In dit inzicht
Voor wie is dit inzicht?
Voor teams die AI in een terugkerende workflow willen inzetten en vooraf willen bepalen welke beslissingen het systeem zelfstandig mag nemen en waar een mens nodig blijft.
De vraag “kan AI deze taak uitvoeren?” is meestal te grof. Een model kan een eerste analyse maken en tegelijk ongeschikt zijn om zelfstandig de vervolgstap uit te voeren. Het kan patronen signaleren zonder voldoende context te hebben om prioriteiten te bepalen. Het kan content produceren terwijl de eindverantwoordelijkheid terecht bij een expert blijft.
Daarom is het nuttiger om over AI-autonomie te praten. Hoeveel initiatief geef je het systeem binnen één workflow en welke beslissingen blijven expliciet menselijk?
Ontwerp autonomie per stap en niet per tool.
Dezelfde AI-assistent kan in één workflow zelfstandig informatie structureren en in de volgende stap alleen een voorstel doen dat een mens beoordeelt.
Begin bij het werk dat moet gebeuren
Een tooldemo trekt snel de aandacht naar mogelijkheden. Voor procesontwerp helpt het om eerst de huidige workflow uit te tekenen. Welke input komt binnen? Welke beslissing wordt genomen? Welke actie volgt en wie draagt de gevolgen wanneer ze fout loopt?
- Beschrijf de taak in één zin. “Wekelijkse performanceafwijkingen vinden” is beter dan “AI voor reporting”.
- Noteer de input. Welke data, documenten of context zijn nodig?
- Schrijf de gewenste output op. Signaal, advies, concept, beslissing of uitgevoerde actie?
- Benoem de foutimpact. Wat gebeurt er wanneer het systeem een fout maakt?
- Leg de volgende stap vast. Wie of wat gebruikt de output daarna?
Pas daarna bepaal je hoeveel initiatief AI kan krijgen. Zo voorkom je dat technologie een procesontwerp dicteert dat niet past bij risico of context.
De maverik AI Autonomy Canvas gebruikt acht ontwerpvragen
| Vraag | Waarom ze ertoe doet |
|---|---|
| Wat is de taak? | Autonomie hoort bij een afgebakend stuk werk. |
| Welke context is nodig? | Veel impliciete bedrijfskennis verhoogt de kans dat menselijke interpretatie nodig blijft. |
| Hoe voorspelbaar zijn uitzonderingen? | Een stabiele workflow is gemakkelijker te automatiseren dan een proces vol uitzonderingen. |
| Wat is de foutimpact? | Financiële, juridische of reputatieschade vraagt strengere controle. |
| Waar voegt menselijk oordeel waarde toe? | Niet ieder menselijk controlepunt is nuttig; sommige reviews zijn vooral gewoonte. |
| Welk initiatief mag AI nemen? | Alleen reageren, zelf signaleren, voorstellen doen of ook handelen? |
| Waar ligt het controlepunt? | Voor of na welke stap komt een mens expliciet tussen? |
| Wanneer moet het systeem escaleren? | Grenzen maken uitzonderingen beheersbaar. |
Die acht vragen vormen geen totaalscore. Het doel is een ontwerpbesluit. Twee workflows met dezelfde foutimpact kunnen een andere autonomie krijgen omdat de ene veel impliciete context vraagt en de andere sterk gestandaardiseerd is.
Case. Marketingreporting van samenvatten naar signaleren
Een marketingteam maakt iedere maandag een rapport. Vandaag exporteert een marketeer data uit meerdere platformen, vergelijkt cijfers met vorige week en schrijft daarna een managementsamenvatting.
AI kan hier op verschillende niveaus ingezet worden. De minst autonome vorm is een samenvatting maken van data die de medewerker al selecteerde. Een stap verder kan het systeem zelf afwijkingen signaleren en suggesties doen voor oorzaken. Nog verder kan het automatisch tickets aanmaken of budgetten aanpassen.
| Stap | Autonomiekeuze | Reden |
|---|---|---|
| Data verzamelen | Automatisch | De bron en mapping zijn stabiel en controleerbaar. |
| Afwijkingen signaleren | AI zelfstandig | Een gemist signaal is vervelend, maar de output is nog geen beslissing. |
| Oorzaken voorstellen | AI adviseert | Context zoals campagnewijzigingen of seasonality kan ontbreken. |
| Managementconclusie | Mens beslist | De conclusie beïnvloedt prioriteiten en vraagt bedrijfscontext. |
| Budget wijzigen | Alleen binnen vooraf ingestelde regels | De financiële impact vraagt duidelijke grenzen. |
Hier ontstaat een human-in-the-loop -ontwerp waarbij de mens niet iedere AI-output opnieuw hoeft te produceren. De menselijke aandacht zit bij interpretatie en uitzonderingen.
Een nuttige pilot meet daarom meer dan tijdswinst. Kijk ook hoeveel signalen terecht waren, hoeveel menselijke correctie nodig bleef en welke soorten afwijkingen het systeem consequent verkeerd interpreteerde.
Case. Customer service met expliciete escalatie
Een service-assistent kan standaardvragen over levering of retourproces prima beantwoorden wanneer de benodigde informatie betrouwbaar beschikbaar is. De autonomie verandert zodra een case afwijkt van de normale procedure.
Maak de grens daarom als beslisregel zichtbaar. Voorbeeld: de AI mag zelfstandig antwoorden wanneer de vraag binnen een gevalideerde knowledge base valt en er geen financieel conflict of klacht met juridische impact speelt. Zodra één van die voorwaarden niet klopt, maakt het systeem een samenvatting en escaleert het naar een medewerker.
Die regel is bruikbaarder dan “AI handelt eenvoudige vragen af”. Het team kan testen welke categorieën daadwerkelijk binnen de grens vallen en de regel later verfijnen.
Let ook op tone of voice en klantgeschiedenis. Een antwoord dat feitelijk correct is kan ongeschikt zijn voor een gefrustreerde klant met een openstaand dossier. Contextbehoefte is dus niet alleen een datavraag.
Case. Contentproductie met verschillende autonomie per fase
Een contentworkflow bevat research, structuur, draft, fact-check, redactie, publicatie en distributie. Het is zelden verstandig om al die stappen dezelfde autonomie te geven.
- Researchondersteuning: AI kan bronnen en invalshoeken verzamelen, mits de schrijver de primaire bronnen controleert.
- Structuur: AI kan alternatieve outlines voorstellen en ontbrekende vragen signaleren.
- Draft: AI kan een eerste versie maken binnen duidelijke stijl- en bronregels.
- Fact-check: een bevoegde mens beoordeelt beweringen en bronnen.
- Publicatie: de eindverantwoordelijke keurt extern materiaal goed.
Het artikel over AI-content labelen onder artikel 50 gaat verder op transparantie bij externe publicatie.
Schrijf autonomie als concrete beslisregels
Vage instructies zoals “mens controleert belangrijke output” werken slecht zodra volume stijgt. Maak de grens meetbaar of herkenbaar.
- Definieer normale gevallen. Welke input en uitkomst horen bij het standaardproces?
- Benoem uitzonderingen. Welke situaties vereisen altijd menselijke beoordeling?
- Leg bevoegdheden vast. Welke actie mag AI zelfstandig uitvoeren en tot welke limiet?
- Maak onzekerheid zichtbaar. Wanneer onvoldoende context bestaat, moet het systeem dat kunnen melden.
- Ontwerp escalatie. Bepaal naar wie een case gaat en welke context wordt meegestuurd.
Zo'n regel kan bijvoorbeeld luiden: “AI mag advertentiebudgetten binnen ±10% van het weekbudget verschuiven wanneer conversion tracking gezond is en geen campagne een minimale learning threshold verliest. Grotere wijzigingen vereisen goedkeuring.”
De precieze grens hangt af van je business. Het belangrijke punt is dat autonomie vertaald wordt naar beslisrechten.
Verhoog autonomie pas wanneer de workflow voldoende volwassen is
Meer autonomie is geen doel op zichzelf. Een workflow verdient meer zelfstandigheid wanneer de informatiebasis betrouwbaar is, de uitzonderingen bekend zijn en het team kan zien wat het systeem doet.
| Signaal | Wat het suggereert |
|---|---|
| Veel menselijke correcties | Context of instructies zijn nog onvoldoende stabiel. |
| Steeds dezelfde uitzonderingen | De escalatieregels kunnen explicieter worden. |
| Hoge voorspelbaarheid | Meer automatische uitvoering kan haalbaar worden. |
| Fouten moeilijk detecteerbaar | Behoud een sterk menselijk controlepunt. |
| Duidelijke audittrail | Het systeem is beter bestuurbaar wanneer autonomie groeit. |
Wanneer je verschillende AI-workflows tegelijk overweegt, is de volgende vraag welke use case überhaupt budget verdient. Het artikel Je hebt twintig AI-use-cases. Welke verdient werkelijk budget? bouwt daarop verder.
Ontwerp ook voor fouten die je nog niet kent
Een workflow kan tijdens een pilot betrouwbaar lijken omdat de testcases bekend zijn. In productie verschijnen uitzonderingen die niemand vooraf beschreef. Daarom is het belangrijk dat het systeem bij onzekerheid kan stoppen of escaleren.
Vraag per autonome stap:
- Hoe merkt het systeem dat noodzakelijke context ontbreekt?
- Welke output is te onzeker om automatisch door te sturen?
- Kan een medewerker de redenering of bron reconstrueren?
- Hoe wordt een nieuwe foutcategorie teruggebracht naar het procesontwerp?
Daarmee bouw je een feedbacklus rond autonomie. De workflow wordt sterker op basis van echte uitzonderingen in plaats van alleen betere prompts.
Maak hogere autonomie traceerbaar
Zodra AI zelfstandig acties uitvoert, wordt een bruikbare audittrail belangrijker. Je wilt later kunnen zien welke input aanwezig was en welke regel tot de actie leidde.
Dat hoeft voor iedere use case geen enterprise governanceplatform te betekenen. Voor een marketingworkflow kan een log met timestamp, gebruikte databron, uitgevoerde actie en eventuele menselijke override al veel waarde hebben.
Gebruik overrides ook als leersignaal. Wanneer medewerkers een bepaald type AI-besluit vaak terugdraaien, kan de grens te ruim zijn of ontbreekt context. Autonomie wordt zo een ontwerpvariabele die je op basis van bewijs bijstelt.
Test eerst de grens en daarna pas de snelheid
In pilots wordt vaak vooral gemeten hoeveel tijd AI bespaart. Voor autonomie is de kwaliteit van de grens minstens zo belangrijk. Selecteer daarom bewust moeilijke cases: ontbrekende informatie, tegenstrijdige instructies en uitzonderingen die buiten het standaardproces vallen.
Observeer of het systeem dan doet wat je ontworpen hebt. Stopt het wanneer context ontbreekt? Escaleert het naar de juiste persoon? Wordt voldoende informatie meegestuurd zodat die persoon de case kan overnemen? Een workflow die alleen op ideale voorbeelden goed werkt, is nog niet klaar voor meer autonomie.
Pas wanneer de grens betrouwbaar functioneert, heeft het zin om doorlooptijd en schaalbaarheid te optimaliseren. Zo voorkom je dat snelheid de belangrijkste KPI wordt terwijl fouten moeilijker zichtbaar worden.
Hou sommige taken bewust laag in autonomie
Een taak hoeft niet richting volledige automatisering te groeien. Wanneer uitzonderingen veel waarde bevatten of wanneer menselijk gesprek zelf onderdeel is van de klantwaarde, kan een assistieve rol de beste eindtoestand zijn.
Dat geldt bijvoorbeeld voor een senior accountreview waarin AI dossiers voorbereidt en risico's markeert. De waarde zit dan in betere voorbereiding, terwijl de uiteindelijke afweging menselijk blijft. De canvas helpt dus ook om een grens bewust te verdedigen in plaats van autonomie als volwassenheidsladder te behandelen.
Case. Wanneer autonomie eerst te hoog wordt gezet
Een e-commercebedrijf laat een AI-agent zelfstandig budget verschuiven tussen campagnes. De regel klinkt eenvoudig: verplaats tot 15% budget naar campagnes met de hoogste voorspelde ROAS. In de eerste weken stijgt het gerapporteerde rendement.
Daarna blijkt dat de agent budget wegtrekt uit prospectingcampagnes met langere conversievertraging en vooral remarketing voedt. Het systeem optimaliseert een lokale metric binnen de afgesproken regel, terwijl de bredere acquisitielogica ontbreekt.
| Ontwerpkeuze | Eerste versie | Herontwerp |
|---|---|---|
| Doel | Maximaliseer voorspelde ROAS | Beheer budget binnen kanaalrol en acquisitiedoel |
| Context | Laatste 7 dagen performance | Campagnerol, conversievertraging en marginale efficiency |
| Autonomie | ±15% over alle campagnes | Alleen binnen vooraf gedefinieerde campagnegroepen |
| Escalatie | Geen | Menselijke review bij structurele verschuiving prospecting ↔ remarketing |
| Audit | Alleen eindbudget | Reden, input en override worden gelogd |
De les is niet dat budgetautomation ongeschikt is. De eerste regel bevatte te weinig bedrijfscontext. Door de autonomie smaller te maken en de escalatie rond kanaalrollen te leggen, blijft de agent nuttig zonder één metric tot volledige strategie te verheffen.
Gebruik vier niveaus van autonomie en kies per stap
AI-autonomie is geen eigenschap van één tool. Ze ontstaat uit de beslisruimte die je AI in een specifieke stap geeft. Dezelfde workflow kan dus verschillende autonomieniveaus combineren.
| Niveau | AI doet | Mens doet | Voorbeeld |
|---|---|---|---|
| 1. Assisteren | Analyse of voorstel | Beslist en voert uit | Samenvatting van klantgesprek |
| 2. Voorbereiden | Maakt output klaar | Reviewt vóór actie | Conceptantwoord customer service |
| 3. Uitvoeren met grens | Handelt binnen regels | Behandelt uitzonderingen | Biedingen binnen budgetband |
| 4. Autonoom | Beslist en handelt | Monitort achteraf | Laag-risico classificatie |
Het doel is niet automatisch niveau vier. Het doel is het laagste niveau dat voldoende waarde levert met aanvaardbaar risico en beheer.
Knip de workflow op voordat je autonomie bespreekt
“Onze contentworkflow automatiseren” is te breed. Research, bronselectie, outline, drafting, factcheck, juridische review en publicatie dragen andere risico's. Door de workflow op te knippen, kun je per stap bepalen welke beslisruimte verantwoord is.
Daarmee wordt ook human in the loop concreter. De mens hoeft niet overal te reviewen. Je benoemt waarom menselijke beoordeling precies op die stap waarde toevoegt.
Laat herstelbaarheid mee bepalen hoeveel autonomie je geeft
Een fout in een interne samenvatting is meestal herstelbaar. Een foutieve prijs naar een klant, een publicatie met juridische gevolgen of een automatisch verwijderde dataset is dat veel minder. Dezelfde modelkwaliteit kan daarom tot een andere autonomiekeuze leiden.
Meer ruimte voor automatische uitvoering en steekproefcontrole.
Expliciete approval, strengere grenzen en logging.
Begin in shadow mode wanneer je het gedrag nog niet kent
Laat AI eerst naast het bestaande proces draaien zonder acties uit te voeren. Vergelijk aanbevelingen met menselijke beslissingen en noteer vooral de uitzonderingen. Shadow mode maakt zichtbaar hoe vaak het systeem buiten de bedoelde grenzen zou handelen voordat je echte autonomie geeft.
Ontwerp post-deployment controls vóór je opschaalt
Meer autonomie verschuift controle van vooraf naar tijdens en na uitvoering. Je hebt daarom logging, steekproeven, escalatieregels en duidelijke stopvoorwaarden nodig. Meet niet alleen modelkwaliteit, maar ook hoeveel uitzonderingen ontstaan en hoeveel menselijke herstelarbeid nodig blijft.
Controleer periodiek
- hoe vaak grenzen geraakt worden;
- welke fouten pas achteraf zichtbaar zijn;
- of gebruikers workarounds bouwen;
- of de menselijke review nog echte waarde toevoegt;
- of hogere autonomie de totale doorlooptijd werkelijk verbetert.
Dat helpt ook AI-adoptie beoordelen. Een workflow is pas volwassen wanneer mensen de afgesproken taakverdeling consequent gebruiken.
Bronbasis
De maverik AI Autonomy Canvas is een eigen werkmodel, geïnformeerd door mens-AI-samenwerking en organisatiedenken rond toenemende AI-capability. Het model vertaalt die inzichten naar taakniveau en reproduceert geen beschermd cursusframework.