Human-in-the-loop

Human-in-the-loop (vaak afgekort tot HITL) is een manier om een AI-systeem zo te bouwen dat een mens de output op gekozen punten controleert, goedkeurt of corrigeert voordat er iets gebeurt. Het systeem handelt dus nooit helemaal op eigen houtje. De AI doet het werk tot aan een controlepunt, en een mens beslist of dat werk verder gaat.

In sales en marketing staat het controlepunt meestal voor alles wat een koper te zien krijgt: een e-mail die AI heeft geschreven, een antwoord op een vraag van een prospect, een bulkwijziging in duizenden CRM-records. Op die momenten is een fout die de machine vol overtuiging maakt duur, en voor iedereen zichtbaar.

Als human-in-the-loop faalt, ligt het zelden aan de beslissing om een mens erbij te halen. Het ligt aan het ontwerp. Een reviewstap die voor alles om goedkeuring vraagt, wordt een wachtrij. Is die wachtrij lang genoeg, dan wordt het iemand die op goedkeuren klikt zonder te lezen. Dat is erger dan helemaal geen review, omdat iedereen nu denkt dat het werk is gecontroleerd.

TL;DR

• Een controlepunt is een bewuste pauze. De agent haalt data op, doet onderzoek en schrijft een concept, en wacht dan terwijl een mens goedkeurt, aanpast of afwijst. In go-to-market is dat meestal een goedkeuringswachtrij in Slack of een reviewscherm, waar een rep elk concept in een paar seconden afhandelt.

• Taalmodellen schrijven vloeiende output die toch fout kan zijn, en ze maken die op volume. Gartner verwacht dat meer dan 40% van de agentic AI-projecten tegen eind 2027 wordt stopgezet, en onvoldoende risicobeheersing is een van de drie redenen die het noemt.

• Zet de poort op stappen die een koper ziet, stappen die moeilijk terug te draaien zijn en stappen waar de AI niet zeker is. Laat intern, omkeerbaar werk met veel zekerheid, zoals enrichment, zonder poort draaien, en zet elke poort vlak voor de actie die hij beschermt.

• In the loop betekent dat het werk op een mens wacht. On the loop betekent dat het doorloopt terwijl iemand meekijkt en het kan stoppen. De meeste volwassen opstellingen combineren de twee en houden volledige autopilot weg bij alles wat klantgericht is.

• Slechte loops falen op twee manieren: ze worden een bottleneck, of ze worden een stempelmachine. Zet minder poorten, escaleer alleen onzekere gevallen, bundel de reviews en houd bij hoe vaak reviewers echt iets veranderen.

• De Europese wet legt een bruikbare lat. De AI-verordening eist effectief menselijk toezicht op AI-systemen met een hoog risico en benoemt automatiseringsbias (automation bias). Volgens de richtsnoeren van de toezichthouders over artikel 22 AVG (GDPR) moet toezicht betekenisvol zijn, meer dan een symbolisch gebaar. De meeste salestools vallen niet in de categorie hoog risico, en niets hiervan is juridisch advies.

• Autonomie moet je verdienen. Begin met review van elke output, maak de poort losser naarmate concepten ongewijzigd de deur uitgaan, en verwerk elke correctie in de prompts en regels.

Wat er gebeurt bij een human-in-the-loop-controlepunt

Neem de workflow voor websitebezoekers die we voor outbound-teams bouwen. Een bedrijf dat in het ICP past, bezoekt de prijspagina. Een AI-agent herkent het bedrijf, vindt de waarschijnlijke koper, leest de site van het bedrijf en de recente posts van die persoon, en schrijft een korte eerste e-mail. Dan stopt hij.

Het concept komt als kaart met drie knoppen in een Slack-kanaal terecht: goedkeuren, aanpassen, afwijzen. De rep leest het, verandert misschien de openingszin en drukt op goedkeuren. Pas dan gaat de e-mail de sequence in. De machine deed twintig minuten onderzoek en schrijfwerk. De mens besteedde veertig seconden aan de beslissing.

Die pauze is het hele mechanisme. In een agentic workflow is de menselijke stap gewoon een extra node in de flow, en de flow kan er niet voorbij zonder beslissing. Daar zit het verschil tussen ondersteunde automatisering en blinde automatisering.

Hoeveel er door de poort gaat, is een instelling en geen vaste regel. Aan het ene uiterste keurt een mens elke output goed. Aan het andere ziet die persoon alleen de uitzonderingen die het systeem markeert. In beide gevallen houdt een mens de regie over de uitkomsten die ertoe doen.

Of het controlepunt helpt of vertraagt, hangt af van wat de reviewer te zien krijgt. Een goede reviewkaart toont:

• Het concept zelf, klaar om zo te versturen.

• Het bewijs dat de agent gebruikte, met de bron erbij, zodat de rep een verkeerd bedrijf of een verouderde functietitel ziet zonder vijf tabbladen te openen.

• Alles waar de agent onzeker over was, bovenaan gemarkeerd.

• Wat er gebeurt als niemand reageert. De veilige standaard is dat er niets wordt verstuurd.

Heeft een reviewer meer dan een minuut per item nodig, dan mist de kaart iets, en begint de wachtrij vol te lopen.

Waarom vloeiende output toch een reviewer nodig heeft

Taalmodellen zijn goed in tekst die juist klinkt. Precies daarom glippen hun fouten erdoor. Een model feliciteert een prospect met een investeringsronde die bij een ander bedrijf met dezelfde naam plaatsvond, of beschrijft een product dat de prospect vorig jaar heeft geschrapt, op dezelfde zelfverzekerde toon als al het andere dat het schrijft.

In outbound blijven die fouten niet binnenskamers. Ze komen onder jouw naam in de inbox van een koper terecht, en een geautomatiseerd systeem maakt dezelfde fout honderden keren voordat iemand kijkt. Een fout in de data waar de agent mee werkt, zeg een samengevoegd record dat twee bedrijven door elkaar haalt, verspreidt zich net zo snel.

Het bredere beeld van agentic AI wijst dezelfde kant op. Gartner voorspelt dat meer dan 40% van de agentic AI-projecten tegen eind 2027 wordt geschrapt, en noemt als redenen oplopende kosten, onduidelijke bedrijfswaarde of onvoldoende risicobeheersing. Een menselijk controlepunt is een van de goedkoopste vormen van risicobeheersing die er zijn. Het levert ook het bewijs op dat je later nodig hebt om te beslissen welke stappen veilig zelfstandig kunnen draaien.

Drie vragen die bepalen waar een human-in-the-loop-poort komt

Zet je op elke stap een mens, dan heeft automatiseren geen zin meer. Wij lopen een workflow stap voor stap door en stellen bij elke stap drie vragen:

1. Ziet een koper, of iemand anders buiten het bedrijf, het resultaat? E-mails, LinkedIn-berichten, chatantwoorden en alles wat wordt gepubliceerd, krijgen een poort. Een onhandig bericht kost meer dan de minuut die je nodig hebt om het te lezen.

2. Kun je het resultaat goedkoop terugdraaien? Een verkeerde enrichment-waarde overschrijf je morgen. Een massale update die de eigenaar van 8.000 CRM-records verandert, of een verwijderde lijst, draai je niet zo makkelijk terug. Daar komt dus eerst een check op.

3. Is de AI zeker, en kan hij je vertellen wanneer hij dat niet is? Vindt de agent geen geverifieerd e-mailadres, of kan hij het bedrijf niet met zekerheid matchen, dan hoort dat geval bij een mens te belanden. Gokken is geen optie.

Een stap die op alle drie de vragen veilig uitkomt, kan zelfstandig draaien. Het meeste voorbereidende werk achter outbound valt in die bak: data enrichment, interne accountsamenvattingen, taggen en scoren. Een poort op die stappen zorgt voor vertraging en vangt heel weinig af.

Waar de poort in de keten zit, telt net zo zwaar als of hij er is. Zet je hem te vroeg, dan beoordeelt de reviewer ruw werk dat de agent nog niet af heeft. Zet je hem te laat, dan is de e-mail al weg. De juiste plek ligt meestal vlak voor de onomkeerbare actie, nadat de agent alle voorbereiding heeft gedaan die hij kan doen. Zo blijft goede sales automation veilig: de machine doet alles tot aan de stap richting de koper, en een mens is eigenaar van die laatste poort.

In the loop, on the loop of volledig autonoom

Er zijn twee termen in omloop die bijna hetzelfde klinken. Het verschil zit in hoe dicht de persoon erbovenop zit.

Een human in the loop zit in het proces. Het werk kan pas verder als die persoon iets doet, zoals een goedkeuring waar de verzending op wacht. Een human on the loop staat boven het proces. Het systeem draait zelf terwijl iemand een dashboard of een steekproef van de output in de gaten houdt, en kan ingrijpen of alles stilzetten als er iets mis lijkt.

Wat er op het spel staat en hoeveel volume er is, bepalen wat een stap nodig heeft. Een eerste e-mail aan een specifieke prospect bij een doelaccount verdient een human in the loop. Tienduizend ingevulde inbound formulieren taggen op branche kan prima met een human on the loop die elke week een steekproef controleert. De meeste volwassen AI-workflows eindigen met allebei: in the loop bij de riskante stappen, on the loop bij de rest.

Allebei liggen ze op een bredere schaal. Aan het ene uiteinde zit co-pilotmodus, waarin de AI alleen voorstellen doet en een mens al het andere doet. Aan het andere uiteinde zit autopilot, waarin de machine handelt zonder dat er iemand bij betrokken is. Dat is wat volledig autonome outbound betekent. Ons artikel over auto-pilot vs co-pilot mode behandelt die schaal uitgebreider.

Het verhaal van agentic AI die volledig alleen draait, klinkt aantrekkelijk. Toch is go-to-market een slechte plek om dat als eerste te proberen, omdat de output rechtstreeks naar kopers gaat. Doet een AI SDR of een AI BDR het onderzoek, de enrichment en het schrijfwerk terwijl een mens goedkeurt wat eruit gaat, dan krijg je het grootste deel van de snelheid en blijven je relaties heel.

Blind afstempelen en volle reviewwachtrijen

De twee manieren waarop een human-in-the-loop-opzet stukgaat, zijn elkaars tegenpolen. Los je de ene slordig op, dan veroorzaak je vaak de andere.

De eerste is de bottleneck. Moet een rep naast elke e-mail ook elke interne stap goedkeuren, dan stapelen de goedkeuringen zich op, gaan verzendingen dagen te laat de deur uit en begint het team te vragen of de review uit kan. De oplossingen komen vooral neer op minder poorten:

• Zet alleen een poort op de stappen die volgens de drie vragen hierboven een poort nodig hebben.

• Gebruik zekerheidsdrempels, zodat de agent de duidelijke gevallen in bulk ter review aanbiedt en de onzekere één voor één escaleert.

• Bundel de reviews in twee korte sessies per dag, in plaats van een constante stroom meldingen.

• Geef de wachtrij een vaste eigenaar en een tijdslimiet, met "niet versturen" als standaard zodra die limiet verloopt.

De tweede is de stempelmachine. Op papier bestaan er goedkeuringen, maar de reviewer klikt overal ja op, omdat de concepten al weken in orde zijn. De AI-verordening heeft hier een term voor in de tekst over menselijk toezicht: automatiseringsbias, de neiging om automatisch te vertrouwen op wat het systeem produceert, of er te veel op te vertrouwen. Het is een normale menselijke reactie op output die meestal klopt, en daarom moet je ook de poort zelf controleren.

Het signaal om op te letten is de edit rate. Keurt een reviewer 300 concepten in een uur goed zonder een woord te veranderen, dan is dat geen review. Wij houden per reviewer bij hoeveel concepten ongewijzigd worden goedgekeurd, aangepast of afgewezen. We stoppen af en toe bewust een concept met een fout in de wachtrij om te zien of iemand het opmerkt, en we laten reviewers rouleren op wachtrijen met veel volume.

Wat de AI-verordening en de AVG (GDPR) zeggen over menselijk toezicht

Voor teams die in Europa verkopen, geven twee Europese wetten een bruikbaar referentiepunt. Wat volgt is een eenvoudige samenvatting om je te oriënteren, geen juridisch advies. Of een van beide regels geldt voor een specifiek systeem, is een vraag voor je jurist.

De AI-verordening (Verordening 2024/1689) eist in artikel 14 dat AI-systemen met een hoog risico zo worden ontworpen dat mensen er effectief toezicht op kunnen houden zolang ze in gebruik zijn. De mensen die dat toezicht krijgen, moeten de beperkingen van het systeem kunnen begrijpen, zich bewust blijven van automatiseringsbias, de output kunnen negeren of terugdraaien, en het systeem kunnen stilzetten. Artikel 26 voegt eraan toe dat gebruiksverantwoordelijken het toezicht moeten toewijzen aan mensen met de nodige bekwaamheid, opleiding en autoriteit.

"Hoog risico" is wel een vastgelegde lijst. Die dekt toepassingen als werving, kredietscores en toegang tot basisvoorzieningen, en gewone tools voor sales prospecting staan daar over het algemeen niet op. De datums waarop de regels voor hoog risico gaan gelden, zijn herzien. Check dus de actuele geconsolideerde tekst op EUR-Lex voordat je op een deadline vertrouwt. De transparantieregels van de verordening staan daar los van. Artikel 50 verplicht aanbieders van AI-systemen die rechtstreeks met mensen communiceren ervoor te zorgen dat die mensen weten dat ze met een AI te maken hebben, tenzij dat duidelijk is. Houd dat in je achterhoofd als een agent prospects antwoordt zonder dat er een mens tussen zit.

De AVG reikt verder. Artikel 22 AVG geeft mensen het recht om niet te worden onderworpen aan een besluit dat uitsluitend op geautomatiseerde verwerking is gebaseerd en dat rechtsgevolgen of vergelijkbaar ingrijpende gevolgen voor hen heeft. Kiezen wie je mailt, haalt die lat zelden. Geautomatiseerde besluiten over kredietvoorwaarden, over wie voor een contract in aanmerking komt of over prijzen voor individuen kunnen dat wel.

Het meest praktische deel is hoe toezichthouders echte menselijke betrokkenheid definiëren. De richtsnoeren over geautomatiseerde besluitvorming van de Europese privacytoezichthouders (toen nog de Artikel 29-werkgroep) zeggen dat toezicht betekenisvol moet zijn, meer dan een symbolisch gebaar, en moet worden uitgevoerd door iemand met de bevoegdheid en de bekwaamheid om het besluit te veranderen. Iemand die routinematig goedkeurt wat het systeem produceert, telt niet mee. Dat is een goede standaard voor elke reviewstap, gereguleerd of niet.

De loop losser maken naarmate het bewijs binnenkomt

De juiste hoeveelheid review ligt niet vast. Die hoort te krimpen als een stap zich bewijst, en weer te groeien als de kwaliteit terugloopt.

Zetten we een nieuwe AI-stap live, dan bekijkt een mens elke output. We leggen vast wat er met elk concept gebeurt: ongewijzigd verstuurd, aangepast of afgewezen. Gaat een stap een aantal weken lang zo goed als altijd ongewijzigd door, zonder afwijzingen om feitelijke fouten, dan stappen we over van volledige review naar steekproeven. Bij stappen die naar prospects schrijven, houden we meestal blijvend een mens op de replies, omdat de toon daar het zwaarst weegt.

De reviews maken het systeem ook beter. Elke aanpassing is een klein voorbeeld van hoe goed werk eruitziet. Verzamel de aanpassingen, zoek naar patronen (de agent opent steeds met vleierij, of leest functietitels in één regio verkeerd) en zet ze om in duidelijkere instructies, betere voorbeelden in de prompt en nieuwe regels. Ons artikel over prompt engineering voor GTM laat zien hoe je die instructies schrijft.

Door die feedback begrens je ook de kwaliteit als je de mens te vroeg weghaalt. Zonder correcties blijft de agent dezelfde fouten maken, en schuift de output langzaam op richting generiek. Daarom houdt personalization at scale alleen stand als iemand een deel van wat eruit gaat blijft lezen.

De twee veelgemaakte fouten zitten aan de uitersten. Meteen naar volledige autonomie springen zet een team voor schut bij kopers. De review nooit versoepelen laat iedereen concepten goedkeuren die al maanden geen aanpassing nodig hadden, en dat kost precies de tijd die de automatisering moest besparen.

Tot slot

Human-in-the-loop komt neer op één vraag die je bij elke AI-stap stelt: wat gebeurt er als dit fout is? Is het antwoord een gecorrigeerd veld, dan kan de machine alleen handelen. Is het antwoord een vreemde e-mail in de inbox van een prospect of een puinhoop in het CRM, dan neemt eerst een mens de beslissing.

Het vakmanschap zit in de details. Zet de poort vlak voor de actie, geef de reviewer wat hij nodig heeft om snel te beslissen, meet of de review nog iets betekent en laat de autonomie meegroeien met het bewijs. Zo voegt de mens oordeel toe zonder het traagste deel van het systeem te worden.

We bouwen dit soort goedkeuringsstappen in de agents en workflows die we voor klanten opzetten, in hun eigen CRM, Clay en Slack, en dragen het geheel over met de reviewregels op papier. Zo blijven de mensen die de kopers kennen degenen die beslissen wat er bij die kopers aankomt.

Veelgestelde vragen