een team het bewijs achter een productvraag inspecteren en legt de beoordeelde keuze vast in een Decision Log dat gekoppeld is aan de resulterende spec en, na de lancering, aan de vraag of de gok uitpakte. De grens is bewust: de software stelt het werk op en verbindt het; mensen beslissen wat het bewijs rechtvaardigt. De pagina over product-intelligencefuncties laat zien hoe dat spoor wordt bijgehouden.
Veelgestelde vragen
Wat is een beslissingskader voor AI?
Een beslissingskader voor AI is een schriftelijk contract voor elke geautomatiseerde beslissing in een product: het resultaat dat ze dient, de exacte vraag, de toegestane antwoorden, het bewijs dat ze mag gebruiken, de zekerheidsdrempel om zelfstandig te handelen, de menselijke overdracht en de vastlegging. Het maakt van een modeluitvoer een toetsbaar productbeleid.
Is gestructureerde uitvoer genoeg om een AI-beslissing veilig te maken?
Nee. Gestructureerde uitvoer maakt het antwoord makkelijker te verwerken voor software. Veiligheid en bruikbaarheid hangen nog steeds af van de vraag, de bewijsgrens, de kosten van elke fout, de reviewregel en of de actie omkeerbaar is. De Decisions-documentatie van OpenAI laat de resulterende actie aan jouw applicatie over.
Wanneer mag een AI-systeem zonder menselijke review handelen?
Laat AI eerst zelfstandig handelen bij laagrisico- en omkeerbare beslissingen met een duidelijke set antwoorden en een zichtbaar resultaat, zoals taggen of routeren. Eis review wanneer een actie de toegang van een klant, geld, roadmapverplichtingen of blijvende records verandert, of een persoon aanzienlijk raakt, waar artikel 22 van de AVG kan gelden.
Hoe stel je een zekerheidsdrempel in voor AI-beslissingen?
Label een paar honderd echte gevallen, laat ze door het model lopen en vergelijk de foutpercentages bij verschillende drempels. Geef elk fouttype een prijs, zoals de kosten van een verkeerde actie tegenover een handmatige review, en kies de drempel met de laagste totale kosten. Controleer hem regelmatig opnieuw met vers gelabelde gevallen.
Neemt een menselijke beoordelaar het risico op AI-fouten weg?
Niet op zichzelf. Een systematische review van automation bias vond dat fout advies van beslissingsondersteunende systemen het risico op onjuiste beslissingen met 26% verhoogde. Je vermindert dat door bewijs en zekerheid te tonen, een verantwoordelijke beoordelaar te benoemen, tijdsdruk te beperken en te controleren hoe snel goedkeuringen gaan.
Vervangt een AI-decisions-API productoordeel?
Nee. Het is een implementatiebouwsteen voor begrensde beslissingen binnen een applicatie. Productoordeel bepaalt nog steeds het resultaat, de afwegingen, de drempels en het aanvaardbare risico, en beslist welke beslissingen menselijk blijven. De API maakt het makkelijker een opgeschreven beleid uit te voeren; ze schrijft het beleid niet.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing