Human in the Loop

Wat is Human in the Loop?

Human in the loop is een workflowontwerp waarin een AI-systeem het werk doet maar een mens de beslissingen die ertoe doen reviewt en goedkeurt voordat ze effect hebben. De AI behandelt volume en snelheid; de mens levert oordeel, verantwoording, en een veto op de punten waar fouten duur of onomkeerbaar zijn. Het patroon houdt deels stand omdat vertrouwen grenzen heeft: het DORA-onderzoek van 2025 vond dat 30% van de technologieprofessionals weinig of geen vertrouwen heeft in AI-gegenereerde code, een sleutelreden waarom menselijke review een standaard checkpoint blijft [1].

De belangrijkste punten

• De ontwerpvraag is plaatsing, niet aanwezigheid. Alles goedkeuren herschept het handmatige knelpunt; niets goedkeuren is volledige autonomie. Waarde komt van het checkpoint precies plaatsen waar risico zich concentreert.
• Checkpoints horen thuis bij onomkeerbare of dure acties: merges, betalingen, verwijderingen, externe verzendingen, en alles met juridische of veiligheidsgevolgen.
• Automation bias is het faalpatroon van het patroon zelf. Een reviewer die alles rubber-stampt levert verantwoordingstheater, en het ontwerp moet die drift actief bestrijden.
• De loop-positie moet dynamisch verdiend worden. Naarmate een agent een trackrecord opbouwt op een taakklasse, kunnen laag-risico-goedkeuringen versoepeld worden terwijl hoog-risico verplicht blijven.

Hoe het werkt

Een human-in-the-loop-systeem splitst een workflow in wat de AI vrij mag doen en wat goedkeuring vereist. De agent werkt tot een checkpoint, pauzeert dan en presenteert een voorstel: de bedoelde actie, het bewijs erachter, en idealiter zijn eigen onzekerheid. De mens keurt goed, bewerkt, of verwerpt, en de agent gaat verder. In agentic tooling verschijnt dit als toestemmingsprompts voor shellcommando's, alleen-concept-modi voor uitgaande e-mail, en pull-request-review voordat iets productie bereikt. De checkpoints worden in de praktijk zwaar gebruikt: zelfs in sterk geautomatiseerde agentic coding vond de Anthropic Economic Index dat feedbacklus-interacties waarbij een mens het werk van de AI valideert 35,8% van de Claude Code-gesprekken uitmaakten [2]. Het verwante patroon, human on the loop, laat het systeem eerst handelen terwijl een persoon toezicht houdt en kan ingrijpen, wat past bij hoogvolume, laag-risico, omkeerbare acties.

Goed checkpoint-ontwerp gaat vooral over het reviewoppervlak. Een persoon die een diff van 4.000 regels of een muur agentredenering krijgt getoond, keurt het ongelezen goed, dus comprimeren effectieve systemen de beslissing: wat verandert, wat staat op het spel, waar is de agent onzeker over. Batchen doet er ook toe. Een reviewer veertig keer per dag onderbreken traint hem om erdoorheen te klikken; laag-risico-goedkeuringen verzamelen in één reviewsessie bewaart aandacht voor de beslissingen die het nodig hebben.

Het patroon dient ook het leren. Elke menselijke correctie is gelabelde data over waar de agent verkeerd oordeelt, en volwassen teams voeden die correcties terug in prompts, guardrails, en evals. Na verloop van tijd versmalt de loop door bewijs: taakklassen met lange schone reeksen promoveren richting autonomie, terwijl categorieën die correcties blijven trekken, afgebakend blijven.

Voorbeeld

Een growthteam draait een agent die antwoorden opstelt op inkomende sales-e-mails. De agent leest de thread, controleert de CRM voor accountgeschiedenis, en schrijft een antwoord, maar kan niet versturen. Elk concept landt in een reviewwachtrij met de thread, de relevante CRM-feiten, en een regel over iets ongewoons. Een rep bladert erdoorheen, bewerkt misschien één op de vijf concepten, en verstuurt de batch twee keer per dag. Na een kwartaal laat de data zien dat bewerkingen zich concentreren op prijsdiscussies, dus versoepelt het team de poort: routinematige planning- en documentatie-antwoorden worden nu automatisch verstuurd, terwijl alles wat prijs, contractvoorwaarden, of annulering noemt nog steeds de rep vereist. Doorvoer verdrievoudigt ongeveer en de riskante categorie houdt zijn mens.

Veelvoorkomende misvattingen

De comfortabele aanname is dat een mens toevoegen automatisch veiligheid toevoegt. Dat gebeurt alleen als de mens de beslissing oprecht kan beoordelen. Wanneer reviews te frequent, te groot, of te ondoorzichtig zijn, wordt goedkeuring een reflex, en eindigt de organisatie met het risicoprofiel van autonomie plus een vals gevoel van controle, met een persoon eraan gekoppeld om de schuld te absorberen. Als het afwijzingspercentage van een checkpoint maandenlang op nul staat, is dat bewijs dat de check ofwel onnodig is ofwel niet echt gebeurt, en beide bevindingen zouden het ontwerp moeten veranderen.

FAQ

Wat is het verschil tussen human in the loop en human on the loop? In the loop betekent dat het systeem op goedkeuring wacht voordat het handelt; de mens is een poort. On the loop betekent dat het systeem handelt en de mens toezicht houdt met de macht om in te grijpen of terug te draaien. Het eerste past bij onomkeerbare, hoog-risico-acties, het tweede bij hoogvolume-omkeerbare.

Verslaat human in the loop het doel van automatisering? Alleen wanneer checkpoints lui geplaatst worden. Als de agent uren werk doet en een persoon minuten besteedt aan een goed samengevatte beslissing, blijft de hefboomwerking intact. Developers grijpen zelf ook naar de loop: in het Stack Overflow-onderzoek van 2025 zei 75,3% dat ze nog steeds een persoon om hulp zouden vragen wanneer ze een AI-antwoord niet vertrouwen, en 61,7% zoekt menselijke input bij ethische of beveiligingszorgen [3]. Het patroon faalt wanneer elke triviale stap goedkeuring nodig heeft, wat meestal signaleert dat het team niet heeft besloten welke risico's het daadwerkelijk belangrijk vindt.

Waar zijn human-in-the-loop-checkpoints verplicht in plaats van optioneel? Overal waar gevolgen onomkeerbaar of gereguleerd zijn: productie-implementaties, financiële transacties, medische en juridische output, communicatie verstuurd onder iemands naam, en destructieve operaties op data. Verschillende regelgevende regimes, inclusief de bepalingen van de EU AI Act voor hoog-risicosystemen, verplichten betekenisvol menselijk toezicht in deze zones.

Bronnen

1. Google Cloud / DORA 2025 State of AI-assisted Software Development. "30% van de technologieprofessionals rapporteert weinig of geen vertrouwen in AI-gegenereerde code." https://cloud.google.com/blog/products/ai-machine-learning/announcing-the-2025-dora-report. Geraadpleegd augustus 2026.
2. Anthropic Economic Index. "Feedbacklus-interacties waarbij een mens het werk van de AI valideert maakten 35,8% van de Claude Code-gesprekken uit." https://www.anthropic.com/research/impact-software-development. Geraadpleegd augustus 2026.
3. Stack Overflow Developer Survey 2025. "75,3% van de developers zou een persoon vragen wanneer ze een AI-antwoord niet vertrouwen; 61,7% zoekt menselijke input bij ethische of beveiligingszorgen." https://survey.stackoverflow.co/2025/ai. Geraadpleegd augustus 2026.