Human-in-the-loop

Wat is human-in-the-loop AI?

Human-in-the-loop (HITL) is een manier om AI in te zetten waarbij menselijk oordeel op kritieke beslismomenten in de AI-workflow is ingebouwd. In plaats van AI volledig autonoom of volledig handmatig te laten werken, creëert HITL een samenwerkingsmodel: AI-agents handelen routinetaken zelfstandig af, terwijl menselijke medewerkers complexe beslissingen of beslissingen met veel impact beoordelen, goedkeuren of ingrijpen.

In de klantenservice kan HITL betekenen dat de AI-agent eenvoudige vragen zelf oplost, maar terugbetalingsverzoeken boven een bepaald bedrag ter goedkeuring naar een medewerker stuurt. Of dat de AI-agent gesprekken zelfstandig afhandelt, maar gevallen markeert waarin sentimentanalyse een boze of overstuur klant detecteert.

HITL-modellen in de klantenservice

Er zijn verschillende manieren om human-in-the-loop in te richten in de klantenondersteuning:

• Goedkeuringsmomenten: De AI stelt een actie voor (bijv. een terugbetaling) en wacht op menselijke goedkeuring voordat die wordt uitgevoerd
• Escalatie op basis van zekerheid: De AI handelt interacties af waarover hij veel zekerheid heeft en escaleert gevallen met weinig zekerheid naar medewerkers
• Steekproefsgewijze kwaliteitscontrole: Medewerkers beoordelen een willekeurige steekproef van door AI afgehandelde interacties om fouten op te sporen en verbeteringen door te voeren
• Continue feedback: Medewerkers beoordelen of corrigeren AI-suggesties, wat een feedbacklus oplevert die het model steeds beter maakt

Waarom HITL belangrijk is

Volledig autonome AI brengt risico's mee in situaties die oordeelsvermogen, empathie of beleidsinterpretatie vragen die verder gaan dan de trainingsdata. Volledig handmatige ondersteuning schaalt niet. HITL combineert het beste van beide: AI-efficiëntie voor routinewerk en menselijk oordeel voor uitzonderingen.

Onderzoek uit de sector: Gartner voorspelt dat 50% van de organisaties die vanwege AI op klantenservicepersoneel willen bezuinigen, die plannen vóór 2027 zal laten varen, omdat samenwerking tussen mens en AI beter presteert dan volledige automatisering. Teams van mens + AI zorgen voor hogere klanttevredenheid en snellere oplostijden dan elk van beide afzonderlijk.

Het voordeel van Maven: intelligente escalatie en Copilot

Maven AGI past HITL toe via twee mechanismen. Ten eerste stuurt intelligente escalatie gesprekken door naar medewerkers zodra de AI zijn zekerheidsdrempel bereikt, inclusief de volledige gesprekscontext en redenering, zodat de medewerker nooit bij nul begint. Ten tweede werkt Mavens AI Copilot in realtime samen met medewerkers: het stelt antwoorden op, vat de gesprekscontext samen, vertaalt content en beveelt acties aan. Zo wordt de medewerker effectiever in plaats van vervangen.

Bewijs van Maven: ClickUp zag binnen een week na de implementatie van de Copilot van Maven AGI een stijging van 25% in het aantal opgeloste vragen per medewerker per uur. Dat laat zien dat HITL niet alleen draait om het opvangen van AI-fouten, maar vooral om medewerkers veel productiever te maken.

Veelgestelde vragen

Vertraagt human-in-the-loop de oplossing door AI?

Alleen bij de specifieke interacties die een menselijke beoordeling vragen. Het merendeel van de klantvragen kan de AI-agent zelfstandig oplossen. HITL zorgt alleen voor extra wachttijd waar het menselijke oordeel dat waard is, meestal in situaties met veel waarde, veel risico of emotionele gevoeligheid.

Hoe bepaal je wat menselijke beoordeling nodig heeft en wat volledig geautomatiseerd kan worden?

Begin met een risicoanalyse: wat is het slechtst denkbare gevolg als de AI bij dit type verzoek een fout maakt? Vragen met weinig risico en veel volume (orderstatus, antwoorden op veelgestelde vragen) komen in aanmerking voor volledige automatisering. Scenario's met veel risico of nieuwe scenario's horen menselijke beoordeling te krijgen tot de AI aantoonbaar consistent nauwkeurig is.

Verbetert HITL de prestaties van AI na verloop van tijd?

Ja. Wanneer medewerkers AI-acties corrigeren of goedkeuren, kan die feedback worden gebruikt om de nauwkeurigheid en de zekerheidskalibratie van de AI-agent te verbeteren. Zo ontstaat een positieve spiraal waarin de AI steeds minder menselijke tussenkomst nodig heeft, omdat hij leert van eerdere correcties.