Kronehoefstraat 85
5612 HL Eindhoven
BTW NL863902509B01
Goedkeuringsworkflows automatiseren: waarom mens-in-de-loop geen zwakte is
qw
vc
mshm
.svg)
Last updated: 2026-07-15
Een goedkeuringsworkflow automatiseren betekent dat een AI-agent het routinewerk overneemt: gegevens uitlezen, matchen aan regels, en alleen escaleren wat buiten de afspraken valt. Mens-in-de-loop is daarbij geen rem op de snelheid, maar het ontwerp dat bepaalt wie het laatste woord houdt. Wie dat goed inricht, wint tijd zonder controle te verliezen.
Zodra het woord automatiseren valt bij een goedkeuringsstap, klinkt er wantrouwen. Niet omdat mensen tegen technologie zijn, maar omdat er geld, een leverancier en een handtekening bij komen kijken. "Straks keurt een bot mijn facturen goed" is geen overdreven angst. Het is een logische reactie op een systeem dat je niet ziet werken.
Die angst heeft een reële basis. Het aantal gemelde AI-incidenten steeg naar 362 in 2025, tegenover 233 in 2024 (Stanford HAI, AI Index Report 2026). Automatisering zonder controle gaat weleens mis. Dat is precies waarom een goede goedkeuringsworkflow niet draait om alles overlaten aan een agent, maar om vakmanschap: weten welk deel van het proces een agent aankan, en welk deel een mens moet blijven zien.
De angst is niet irrationeel. Het is een signaal dat om goed ontwerp vraagt, niet om geen automatisering.
Vakmanschap is hier geen abstract woord. Het betekent dat je vooraf bepaalt welke beslissingen een agent zelfstandig mag nemen, hoe je een fout opvangt voordat die schade doet, en hoe je achteraf kunt reconstrueren wat er is gebeurd. Dat is precies het werk dat het verschil maakt tussen een agent die je vertrouwt en een die je afschakelt na de eerste misser.
In dit artikel laten we zien wat er echt bij komt kijken om een goedkeuringsworkflow te automatiseren zonder de controle kwijt te raken: van evals tot foutafhandeling tot logging, en waarom mens-in-de-loop daarbij een bewuste keuze is, geen noodgreep.
Een goedkeuringsworkflow is de vaste reeks stappen tussen het moment dat iets binnenkomt, zoals een factuur, een inkoopaanvraag of een contract, en het moment dat iemand akkoord geeft. In de meeste MKB-bedrijven loopt die reeks nog grotendeels via e-mail: iemand stuurt door, iemand anders leest, reageert, of vergeet te reageren.
Dat proces loopt op twee plekken vast. Bij volume: hoe meer aanvragen, hoe groter de kans dat er iets blijft liggen. En bij inconsistentie: de ene keer checkt iemand een bedrag zorgvuldig, de andere keer klikt diezelfde persoon akkoord tussen twee vergaderingen door.
De cijfers bevestigen dat handmatige verwerking niet simpelweg een kwestie is van te weinig discipline, maar van een proces dat structureel fouten oplevert. Bijna vier op de tien facturen bevat een fout, zoals een verkeerd bedrag, ontbrekende data of een onjuiste match met de inkooporder (HighRadius, 2025). Bij organisaties zonder automatisering ligt het uitzonderingspercentage rond 14%, en 53% van de AP-teams noemt uitzonderingen hun grootste operationele probleem (Billed, 2026). Het verschil in verwerkingskosten tussen handmatig en geautomatiseerd loopt op tot een factor 4 tot 6 per document, met een doorlooptijd die daalt van 17,4 naar 3,1 dagen bij koplopers (Ardent Partners, 2025).
Het probleem is niet dat mensen slecht keuren. Het probleem is dat elk goedkeuringsmoment dezelfde aandacht vraagt, ongeacht of het een routinefactuur is of een uitzondering.
Dat onderscheid, tussen routine en uitzondering, is precies waar een AI-agent voor procesautomatisering waarde toevoegt: hij herkent het verschil en behandelt het ook zo.
Voor de meeste MKB-organisaties in administratie, bouw en uitzend geldt hetzelfde patroon: het gros van de aanvragen is standaard, en een klein deel vraagt echt beoordelingsvermogen. Een workflow die dat onderscheid niet maakt, behandelt beide even zwaar, en dat is waar de tijd weglekt.
Mens-in-de-loop betekent dat een mens de eindbeslissing houdt over alles wat buiten de vooraf afgesproken regels valt. Dat klinkt als een compromis, als iets wat je toevoegt omdat de techniek nog niet ver genoeg is. Het tegendeel is waar.
Een agent die alles zelfstandig afhandelt, ook de gevallen waarin hij eigenlijk niet zeker is, is geen volwassener systeem. Het is een systeem zonder rem. Mens-in-de-loop is de rem die je zelf inbouwt, op het moment dat het nog kan.
Dat principe staat inmiddels ook in de wet. De Europese AI-verordening verplicht dat hoog-risico AI-systemen zo worden ontworpen dat een mens ze effectief kan overzien: begrijpen wat het systeem wel en niet kan, ingrijpen, en een beslissing terugdraaien (EU AI-wet, Artikel 14, 2024). Die verplichting voor hoog-risicosystemen geldt vanaf 2 augustus 2026. Voor een goedkeuringsworkflow rond geld, contracten of persoonsgegevens is dat geen ver-van-je-bed-regelgeving: het beschrijft wat een goed ontworpen systeem sowieso al zou moeten doen.
Een van de vijf verplichte vaardigheden uit Artikel 14 is bewustzijn van automation bias: de neiging om een AI-uitkomst klakkeloos te volgen, ook wanneer die niet klopt. Voor een goedkeuringsstap betekent dat concreet dat de persoon die een escalatie beoordeelt ook echt moet kunnen afwijken van wat de agent voorstelt, niet alleen op papier het vinkje zetten.
In de praktijk verschuift de rol van de medewerker. In plaats van elke aanvraag zelf te beoordelen, beoordeelt die persoon alleen wat de agent niet zelf kan afhandelen. Minder volume, meer aandacht per beslissing.
Een goedkeuringsagent bouwen is geen kwestie van een prompt schrijven en live gaan. Drie onderdelen bepalen of een agent daadwerkelijk te vertrouwen is.
Evals. Voordat een agent een echte goedkeuring mag raken, testen we hem tegen honderden eerdere gevallen: bekende facturen, bekende uitzonderingen, bekende randgevallen. Pas als de agent consistent de juiste beslissing neemt, of consistent escaleert wanneer hij twijfelt, mag hij live. Die testset groeit mee: elke nieuwe uitzondering die de agent in productie tegenkomt, wordt na beoordeling toegevoegd aan de volgende testronde.
Foutafhandeling. Elke agent maakt weleens een verkeerde inschatting. Foutafhandeling is het ontwerp dat bepaalt wat er dan gebeurt: de agent stopt, markeert wat er misging, en stuurt een gestructureerde melding naar de juiste persoon in plaats van stil door te boeken. Zo'n melding bevat altijd de gegevens die nodig zijn om snel te beslissen: wat de agent zag, welke regel niet klopte, en wat de opties zijn.
Logging. Elke beslissing, automatisch of door een mens, wordt vastgelegd: wat kwam er binnen, welke regel werd toegepast, wie tekende af. Zonder log is een goedkeuring niet meer te reconstrueren, en dat is precies het risico dat bedrijven wantrouwig maakt. Dat log is niet bedoeld om de agent te wantrouwen. Het is de manier waarop je vertrouwen opbouwt: elke beslissing is met terugwerkende kracht te verklaren.
Dat vakmanschap heeft ook een zakelijke kant. Gartner voorspelt dat meer dan 40% van de agentic AI-projecten voor eind 2027 wordt stopgezet, vooral door oplopende kosten, onduidelijke bedrijfswaarde en te weinig risicobeheersing (Gartner, via Forbes, 2026). Projecten die sneuvelen, doen dat zelden omdat het model te zwak was. Ze sneuvelen omdat niemand vooraf de evals, de foutafhandeling en de logging had ingericht.
Dit sluit aan bij de bredere lijn die we zien bij bedrijfsproces automatisering met AI-agents: het verschil tussen een pilot die blijft hangen en een systeem dat echt schaalt, zit precies in dit soort ontwerpwerk.
De vraag is nooit "automatiseren we de goedkeuring wel of niet". De vraag is welk deel automatisch gaat, en welk deel een checkpoint blijft. Voor factuurgoedkeuring ziet die grens er in de praktijk zo uit.
Deze grens ligt niet vast. Naarmate de agent langer meedraait en de evals aantonen dat een categorie betrouwbaar verloopt, kan de drempel verschuiven. Dat is een bewuste, geleidelijke aanpassing, geen big bang waarbij je in één keer alles loslaat.
Een goedkeuringsstap die niet te reconstrueren is, is geen automatisering, het is een black box. Auditbaarheid begint bij drie dingen: wat kwam er binnen, welke regel werd toegepast, en wie nam of bevestigde de beslissing.
Voor intelligente procesautomatisering rond geld of persoonsgegevens komt daar de AVG bij: verwerk je persoonsgegevens van leveranciers of contactpersonen, dan moet je kunnen aantonen waar die data staat en wie erbij kan. Draai je op EU-gebaseerde infrastructuur, met een log die per verwerking bewaart wat er gebeurde, dan voldoe je aan die basisvereiste en aan de kern van Artikel 14 van de AI-wet: een mens kan op elk moment terugzien wat het systeem deed en waarom.
Voor een accountant of toezichthouder is de vraag altijd hetzelfde: kun je aantonen dat de juiste persoon op het juiste moment akkoord gaf, en dat een uitzondering niet stilzwijgend is genegeerd? Met een logging-laag die per goedkeuring vastlegt wie, wat en waarom, is dat antwoord een export, geen speurtocht door mailboxen.
Een goed ingerichte log is niet iets wat je achteraf toevoegt voor de accountant. Het is het bewijs dat het systeem doet wat je denkt dat het doet.
Dit is ook waarom we bij AI-agents & Procesautomatisering de logging-laag als eerste inrichten, niet als laatste stap. Wil je zien hoe dat in de praktijk samenkomt met de rest van het proces, lees dan ook intelligente procesautomatisering voor MKB, waarin we het volledige drie-lagen-model uitleggen.
Een goedkeuringsworkflow is de vaste reeks stappen tussen het binnenkomen van een aanvraag, zoals een factuur of inkooporder, en het moment van akkoord. Bij automatisering neemt een AI-agent het uitlezen, matchen en routeren over, en beoordeelt een mens alleen wat buiten de afgesproken regels valt.
Nee. Mens-in-de-loop is een bewuste ontwerpkeuze die bepaalt wie het laatste woord houdt bij onzekerheid. Een systeem dat alles zelfstandig afhandelt zonder controlepunt is niet volwassener, het heeft simpelweg geen rem ingebouwd.
Goede foutafhandeling zorgt dat de agent stopt zodra hij onzeker is, de afwijking markeert, en een gestructureerde melding stuurt naar de juiste persoon. De factuur of aanvraag wordt niet stilzwijgend doorgeboekt als er twijfel is.
Je definieert vooraf welke afwijkingen een agent zelf mag afhandelen en welke altijd escaleren, zoals een nieuwe leverancier of een bedrag boven een drempel. Elke escalatie krijgt een duidelijke toelichting, zodat de mens snel kan beslissen zonder zelf te hoeven uitzoeken wat er misging.
Standaardgevallen met een bekende leverancier, een bedrag onder de afgesproken drempel en een match met de inkooporder lenen zich goed voor volledige automatisering. Nieuwe leveranciers, grote bedragen en afwijkingen van de inkooporder blijven een mens-in-de-loop-checkpoint.
Door elke stap te loggen: wat kwam er binnen, welke regel werd toegepast, wie nam de beslissing. Draai je op EU-gebaseerde infrastructuur met die logging op orde, dan voldoe je aan de basis van de AVG en aan het menselijk-toezicht-principe uit Artikel 14 van de EU AI-wet.
Branchecijfers laten een factor 4 tot 6 verschil zien in verwerkingskosten per document tussen handmatige en geautomatiseerde verwerking, met een daling van 17,4 naar 3,1 dagen doorlooptijd bij koplopers. Dat is een branchegemiddelde, geen belofte voor jouw specifieke proces: hoeveel tijd jij bespaart hangt af van je aanvraagvolume en het aandeel standaardgevallen.
De kosten hangen af van het aantal systemen dat gekoppeld moet worden, het aanvraagvolume en de complexiteit van de regels, dus een vast bedrag noemen we hier niet. Wij werken met een afgebakende pilotfase op één proces, zodat je vooraf weet wat de investering is voordat je verder opschaalt.
Een goedkeuringsstap hoeft geen bottleneck te zijn en geen blind vertrouwen te vragen. Wij bouwen agents met ingebouwde controle, zodat jij grip houdt op wat automatisch gaat en wat een mens nog checkt.
.svg){kind=icon}