Human in the loop betekent dat een mens AI-output beoordeelt, aanpast of tegenhoudt voordat die output gevolgen krijgt. De AI levert een voorstel, de mens beslist. Daarmee blijft de verantwoordelijkheid liggen waar ze hoort: bij de professional die de output gebruikt, niet bij het model dat hem genereerde.
Bij generatieve AI zit die controlestap tussen het concept en het moment dat een tekst, advies of handeling de organisatie verlaat. Human on the loop is een lichtere variant, waarbij de mens toezicht houdt en alleen ingrijpt bij afwijkingen.
Voor hoog-risico-AI schrijft de AI-verordening menselijk toezicht voor, en de AVG beschermt tegen besluiten die volledig geautomatiseerd tot stand komen. Een controle die op papier bestaat maar in de praktijk alles doorlaat, telt niet. Bij AI agents die zelf handelingen uitvoeren, wordt de plek van de controlestap belangrijker dan bij een chatbot.
Op een klein kantoor komt human in the loop neer op een vastgelegde reviewstap per taak, met een naam erbij. Hoe die stap eruitziet, verschilt per beroepsgroep.
Wat betekent human in the loop?
Human in the loop is een manier van werken waarin een mens een vaste schakel is in het proces van een AI-systeem. Zonder goedkeuring van die mens gaat de output niet verder.
In machine learning stond de term lang voor mensen die trainingsdata beoordeelden en voorspellingen corrigeerden, zodat het model leerde van die correcties. Bij generatieve AI zoals ChatGPT, Claude en Copilot verschuift de betekenis naar de gebruiksfase: de mens controleert wat het model produceert, niet hoe het model wordt getraind.
De Europese High-Level Expert Group on AI noemde menselijke autonomie en toezicht in april 2019 als eerste van zeven eisen voor betrouwbare AI. Human in the loop is de strengste invulling van die eis, omdat de mens bij elke beslissing betrokken is in plaats van achteraf.
Hoe werkt human in the loop bij generatieve AI?
Human in the loop bij generatieve AI werkt als een poort tussen concept en gebruik. Een taalmodel levert een concepttekst, samenvatting of analyse, en een mens toetst die tegen de bron voordat iemand er iets mee doet.
Die toets is nodig omdat een taalmodel tekst genereert op basis van patronen, niet op basis van gecontroleerde feiten. Een model levert een overtuigend geformuleerd antwoord met een verzonnen wetsartikel net zo vloeiend als een correct antwoord. Aan de toon zie je het verschil niet.
De controlestap bestaat in de praktijk uit drie handelingen: feiten en bronnen nalopen, beoordelen of de output past bij de situatie van de klant, en beslissen of de tekst ongewijzigd, aangepast of helemaal niet wordt gebruikt. Wie die laatste beslissing neemt, draagt de verantwoordelijkheid.
Wat is het verschil met human on the loop?
Human on the loop verschilt van human in the loop in het moment waarop de mens ingrijpt. Bij human in the loop keurt de mens elke uitkomst goed voordat die gevolgen krijgt. Bij human on the loop draait het systeem zelfstandig en houdt de mens toezicht, met de mogelijkheid om in te grijpen bij afwijkingen.
Een derde variant is human in command: de mens beslist of en waarvoor een AI-systeem wordt ingezet, en stopt het gebruik zodra dat nodig is. Human in command zit boven de andere twee en hoort bij de directie of de eigenaar van een kantoor.
De keuze tussen in en on the loop hangt af van wat een fout kost. Een interne samenvatting van een vergadering verdraagt toezicht achteraf. Een brief aan een cliënt, een advies of een akte verdraagt dat niet, want een fout is dan al bij de ontvanger voordat iemand hem ziet.
Wanneer is menselijk toezicht wettelijk verplicht?
Menselijk toezicht is wettelijk verplicht bij AI-systemen met een hoog risico onder de AI-verordening, en bij besluiten met rechtsgevolgen onder de AVG. Voor het meeste kantoorgebruik van taalmodellen geldt geen van beide verplichtingen rechtstreeks, maar de beroepsregels en de aansprakelijkheid van de professional blijven gewoon van kracht.
Wat vraagt de AI-verordening?
De AI-verordening vraagt in artikel 14 dat hoog-risico-AI-systemen zo zijn ontworpen dat natuurlijke personen er effectief toezicht op houden. Volgens artikel 14 lid 4 stelt het systeem die persoon in staat de beperkingen ervan te begrijpen en de output juist te interpreteren. Diezelfde persoon krijgt de ruimte om de output te negeren, te overrulen of terug te draaien.
Artikel 26 lid 2 legt de plicht bij de gebruiksverantwoordelijke: die wijst toezicht toe aan mensen met de nodige bekwaamheid, opleiding en bevoegdheid. Voor hoog-risicosystemen uit bijlage III geldt dat vanaf 2 december 2027. Een tekstassistent voor conceptbrieven valt meestal niet onder hoog risico. Voor AI Act compliance telt dan vooral artikel 4, de AI-geletterdheidsplicht die voor elke organisatie geldt.
Wat vraagt de AVG?
De AVG geeft in artikel 22 iedereen het recht, op enkele uitzonderingen na, om niet te worden onderworpen aan een besluit zonder mens in de lus. Artikel 22 gaat over besluiten die uitsluitend op geautomatiseerde verwerking berusten en rechtsgevolgen hebben of iemand in aanmerkelijke mate treffen. Een kredietafwijzing of een automatische selectie van sollicitanten zijn de bekende voorbeelden.
Volgens de richtsnoeren van de Europese privacytoezichthouders haalt een menselijke handtekening onder een besluit dat in werkelijkheid door een systeem is genomen, dat besluit niet onder artikel 22 vandaan. Een geldige toets vraagt een beoordelaar met de bevoegdheid en de informatie om tot een ander besluit te komen. Daarmee raakt de AVG aan dezelfde vraag als de volgende sectie: is de controle echt?
Wanneer is menselijke controle alleen schijn?
Menselijke controle is schijn wanneer de beoordelaar in de praktijk niet afwijkt van de AI-output, ook als dat nodig is. De AI-verordening noemt het mechanisme erachter in artikel 14 lid 4 bij naam: automation bias, de neiging om automatisch te vertrouwen op wat een systeem produceert.
Vier signalen wijzen op schijncontrole:
- Gebrek aan vakkennis bij de beoordelaar om een fout in de output te herkennen.
- Reviewtijd die zo krap is dat alleen opmaak en spelling aan bod komen.
- Extra werk of verantwoording bij afwijken van de output, geen enkele drempel bij akkoord.
- Geen registratie van hoe vaak de beoordelaar iets aanpast of afkeurt.
Die laatste is het makkelijkst te meten. Een beoordelaar die maandenlang nul correcties registreert, controleert vermoedelijk niet. Elk taalmodel levert fouten op, zoals een verkeerde datum of een verzonnen bron.
Hoe houd je een mens in de lus bij AI-agents?
Om een mens in de lus te houden bij AI-agents, leg je de controlestap vóór elke handeling die niet terug te draaien is. Een agent voert zelf stappen uit, zoals een mail versturen, een dossier bijwerken of een bestand verwijderen, en dat maakt het moment van controle anders dan bij een chatbot.
Bij een chatbot zit de controle aan het eind, want er komt alleen tekst uit. AI-agents werken in ketens van stappen, en een fout in stap twee werkt door in stap vijf voordat een mens iets ziet. De werkbare oplossing is een goedkeuringspunt per type handeling: lezen en opstellen mag zelfstandig, versturen, betalen en verwijderen pas na akkoord.
Leg daarnaast vast welke rechten een agent krijgt. Een agent die alleen conceptmails in een map zet, heeft een beperkte foutmarge. Een agent met schrijfrechten op het klantdossier heeft dat niet.
Hoe richt je een controlestap in op een klein kantoor?
Om een controlestap voor human in the loop in te richten op een klein kantoor, koppel je per AI-taak drie dingen aan elkaar: het risiconiveau van de taak, de persoon die controleert en wat die persoon precies controleert. Een kantoor van tien medewerkers heeft daar geen compliance-afdeling voor nodig.
Bij de bank werkte ik onder meer op de fraudeafdeling, waar alles via het vier-ogen-principe liep. Diezelfde controle pas ik toe in al mijn AI-workflows, met een controle-intensiteit die meebeweegt met het risico: een interne notitie krijgt een lichtere toets dan een gepubliceerd artikel of een klantadvies.
Drie maatregelen maken de controlestap concreet. Test een nieuwe werkwijze eerst op een kleine sample voordat het hele team ermee werkt. Log prompts en output, zodat je later terugvindt waar een fout vandaan kwam.
Benoem daarnaast eerlijk wat het zwakste punt is. In mijn eigen werkwijze is dat de feitencheck op bronnen en cijfers, een valkuil die veel professionals delen. Daar zit de kern van verantwoord AI-gebruik in een organisatie: geen verbod op tools, wel afspraken over wat er na de output gebeurt.
Hoe ziet de controlestap eruit per beroepsgroep?
Human in the loop ziet er per beroepsgroep anders uit, omdat elke beroepsgroep andere fouten zwaar laat wegen. Hieronder staat per sector waar de controlestap het eerst nodig is.
Hoe ziet dat eruit op een notariskantoor?
Op een notariskantoor ligt de controlestap bij de notaris of kandidaat-notaris die de akte passeert: die persoon is de human in the loop en draagt de verantwoordelijkheid uit de Wet op het notarisambt. De KNB AI-weegschaal van november 2025 is het vertrekpunt om per toepassing te bepalen hoeveel menselijke beoordeling nodig is.
Concreet: AI-concepten van cliëntsamenvattingen en correspondentie worden getoetst op feiten uit het dossier, en geen enkel AI-concept van een akteclausule gaat zonder juridische toets naar een cliënt. Wie AI governance voor het notariaat opzet, legt die toets per akte-type vast, met daarbij welke gegevens de geheimhoudingsplicht uit artikel 22 Wna buiten het model houdt.
Hoe ziet dat eruit op een accountantskantoor?
Op een accountantskantoor ligt de controlestap bij de accountant die verantwoordelijk is voor het dossier: die persoon is de human in the loop, en de stap hoort vastgelegd als beheersingsmaatregel in het kwaliteitssysteem. Kantoren met assurance- of samenstelopdrachten werken uiterlijk per 1 januari 2027 volgens de NVKM, en daarin past een vaste reviewstap op AI-output.
De zwaarste controle hoort bij cijfers: een AI-samenvatting van een jaarrekening of een berekening wordt getoetst tegen de bron, niet tegen de eigen indruk. Teksten zoals een begeleidende brief of een interne notitie verdragen een lichtere toets.
Hoe ziet dat eruit op een marketingbureau?
Op een marketingbureau ligt de controlestap bij de accountmanager of eindredacteur die de content namens de klant publiceert, als human in the loop tussen AI-concept en publicatie. Die toetst op feitelijke claims over het product, op de merkstem van de klant en op beweringen die de klant juridisch niet waarmaakt.
Voor SEO-content weegt die controle zwaarder sinds de core update van Google van december 2025. In mijn eigen SEO-werk zag ik sindsdien dat generieke AI-content zonder menselijke bewerking in verkeer zakte, terwijl content met een herkenbaar perspectief en eigen voorbeelden stabiel bleef.
Hoe leg je menselijke controle vast in een AI-richtlijn?
Menselijke controle leg je vast door in een AI-richtlijn per taak te beschrijven wie de output controleert, waarop die persoon controleert en wanneer output ongebruikt blijft. Zo staat human in the loop in de dagelijkse werkwijze van het team, en niet uitsluitend in een beleidsstuk.
Een bruikbare AI-richtlijn bevat per taak het risiconiveau, de verantwoordelijke beoordelaar, de controlepunten en de gegevens die niet in een AI-tool mogen. Wie start met AI in het team, begint daarom bij één of twee processen met een duidelijke controlestap, in plaats van bij een organisatiebreed beleid. In de AI-geletterdheid cursus richt je die controlestap in met opdrachten op je eigen werk. De mens blijft verantwoordelijk, en een goed ingerichte loop maakt die verantwoordelijkheid uitvoerbaar.
Veelgestelde vragen over human in the loop
Human in the loop roept ook de vraag op wie of wat precies als controleur telt.
Telt een tweede AI-model als human in the loop?
Nee, een tweede AI-model dat de output controleert, telt niet als human in the loop, omdat de controle dan nog steeds geautomatiseerd is. Artikel 14 lid 1 van de AI-verordening vraagt dat natuurlijke personen effectief toezicht houden op hoog-risico-AI. Een controlemodel kan fouten helpen vinden, maar de beslissing over het gebruik van de output blijft bij een mens.
Schrijft de wet ergens een vier-ogen-principe voor AI voor?
Ja, de AI-verordening schrijft een vier-ogen-principe voor bij systemen voor biometrische identificatie op afstand uit bijlage III. Volgens artikel 14 lid 5 mag de gebruiksverantwoordelijke niets doen op basis van zo’n identificatie, tenzij minstens twee bevoegde natuurlijke personen die apart hebben gecontroleerd en bevestigd. Die eis geldt vanaf 2 december 2027. Bij andere AI-toepassingen noemt de verordening geen tweede beoordelaar, al kunnen beroepsregels of de eigen werkwijze erom vragen.
Is RLHF een vorm van human in the loop?
RLHF, reinforcement learning from human feedback, is een vorm van human in the loop tijdens de training van een model, niet tijdens het gebruik. Bij InstructGPT schreven beoordelaars voorbeeldantwoorden en rangschikten ze antwoorden van het model, waarna het model met die rangschikkingen verder werd bijgesteld. Die feedback verandert het model in het algemeen, maar controleert geen enkel concept dat jij vandaag naar een cliënt stuurt.
