AI recommendations vs AI decisions

Bij een AI recommendation stelt het systeem iets voor en beslist een mens of het gebeurt. Bij een AI decision voert het systeem de keuze zelf uit, zonder dat een mens er vooraf naar kijkt. Voor omzettaken is de vuistregel: laat AI beslissen waar een fout klein, zichtbaar en makkelijk terug te draaien is, en laat AI aanbevelen waar een fout een klant, geld of een afspraak raakt. Het verschil zit niet in hoe slim het model is, maar in wie verantwoordelijk is voor de uitkomst.

Het verschil in de praktijk

Dezelfde bevinding kan op twee manieren eindigen.

Aanbeveling: "Klant X had per 1 januari een indexatie van 3,1 procent moeten krijgen. De factuur van januari is op het oude tarief opgemaakt. Verschil: EUR 186 per maand. Voorstel: correctiefactuur voor januari en tarief aanpassen per februari." Een medewerker leest, controleert en klikt op uitvoeren of niet.

Beslissing: het systeem past het tarief in de administratie aan, maakt de correctiefactuur aan en verstuurt die. De medewerker ziet het achteraf in een overzicht.

Beide gebruiken dezelfde analyse. Het verschil zit in de laatste stap: wie drukt op de knop.

Een spectrum, geen schakelaar

In de praktijk zijn er meer dan twee standen. Het helpt om ze te onderscheiden:

Stand 3 is voor veel omzettaken het beste compromis: de AI doet al het werk, de mens houdt de beslissing. Dat is de kern van human-in-the-loop AI.

Welke taken mag AI beslissen?

Stel per taak vier vragen.

1. Hoe groot is de schade als het fout gaat? Een verkeerd ingevuld intern CRM-veld is vervelend. Een verkeerde factuur aan een klant kost geld, tijd en vertrouwen.

2. Is de fout zichtbaar? Een fout in een intern veld ziet iemand misschien pas na maanden. Een fout in een mail aan een klant ziet de klant direct.

3. Is het terug te draaien? Een veld kun je terugzetten. Een verstuurde mail, een betaalde creditnota of een toegezegde korting niet.

4. Raakt het iemand buiten het bedrijf? Alles wat naar een klant, leverancier of overheid gaat, schept verwachtingen of verplichtingen.

Hoe meer "groot", "onzichtbaar", "onomkeerbaar" en "extern", hoe meer de taak bij stand 1 tot 3 hoort.

Geschikt om AI te laten beslissen

• Interne classificatie: een supportticket labelen, een deal markeren als "risico".
• Interne taken aanmaken: een taak voor de accountmanager bij een gemist verlengingsmoment.
• Notities toevoegen met een bevinding.
• Standaardherinneringen volgens een vaste tekst en een vast schema, bij facturen zonder lopend geschil.

Houd bij een mens

• Prijzen, kortingen en tarieven aanpassen.
• Facturen of creditnota's aanmaken en versturen.
• Stamgegevens wijzigen: bankgegevens, btw-nummers, adressen.
• Contracten verlengen, beëindigen of wijzigen.
• Elke communicatie die iets toezegt.

Rekenvoorbeeld: wanneer automatisch beslissen loont

Rekenvoorbeeld: stel, een systeem vindt maandelijks 200 CRM-deals met een verlopen sluitdatum en geen activiteit in 90 dagen. Per deal kost handmatige beoordeling twee minuten: bijna zeven uur per maand.

Optie A, aanbevelen. Het systeem zet de 200 op een lijst. De accountmanagers moeten ze beoordelen. In de praktijk gebeurt dat half. De forecast blijft vervuild.

Optie B, beslissen met veto. Het systeem markeert de deals als "inactief" en haalt ze uit de forecast, tenzij de accountmanager binnen vijf werkdagen bezwaar maakt. De fout is intern, zichtbaar en in één klik terug te draaien.

Optie C, beslissen. Het systeem zet de deals direct op "verloren". Dat is lastiger terug te draaien, want de reden van verlies wordt nu ook ingevuld en rapportages over win/loss raken vervuild.

Optie B levert het meeste op tegen het kleinste risico. Voor een factuurcorrectie van EUR 186 zou dezelfde redenering juist bij stand 2 of 3 uitkomen, omdat de fout de klant raakt. Hoe je een onbetrouwbare pipeline herkent is het bredere vraagstuk achter dit voorbeeld.

Een indeling voor veelvoorkomende omzettaken

Als startpunt, uitgaande van een bedrijf dat net begint met AI in zijn omzetproces:

Na een paar maanden meten kan een taak een stand omhoog. Een melding die maandenlang vrijwel altijd terecht bleek, kan een aanbeveling met een voorbereid concept worden. Een herinnering die vaak onterecht bleek, gaat terug naar voorbereiden. Het gaat om bewijs, niet om vertrouwen.

Waarom aanbevelingen soms net zo riskant zijn

Het lijkt veilig: de AI beveelt aan, de mens beslist. Maar een aanbeveling is maar zo sterk als de beoordeling ervan. Drie valkuilen:

Stempelgedrag. Wie honderd aanbevelingen per dag krijgt en er de eerste negentig van goed vond, klikt de laatste tien zonder te kijken. Formeel beslist een mens. In werkelijkheid beslist de AI.

Te weinig informatie. Een aanbeveling zonder bron dwingt de mens tot blind vertrouwen of tot al het werk opnieuw doen. Beide zijn slecht. Een goede aanbeveling toont het bewijs, zie waarom AI-output gecontroleerd moet worden.

Geen zekerheidsniveau. Als een aanbeveling met 95 procent zekerheid er hetzelfde uitziet als een met 55 procent, kan de mens niet prioriteren. Zie hoe je weet of een AI-aanbeveling betrouwbaar is.

De grens technisch afdwingen

Een instructie aan een model als "voer niets uit zonder goedkeuring" is een verzoek. Het model houdt zich er meestal aan. De grens tussen aanbevelen en beslissen hoort echter in de software en de rechten te zitten, niet in de instructie:

• Een AI die alleen mag aanbevelen, heeft geen gereedschap om uit te voeren en geen sleutel met schrijfrechten.
• Een AI die mag voorbereiden, kan concepten maken maar niet versturen.
• Goedkeuring is een aparte stap in de software, met een vastgelegde naam en tijd.

Hoe gereedschap en rechten die grens trekken, staat in wat is een AI agent.

Stappenplan: de grens bepalen voor jouw omzetproces

1. Maak een lijst van alle acties die AI in het proces zou kunnen doen, van labelen tot factureren.
2. Scoor elke actie op schade, zichtbaarheid, omkeerbaarheid en externe impact.
3. Wijs per actie een stand toe van 1 tot 5.
4. Begin een stand lager dan je denkt dat kan. Verhoog pas als je data hebt over hoe vaak de AI gelijk had.
5. Leg vast wie goedkeurt en binnen welke termijn.
6. Richt rechten en gereedschap in op de gekozen stand, niet alleen instructies.
7. Evalueer elk kwartaal: welke acties kunnen een stand omhoog, welke moeten omlaag?

Waar dit past

Het onderscheid tussen aanbevelen en beslissen loopt door de hele AI-opbouw van een revenue intelligence-systeem: analyse, signalering, voorbereiding en uitvoering. RiOS werkt op die manier: signalen komen met een voorgestelde volgende stap, en automatiseringen draaien pas na goedkeuring. Het totaalbeeld staat in hoe AI binnen Revenue Intelligence werkt.

Veelgestelde vragen

Is een AI-beslissing altijd riskanter dan een aanbeveling?

Niet per se. Een automatische beslissing over een kleine, interne en omkeerbare actie is vaak betrouwbaarder dan een aanbeveling die niemand leest. Het risico hangt af van de actie, niet van het label.

Wie is verantwoordelijk als een AI-beslissing fout uitpakt?

Het bedrijf, en daarbinnen de eigenaar van het proces. Een AI kan geen verantwoordelijkheid dragen. Daarom moet vooraf vastliggen wie heeft besloten dat een actie automatisch mag.

Kan een aanbeveling automatisch een beslissing worden?

Ja, als je dat bewust zo inricht, bijvoorbeeld na een periode waarin de aanbevelingen aantoonbaar klopten. Maak het een expliciete keuze met een datum en een eigenaar, niet iets dat geleidelijk ontstaat.

Hoe voorkom ik dat mensen aanbevelingen blind goedkeuren?

Beperk het aantal, toon het bewijs, rangschik op impact en zekerheid, en controleer periodiek of goedgekeurde aanbevelingen ook klopten.