Hoe goed moet je AI-output controleren?

"Hoe goed moet ik dit eigenlijk nakijken?" Het is een vraag die je jezelf bij bijna elke AI-taak zou kunnen stellen, maar in de praktijk zelden hardop stelt. Soms lees je alles regel voor regel na, soms scan je het even en druk je op versturen. Waar ligt de grens tussen zorgvuldig en overdreven, en tussen soepel en slordig? Hieronder een nuchtere afweging, zonder pasklaar antwoord. Want dat antwoord bestaat waarschijnlijk niet.

Het korte antwoord

Er is geen vast percentage dat "genoeg" controle is. De meeste mensen kijken risico-gebaseerd na: streng waar een fout echt pijn doet, lichter waar de gevolgen klein zijn. Dat is verdedigbaar. Het gevaar zit niet in bewust minder controleren, maar in de sluipende gewenning: hoe vaker de output klopt, hoe minder je nog echt kijkt, zonder dat je die keuze ooit maakte. En de verantwoordelijkheid voor het eindresultaat blijft bij jou, hoe goed het gereedschap ook lijkt.

Wat de cijfers laten zien

Nederlanders zijn kritisch op AI, tenminste op papier. In de Nationale AI Vertrouwensmonitor van KPMG en Ipsos I&O (ruim duizend Nederlanders) zegt 70% de AI-output standaard te controleren, en vindt 84% menselijke supervisie cruciaal bij belangrijke beslissingen. Uit de AI-Barometer van MSI-ACI blijkt bovendien dat 88% AI minder betrouwbaar vindt dan een mens.

Dat wantrouwen klinkt geruststellend. Maar het roept ook een vraag op: als bijna iedereen zegt te controleren, hoe grondig gebeurt dat dan echt? Zeggen dat je nakijkt en daadwerkelijk regel voor regel meelezen zijn twee verschillende dingen, en dat verschil wordt groter naarmate AI vaker gelijk blijkt te hebben.

Risico-gebaseerd controleren: niet alles verdient evenveel

Een verdedigbare aanpak is om je aandacht te richten waar het ertoe doet. Een interne brainstormlijst hoeft niet dezelfde controle als een offerte die naar een klant gaat, een cijfer in een jaarverslag of een juridische passage. Fout in het eerste geval: jammer. Fout in het tweede: schade.

Zo verwoordt een van de kaarten het:

"Niet al het AI-werk verdient dezelfde controle. Bij sommige taken check ik bewust alleen de plekken waar een fout echt pijn zou doen, de rest laat ik staan. Dat is geen luiheid maar een keuze."

De kracht van deze houding is dat ze eerlijk is: je erkent dat volledige controle niet altijd realistisch of nodig is. Het risico is dat "waar een fout pijn doet" rekbaar wordt, en dat je die grens onbewust verschuift naarmate je meer haast of meer vertrouwen krijgt. Waar leg jij die grens, en klopt hij nog met wat je vorig jaar zou hebben gezegd? Bespreek het met je team.

De sluipende gewenning

Vertrouwen in AI groeit zelden door een besluit. Het sluipt erin. De eerste weken lees je alles kritisch na, want je kent het gereedschap nog niet. Het klopt, en nog eens, en nog eens. En zonder dat je het merkt, verschuift je standaard van "controleren tenzij" naar "doorlaten tenzij".

Een kaart legt precies dat moment bloot:

"Toen ik met AI begon, controleerde ik alles. Inmiddels lees ik het meeste alleen nog snel door, want de vorige keren klopte het toch."

Is dat erg? Niet per se. Gewenning is ook gewoon leren wat je gereedschap wel en niet goed kan. Het wordt pas een probleem als de foutkans niet meeschaalt met de inzet: juist wanneer je het minst oplet, kan er een fout doorheen glippen die je in week één wél had gezien. De vraag is niet of je went, maar of je het merkt wanneer het gebeurt. Wanneer liep jij een AI-resultaat voor het laatst echt regel voor regel na?

Denk jij dat je beter oplet dan de rest?

Er is nog een vertekening die de moeite waard is. Bijna iedereen vindt zichzelf de kritische uitzondering. Dat vangt deze kaart:

"Anderen vertrouwen te makkelijk op wat AI oplevert. Zelf kijk ik het beter na dan de meeste mensen om me heen."

Statistisch kan niet iedereen bovengemiddeld voorzichtig zijn. Als de meeste mensen denken dat vooral de ánder te makkelijk vertrouwt, dan overschat een deel zichzelf. Dat maakt het lastig om als team afspraken te maken: iedereen gaat er stilzwijgend van uit dat het probleem bij de collega's zit. Precies daarom is het een goed gesprek om openlijk te voeren in plaats van in je hoofd.

Waar ligt de verantwoordelijkheid?

Hoe je ook controleert, één ding verschuift niet: de verantwoordelijkheid voor het eindresultaat. AI is geen partij die je kunt aanwijzen als er iets misgaat. Zet je je naam onder een stuk, dan sta je ervoor, ongeacht welk deel de machine schreef. Dat is meteen de kern van de afweging: de mate van controle die "genoeg" is, hangt samen met wat je bereid bent te ondertekenen.

Daarover gaat de laatste kaart, en het is geen retorische vraag:

"Hoeveel controle is voor jou 'genoeg' voordat je je naam onder AI-werk durft te zetten?"

Voor de een is dat een snelle eindcheck, voor de ander pas een grondige doorloop. Geen van beide is objectief fout. Maar binnen een team dat samen dingen aflevert, is het handig om te weten dat jullie daar verschillend in zitten, voordat een van jullie iets de deur uit doet waar de ander zijn naam niet onder had gezet.

Praat erover in plaats van het te gokken

Hoeveel controle genoeg is, valt niet in een regel te vangen. Het hangt af van het risico, van je gewenning, en van wat je bereid bent te ondertekenen. Die afweging maak je scherper door hem uit te spreken, niet door hem stilletjes bij jezelf in te vullen.

Daarvoor maakte ik de AI-gesprekskaarten: 54 stellingen, dilemma's en open vragen over AI op het werk, met een heel thema over vertrouwen en controle. Ze geven geen antwoord, ze zorgen dat het gesprek gevoerd wordt, met de kaarten hierboven als startpunt.

Verder lezen

• Wat vindt werkend Nederland écht van AI? - de cijfers over gebruik, vertrouwen en productiviteit op een rij.
• Is het erg als je iets niet meer zonder AI kunt? - over gewenning en afhankelijkheid.
• Moet je vermelden dat iets met AI is gemaakt? - wat de wet wel en niet eist.
• Wil je liever eerst zelf verder leren? Kijk dan in de gratis AI-academy.

Bronnen

• KPMG Nationale AI Vertrouwensmonitor (met Ipsos I&O)
• MSI-ACI AI-Barometer, via Nederland Digitaal