Zelflerende AI: zo leert AI gecontroleerd van de dagelijkse praktijk

Want ook een goed ingerichte AI-toepassing kan in een nieuwe situatie komen die niet van te voren is bedacht. Een antwoord kan onvolledig zijn, een andere bron wordt gebruikt dan je had gedacht of in een processtap kan een andere beslissing worden genomen dan verwacht. Dan wil je begrijpen wat er misgaat, welke verbetering nodig is en wie daarover beslist.

Dat noemen we gecontroleerd verbeteren. In dit artikel laten we zien hoe dat werkt.

Vergelijk het met het bijstellen van een werkproces

Stel dat er binnen je organisatie een vast proces is voor het afhandelen van aanvragen of klantvragen. Als dat proces niet goed werkt, pas je het niet zomaar aan. Je meldt het probleem, onderzoekt de oorzaak, stelt een verbetering voor en test die eerst. Een verantwoordelijke beoordeelt de resultaten. Pas daarna voer je de wijziging door. En bij AI werkt dat vergelijkbaar.

Het onderliggende AI-model wordt daarbij niet opnieuw getraind. De verbetering zit in de laag eromheen: instructies, kennisbronnen, tools en proceslogica. Het bijstellen gebeurt dan ook in deze laag. Denk aan een duidelijkere instructie, een betere bronselectie of een extra controlestap in de proceslogica.

Met zelflerende AI bedoelen we hier dus geen systeem dat zichzelf zelfstandig verandert. We bedoelen een AI-toepassing die feedback uit de dagelijkse praktijk kan gebruiken om terugkerende problemen te herkennen en verbeteringen voor te stellen.

Een voorbeeld uit de praktijk

Om een beter beeld te krijgen van hoe dit werkt, gebruiken we als voorbeeld een fictieve organisatie met een centrale mailbox waarin dagelijks honderden klantvragen binnenkomen.

Een AI-assistent leest de e-mails en stelt voor naar welke afdeling een bericht moet. Een klant schrijft: “Wij zijn verhuisd. Kunnen jullie de facturen voortaan naar ons nieuwe adres sturen?”

De assistent ziet een adreswijziging en stuurt het bericht naar Klantenservice. Een medewerker corrigeert dit: het gaat om een factuuradres en hoort bij Financiële Administratie.

Als deze correctie vaker voorkomt, kan de toepassing herkennen dat dit onderscheid onvoldoende duidelijk is. Vervolgens kan een aanpassing worden voorgesteld, zoals: berichten over facturen of facturatie gaan naar Financiële Administratie.

De voorgestelde aanpassing wordt eerst getest. Pas na beoordeling en goedkeuring door een verantwoordelijke wordt deze ingevoerd.

Zo leert de AI-toepassing van de dagelijkse praktijk: niet door zichzelf opnieuw te trainen, maar door feedback te gebruiken om verbeteringen voor te stellen. De organisatie houdt daarbij de regie over wat daadwerkelijk wordt ingevoerd.

Van feedback naar betere ondersteuning: zo werkt gecontroleerd verbeteren

Gecontroleerd verbeteren begint bij wat mensen in de praktijk ervaren. Via een vaste cyclus wordt feedback onderzocht, een gerichte verbetering voorgesteld en het resultaat getest. Zo kan een AI-toepassing beter aansluiten op het werk, terwijl zichtbaar blijft wie welke beslissing neemt.

1. Feedback verzamelen

Gebruikers markeren antwoorden bijvoorbeeld als onjuist, onvolledig of onduidelijk. Zo wordt zichtbaar waar de AI in de praktijk tekortschiet.

2. Patronen analyseren

Niet elke feedback vraagt direct om een wijziging. Eerst moet duidelijk worden of het om een individuele mening gaat of om een terugkerend objectief verschijnsel.

Is de feedback vooral gerelateerd een bepaald type vraag? Ligt de oorzaak bij een specifieke bron? Of sluit een processtap niet goed aan op de werkwijze van medewerkers? Losse meldingen worden zo vertaald naar bruikbare inzichten.

3. Een verbetering voorstellen

Op basis van de analyse wordt bepaald wat er precies moet worden aangepast. Dat kan een instructie zijn, een kennisbron, een controle of een processtap.

Een goed voorstel beschrijft niet alleen wat er moet veranderen, maar ook welk probleem ermee wordt opgelost en hoe het resultaat wordt beoordeeld.

4. Testen en beoordelen

De nieuwe versie wordt getest op bestaande praktijkgevallen. De resultaten worden vergeleken met die van de vorige versie.

Daardoor kun je beoordelen of de AI daadwerkelijk beter ondersteunt. Een aanpassing is pas geslaagd als het oorspronkelijke probleem kleiner wordt zonder dat er nieuwe problemen ontstaan.

5. Gecontroleerd live

Na goedkeuring wordt de wijziging ingevoerd. Met versiebeheer blijft zichtbaar wat er is aangepast, wanneer dat is gebeurd en wie de wijziging heeft beoordeeld.

Daarna begint de cyclus opnieuw met nieuwe feedback.

Hoe wij dit binnen Limescape bekijken

Binnen Limescape zien we gecontroleerd verbeteren als een praktische manier om AI beter te laten aansluiten op het werk waarvoor organisaties de technologie inzetten.

De kern is dat praktijkfeedback wordt omgezet in gerichte verbeteringen, met ruimte voor analyse, testen en menselijke besluitvorming.

Zo kan een organisatie stap voor stap werken aan betere instructies, relevantere kennisbronnen en goed ingerichte processtappen. Versies en wijzigingen blijven daarbij inzichtelijk, zodat duidelijk is hoe een AI-toepassing zich ontwikkelt.

Limescape helpt organisaties om AI zowel te gebruiken, als verder te brengen in de praktijk. TrueLime ondersteunt vervolgens bij de implementatie en het laten aansluiten van de technologie op bestaande processen en verantwoordelijkheden.

Veelgestelde vragen over zelflerende AI

Wat bedoelen jullie met zelflerende AI?

Met zelflerende AI bedoelen we niet dat het onderliggende AI-model zichzelf opnieuw traint of zelfstandig verandert.

We bedoelen een AI-toepassing die feedback uit de dagelijkse praktijk kan gebruiken om terugkerende patronen te herkennen, mogelijke verbeteringen voor te stellen en deze automatisch te testen. Een verantwoordelijke bepaalt vervolgens of zo’n verbetering daadwerkelijk wordt doorgevoerd.

Hoe leert de AI van feedback uit de praktijk?

Wanneer een gebruiker een antwoord, beslissing of processtap corrigeert, kan die correctie als feedback worden vastgelegd. Daarbij wordt bijvoorbeeld opgeslagen wat de oorspronkelijke situatie was, welke uitkomst de AI gaf en welke uitkomst de gebruiker verwachtte.

Wanneer vergelijkbare correcties vaker voorkomen, kan de AI daarin een patroon herkennen. Op basis daarvan kan de toepassing bijvoorbeeld voorstellen om een instructie, kennisbron of procesregel aan te passen.

Wordt iedere correctie automatisch doorgevoerd?

Nee. Eén afwijkende uitkomst hoeft nog niet te betekenen dat de AI-toepassing moet worden aangepast.

Eerst wordt gekeken of een probleem vaker voorkomt en wat waarschijnlijk de oorzaak is. Pas daarna kan een gerichte verbetering worden voorgesteld.

Die verbetering wordt vervolgens getest voordat een wijziging live gaat.

Hoe wordt gecontroleerd of een verbetering echt beter is?

Een voorgestelde wijziging wordt getest op bestaande, gevalideerde praktijkgevallen en op nieuwe situaties waarop gebruikers feedback hebben gegeven.

Daarbij wordt niet alleen gekeken of het oorspronkelijke probleem is opgelost, maar ook of bestaande goede resultaten goed blijven. Zo voorkom je dat een verbetering op één onderdeel ergens anders tot nieuwe fouten leidt.

Kan AI zichzelf dan automatisch aanpassen?

De AI kan binnen deze aanpak wel zelf analyseren waar verbetering mogelijk is en voorstellen doen voor een aanpassing. Dat betekent niet dat iedere wijziging automatisch wordt doorgevoerd.

De uiteindelijke livegang blijft een bewuste beslissing. Een verantwoordelijke kan zien wat er wordt voorgesteld, waarom die wijziging wordt voorgesteld en wat de resultaten van de test zijn.

Waarom blijft menselijke beoordeling nodig?

Omdat een technisch betere uitkomst niet automatisch betekent dat een wijziging ook organisatorisch, inhoudelijk of beleidsmatig wenselijk is.

Een mens kan context, risico’s en belangen meewegen die niet volledig uit de testresultaten blijken. Daarom blijft een verantwoordelijke bepalen welke verandering daadwerkelijk wordt doorgevoerd.

AI die meegroeit, met menselijke regie

AI wordt niet beter doordat ze zichzelf zomaar aanpast. Ze wordt beter wanneer organisaties leren van het dagelijks gebruik en die lessen gericht verwerken.

Zo kan een AI-toepassing steeds beter aansluiten op veranderende kennis en processen. De technologie ondersteunt het werk effectiever, terwijl mensen betrokken blijven bij de keuzes, beoordeling en verantwoordelijkheid.

Dát is de basis van gecontroleerd verbeteren: AI die meegroeit met de praktijk, zonder dat de menselijke regie verdwijnt.