Wanneer een AI-output “goed genoeg” moet zijn voor DNB-werk

Je gebruikt Copilot om sneller een interne notitie, risico-inschatting of managementsamenvatting te maken. De tekst komt terug met strakke kopjes, duidelijke conclusies en een professioneel register. In de praktijk ontstaat precies dan de spanning: wat is “kwaliteit” als de tekst overtuigend is, maar de onderliggende redenering niet aantoonbaar klopt, niet volledig is, of niet past bij de DNB-context?

In een omgeving waar zorgvuldigheid, uitlegbaarheid en integriteit zwaar wegen, is kwaliteit niet alleen leesbaarheid. Kwaliteit betekent dat je kunt aanwijzen: wat is de claim, waarop steunt die, onder welke voorwaarden geldt die, en hoeveel onzekerheid zit erin. Dat vraagt om een set kwaliteitscriteria die je in minuten kunt toepassen—zodat je snelheid behoudt (Offloader, Power User) zonder dat je onbewust besluitvorming laat leunen op “reasoning-illusie”.

In deze les zet je daarom een praktisch kwaliteitskader neer: criteria die je zowel kunt gebruiken om AI-outputs te beoordelen als om betere prompts te schrijven. Het doel is niet om AI te wantrouwen, maar om AI-denken te disciplineren: snel waar het kan, streng waar het moet.

Wat “kwaliteit van AI-denken” wél en níet is

Kwaliteitscriteria voor AI-denken zijn toetsstenen waarmee je beoordeelt of een AI-output geschikt is als input voor werk dat (impliciet of expliciet) richting geeft aan besluiten, risico’s, beleid of verantwoording. Het gaat om de kwaliteit van de redenering en onderbouwing, niet om de stijl. Een output kan grammaticaal perfect zijn en tóch falen op kwaliteit omdat aannames verstopt zitten, causaliteit wordt gesuggereerd zonder bewijs, of randvoorwaarden ontbreken.

Een nuttige definitie is: kwaliteit = herleidbaarheid + verifieerbaarheid + contextfit + onzekerheidsdiscipline. Herleidbaarheid betekent dat je kunt teruggaan van conclusie naar claims naar bronnen of input. Verifieerbaarheid betekent dat feitclaims controleerbaar zijn en “bron-achtige” taal niet als rookgordijn fungeert. Contextfit betekent dat definities, scope en normatieve keuzes passen bij jouw DNB-setting (kaders, begrippen, governance). Onzekerheidsdiscipline betekent dat grenzen van kennis zichtbaar blijven, in plaats van gladgestreken.

Een belangrijk principe uit de eerdere les is dat AI soms een reasoning-illusie creëert: de vorm lijkt logisch en compleet, maar de inhoud is vooral taalpatroon. Daarom blijft de werkregel staan: behandel AI-output als concept/hypothese totdat de kernclaims voldoen aan jouw kwaliteitscriteria. Dit is ook de brug naar de 9 archetypes: ieder archetype kan AI waardevol inzetten, maar ieder archetype heeft een andere “kwaliteit-valkuil” (overname, schijn-checks, polijsten van drijfzand).

De vier kwaliteitscriteria die het verschil maken (en hoe ze misgaan)

1) Herleidbaarheid: kun je terug naar input, aannames en keuzes?

Herleidbaarheid betekent dat een lezer (of jijzelf over drie weken) kan volgen hoe een conclusie ontstaat. Bij AI-outputs ontbreekt dit vaak omdat Copilot een afgerond verhaal genereert waar aannames, waardekeuzes en scope-beslissingen impliciet blijven. Je ziet dan keurige alinea’s met “logische” overgangen, maar je kunt niet aanwijzen welke zin een feitclaim is, welke een aanname is, en welke een beleidsmatige voorkeur uitdrukt. Daardoor lijkt het alsof er een objectieve analyse ligt, terwijl het eigenlijk een plausibele narratieve constructie is.

In de praktijk toets je herleidbaarheid door AI-tekst te “ontvlechten” naar minimaal drie lagen: claim → onderbouwing → implicatie. Als die onderbouwing in de tekst ontbreekt, moet hij komen uit (a) jouw input, (b) expliciet aangeleverde bronnen of (c) een afgesproken intern kader. Kan dat niet, dan degradeert de zin naar “hypothese” of “nog te onderzoeken”. Dit voorkomt dat vooral Offloader/Power User per ongeluk een concept als eindproduct doorzet, simpelweg omdat het er af uitziet.

Een typische misconceptie is: “Als ik Copilot vraag om ‘redeneer stap voor stap’, dan is het herleidbaar.” Wat je dan vaak krijgt is een extra laag tekst—niet automatisch echte herkomst of controleerbaarheid. Herleidbaarheid vraagt dat de output expliciet maakt: wat komt uit mijn input, wat is toegevoegd, en wat is onzeker. Zonder dat blijft het risico bestaan dat je een nette, maar ontraceerbare redenering adopteert.

2) Verifieerbaarheid: zijn claims controleerbaar of slechts ‘bron-achtig’?

Verifieerbaarheid gaat over de vraag of een uitspraak gecontroleerd kan worden met acceptabele middelen: interne data, beleid, definities, betrouwbare externe bronnen, of expert review. AI-outputs falen hier vaak via twee bekende patronen uit de eerdere les: over-precisie (“significant”, “laag risico”, “bewezen”) zonder meetlat, en bron-achtige taal zonder bron (“onderzoek toont aan”, “best practices”) zonder verwijzing. Het probleem is niet alleen dat het fout kan zijn, maar dat het de discussie stillegt: de tekst klinkt alsof verificatie al heeft plaatsgevonden.

Een sterke best practice is om elke output te behandelen als een set auditbare beweringen. Alles wat feitelijk klinkt, krijgt een simpele status: “geverifieerd / verifieerbaar / niet verifieerbaar met huidige info”. Vooral Critical Verifier heeft hier een scherp onderscheid nodig: AI-tegenargumenten zijn geen bewijs. Als je Copilot vraagt “klopt dit?”, krijg je vaak een tweede plausibele tekstlaag; zonder externe referentie blijf je in taal rondcirkelen. Verifiëren is dus óf: bron erbij, óf: onzekerheid expliciet maken en besluitimpact beperken.

Een tweede misconceptie is: “Als meerdere AI-prompts hetzelfde zeggen, dan zal het wel kloppen.” Dat is schijn-consensus: je meet dan vooral stabiliteit van het model, niet waarheid. Verifieerbaarheid vraagt uiteindelijk altijd één van twee dingen: traceerbare bron of traceerbare methode (bijv. jouw eigen rekenstappen, dataset, of afgesproken normenkader). Zonder die twee hoort de output niet als “feitelijke onderbouwing” een besluitstuk in.

3) Contextfit: klopt de tekst binnen scope, definities, normen en randvoorwaarden?

Contextfit betekent dat de output past binnen jouw werkcontext: definities, reikwijdte, governance, compliance, en vooral: wat in jouw omgeving “acceptabel”, “laag risico” of “voldoende” betekent. Een AI-output kan inhoudelijk best redelijk zijn in algemene zin, maar tóch onbruikbaar omdat hij voorwaarden weglaat. Dit was een van de kern-valstrikken: de tekst is schoon en stellig, maar mist de “mitsen en maren” die een professionele beoordeling juist maken.

Je toetst contextfit door drie vragen expliciet te maken: voor wie geldt dit, wanneer geldt dit, en onder welke constraints geldt dit? Als de output “doe A” zegt, maar niet benoemt dat A afhankelijk is van IT-capaciteit, privacykaders, governance-afspraken of definities, dan is het advies nog geen advies—het is een richting zonder landingsgestel. Dit is precies waar AI Refiner en AI-Assisted Editor risico lopen: zij kunnen de tekst perfect maken terwijl de contextankers ontbreken.

Een typische misconceptie is: “We vullen de randvoorwaarden later wel aan.” In vloeiende tekst zijn gaten juist lastig te zien; de leeservaring geeft weinig frictie. Daarom werkt het beter om contextfit vroeg te forceren: scope en randvoorwaarden zijn geen bijlage, maar onderdeel van kwaliteit. Als de output die niet noemt, markeer je het als “onvolledig in context” in plaats van het stilzwijgend mee te laten liften.

4) Onzekerheidsdiscipline: durft de output grenzen te tonen zonder besluitkracht te verliezen?

Onzekerheidsdiscipline is het vermogen om onzekerheid, alternatieve verklaringen en beperkingen zichtbaar te houden—zonder dat het stuk vaag wordt. AI is geneigd om onzekerheid glad te strijken: het maakt causaliteit “netjes”, kiest één interpretatie, en schrijft conclusies alsof de wereld eenduidig is. Dat helpt voor tempo en overtuigingskracht, maar het ondermijnt kwaliteit wanneer een besluit later uitlegbaar moet zijn.

Een concrete check is om bij causale taal (“leidt tot”, “daardoor”) te vragen: is dit bewezen, aannemelijk, of speculatief? Uit de eerdere les komt hier de consequente correctie: causaliteit die niet hard is, label je als hypothese en je noemt minimaal één alternatief (“kan ook verklaard worden door…”). Dat is geen academische luxe; het voorkomt dat een team maatregelen koppelt aan een effect dat nooit is aangetoond. Creative Director en Co-creator hebben hier een specifieke verantwoordelijkheid: richting geven mag, maar de tekst moet laten zien waar de keuze zit en waar de onzekerheid zit—anders wordt het verhaal “de waarheid”.

De misconceptie hier is: “Onzekerheid tonen maakt het stuk zwak.” In professionele context werkt het omgekeerd: goed geplaatste onzekerheid vergroot betrouwbaarheid. Het maakt expliciet wat nog onderzocht moet worden en welke claims besluitrelevant zijn. Je behoudt besluitkracht door onzekerheid te koppelen aan handelingsopties: “Als X waar is, doen we A; als Y waarschijnlijker is, doen we B.”

Eén compacte scorecard om de criteria scherp te houden

Kwaliteitscriterium Wat je in AI-tekst wilt zien Rode vlag (veelvoorkomende valstrik) Snelle interventie (30–90 sec)
Herleidbaarheid Claims zijn te herleiden naar input/kader; aannames zijn gelabeld. Conclusie zonder expliciete aannames of bronnen; “af” verhaal. Splits in feit / aanname / keuze; markeer wat nieuw is t.o.v. jouw input.
Verifieerbaarheid Feitclaims zijn controleerbaar; bronclaims hebben echte bronnen. “Best practices/onderzoek toont aan” zonder bron; over-precisie zonder meetkader. Zet status: geverifieerd / te verifiëren / niet verifieerbaar en verlaag stelligheid waar nodig.
Contextfit Scope, definities en randvoorwaarden zijn expliciet; afhankelijkheden zijn genoemd. Weggelaten voorwaarden; generieke adviezen zonder constraints. Voeg “geldt voor… / mits… / tenzij…” zinnen toe of laat AI ze expliciet opsommen.
Onzekerheidsdiscipline Onzekerheid en alternatieven zijn zichtbaar; causaliteit is proportioneel. Gladde causaliteit; één dominante verklaring zonder nuance. Vervang “leidt tot” door “kan bijdragen aan”; voeg 1 alternatief mechanisme toe.

[[flowchart-placeholder]]

Twee voorbeelden: kwaliteitscriteria toepassen in dagelijkse Copilot-workflows

Voorbeeld 1: Offloader + AI-Assisted Editor bij een risicoparagraaf (snel, maar toetsbaar)

Je delegeert aan Copilot: “Schrijf top 5 risico’s en mitigaties voor proceswijziging X.” De output komt terug met impact/kans (“hoog/middel”), en per risico een mitigerende maatregel. Dit voelt meteen bruikbaar, maar jouw kwaliteitskader zet je op scherp waar het telt: besluitimpact-zinnen. Je markeert alle kwalificaties (hoog/middel/laag, significant, acceptabel) als potentiële over-precisie en vraagt: “welk meetkader hoort hierbij?” Als er geen kader in de input zat, mag de AI het niet ‘invullen’ als feit.

Vervolgens toets je contextfit: bij iedere mitigatie check je of er voorwaarden ontbreken. Een mitigerende actie als “introduceer aanvullende controles” is pas kwaliteit als er bij staat waar in het proces, door wie, en onder welke constraints (bijv. governance/rollen, privacy, IT-capaciteit). Ontbreekt dat, dan herlabel je de maatregel als “richting” in plaats van “plan”. Daarmee voorkom je dat een nette alinea per ongeluk als uitvoerbaar besluitstuk wordt gelezen.

De winst is dubbel: Offloader behoudt tijdswinst doordat Copilot structuur levert, en AI-Assisted Editor kan vervolgens de leesbaarheid verhogen zónder dat je inhoudelijk drijfzand oppoetst. De beperking blijft dat verificatie niet uit tekst komt: waar risico-inschatting “hoog” zegt, moet jij ofwel het interne risicokader koppelen, of de stelligheid terugbrengen naar “indicatief, nog te toetsen”.

Voorbeeld 2: AI Trusteer + Critical Verifier bij beleidsopties (divergent denken zonder retorische bias)

Je vraagt Copilot om zes beleidsopties met pro/contra om divergent te denken. De output is breed en netjes gestructureerd, maar sommige opties krijgen “gratis gezag” door bron-achtige taal: “bewezen effectief”, “sluit aan bij best practices”. Je past nu verifieerbaarheid toe als filter: elke optie split je in feitclaims, aannames, waardekeuzes en procesadviezen. Vooral zinnen die de optie “sterker” maken (bewezen, significant, leidt tot) krijgen prioriteit, omdat ze besluitvorming sturen.

Als Critical Verifier zet je onzekerheidsdiscipline in: waar causaliteit wordt gesuggereerd (“optie B leidt tot hogere naleving”), vraag je naar mechanisme of bewijs. Als dat ontbreekt, herformuleer je naar proportionele taal (“kan naleving ondersteunen, afhankelijk van implementatie en handhaving”) en noteer je wat nodig is om te verifiëren (interne data, expert review, literatuur). Daarmee maak je het debat eerlijker: opties winnen niet op retorische kracht, maar op expliciete aannames en toetsbaarheid.

De winst is dat AI Trusteer nog steeds opties genereert (snel en breed), terwijl Critical Verifier voorkomt dat “mooie symmetrie” of professioneel taalgebruik de uitkomst bias’t. De beperking is dat je soms bewust kiest om een optie níet te verifiëren in deze fase—maar dan moet dat zichtbaar zijn: “hypothese voor verdere analyse” in plaats van “onderbouwde conclusie”.

Afsluiten: kwaliteit als herhaalbaar gedrag, niet als extra werk

Kwaliteit in AI-denken is geen uitgebreide audit; het is een korte discipline op de juiste plekken. Als je maar één ding meeneemt: beoordeel AI-tekst niet op hoe overtuigend hij is, maar op herleidbaarheid, verifieerbaarheid, contextfit en onzekerheidsdiscipline. Dat zijn precies de criteria die voorkomen dat over-precisie, gladde causaliteit, weggelaten voorwaarden en bron-achtige rookgordijnen stilletjes besluitvorming binnendringen.

Met dit kader kun je per archetype gericht scherp zijn: snel waar het mag, streng waar het moet. Next, we'll build on this by exploring Evidence literacy & DNB-integriteit [30 minutes].

Laatste wijziging: woensdag, 1 juli 2026, 13:39