Quality gates & escalatiebeslissen

Wanneer “mooie output” ineens een besluit wordt

Je werkt aan een DNB-interne notitie die onder tijdsdruk rond moet. Copilot heeft je geholpen met een strakke samenvatting (Offloader) en een overtuigende herformulering (AI-Assisted Editor). Dan komt de vraag van je manager: “Kunnen we dit nu delen met de directie?” of “Kun je dit opnemen in het dossier?” Op dat moment verschuift de taak: je bent niet meer aan het schrijven — je bent aan het beslissen over kwaliteit, risico en verantwoordelijkheid.

In het AI-tijdperk voelt die verschuiving verraderlijk klein. Een tekst die “professioneel klinkt” kan onbedoeld te zeker, te deelbaar, of feitelijk niet te herleiden zijn. En hoe beter de formulering, hoe makkelijker anderen aannemen dat de inhoud ook klopt, afgestemd is en gedragen wordt.

Daarom hoort kritisch denken hier bij een praktische discipline: quality gates (vaste controlepoorten) en escalatiebeslissen (weten wanneer je opschaalt, pauzeert of extra ogen vraagt). Dit is geen extra bureaucratie, maar een manier om de DNB-kernwaarden (zorgvuldigheid, betrouwbaarheid, uitlegbaarheid, professioneel handelen) onder tijdsdruk concreet te maken.

De basis: wat zijn quality gates en wat is escalatie?

Quality gates zijn vooraf afgesproken momenten waarop je AI-ondersteund werk niet verder laat stromen zonder een gerichte check. Zie het alsof je een sluis in een kanaal hebt: je kunt snel vooruit, maar je gaat pas door als waterpeil (kwaliteit/risico) klopt. Gates helpen vooral tegen twee AI-risico’s die je al hebt gezien: schijnzekerheid (“klinkt waar”) en nuanceverlies (“voorbehouden verdwijnen”).

Escalatiebeslissen betekent: bewust kiezen dat je het niet alleen afdoet. Je schakelt bijvoorbeeld een inhoudelijk eigenaar, een collega met dossierkennis, of een formele reviewer in. Escalatie is geen teken van zwakte; het is een professioneel signaal dat de impact, gevoeligheid of onzekerheid hoger is dan je individuele controle toelaat.

Onder deze twee ligt één principe uit Responsible AI dat hier leidend is: proportionaliteit. Niet elke AI-tekst vraagt dezelfde zwaarte aan checks, maar elke AI-tekst vraagt wel expliciete regie. De truc is dus niet “altijd streng”, maar “altijd passend streng”.

Een nuttige analogie: Copilot is als een zeer snelle junior die uitstekend kan schrijven. Jij blijft eindverantwoordelijk; quality gates zijn jouw vaste momenten om te controleren of de junior geen aannames heeft ingevuld, geen feiten heeft verzonnen, en geen toon heeft gekozen die later beleidsmatig gelezen wordt.

Drie quality gates die AI-output betrouwbaar en uitlegbaar maken

1) Gate op input en scope: “Hebben we minimalistisch en doelgericht gewerkt?”

Deze gate komt eerder dan veel mensen denken: vóórdat je de output gaat polishen, check je of je input-minimalisatie en scopebewaking serieus hebt genomen. Als je te veel ruwe broninformatie hebt geplakt “voor het gemak”, heb je twee problemen tegelijk: een vertrouwelijkheidsrisico (context-lekkage/herleidbaarheid) én een kwaliteitsrisico (AI kan details tot harde claims smeden). Een gate op input is dus ook een gate op latere reputatie- en besluitrisico’s.

In de praktijk stel je hier drie vragen aan jezelf. Eén: was elk stukje context noodzakelijk voor de taak, of vooral handig? Twee: heb je onbedoelde “puzzelstukjes” meegegeven (sector + timing + interne term) die herleidbaarheid vergroten? Drie: is je prompt zó geformuleerd dat Copilot binnen grenzen blijft, bijvoorbeeld “alleen herformuleren, geen nieuwe feiten” of “scheid feiten/aannames/voorstellen”? Als je dit niet helder hebt, wordt elke nuance-check later ruis.

Een typische misvatting is: “Als ik de output maar check, maakt de input niet uit.” Maar input bepaalt welke ruimte Copilot krijgt om te combineren en te verkennen. Hoe ruimer de input, hoe groter de kans dat Copilot een plausibel verhaal bouwt dat je later niet meer kunt herleiden naar bronnen. Uitlegbaarheid begint dus aan de voorkant: je kunt alleen uitleggen waar iets vandaan komt als je de weg niet dichtgeplakt hebt met onnodige details.

Best practice: leg in één zin vast wat de bedoelde functie van de output is (brainstorm, interne conceptnotitie, besluitvoorstel, externe tekst). Die functie bepaalt meteen hoe streng je gates moeten zijn en of escalatie waarschijnlijk wordt.

2) Gate op inhoud: “Wat is feit, wat is interpretatie, wat is voorstel?”

Dit is de belangrijkste gate voor kritisch denken met AI, omdat Copilot uitstekend is in het “egaliserend” schrijven: alles krijgt dezelfde overtuigingskracht. Daarmee vervaagt het verschil tussen een meetbaar feit, een redenering, en een actievoorstel. Precies dat is gevaarlijk in DNB-context: een lezer kan een AI-zin oppakken als “DNB concludeert…” terwijl het oorspronkelijk een tentatieve gedachte was.

Een sterke inhoud-gate werkt met een eenvoudige scheiding: F/I/V. Feiten (verifieerbaar), Interpretaties (analyse, duiding, aannames) en Voorstellen (wat jij adviseert te doen). Als je die scheiding expliciet maakt, kun je gericht controleren. Feiten moeten terug te voeren zijn op bronnen of gecontroleerde data; interpretaties moeten hun aannames tonen; voorstellen moeten hun criteria en risico’s expliciet maken. Dit sluit direct aan op de kern van Responsible AI: transparantie (traceerbare redenering) en controle (menselijke ownership).

Valkuil: mensen gebruiken Copilot als “validator” (“bevestig dat dit klopt”). Dat voelt efficiënt, maar het creëert schijnzekerheid. AI kan een fout overtuigend bevestigen, of correct klinkende argumenten geven die niet passen bij jouw beleidskader. In plaats daarvan gebruik je AI slimmer: laat het een verificatie-checklist maken (“welke claims vragen bron?”, “welke aannames zijn impliciet?”), maar laat het niet de bronautoriteit spelen.

Best practice: markeer in je tekst zinnen die als hard standpunt kunnen worden gelezen. Dit is precies waar de AI-Assisted Editor risico kan vergroten: de tekst wordt zo “af” dat hij deelbaar lijkt. Je gate voorkomt dat “af” verward wordt met “afgestemd”.

3) Gate op deelbaarheid en downstream-impact: “Waar kan dit terechtkomen — en wat doet dat?”

De derde gate gaat niet over of de tekst mooi is, maar of hij passend deelbaar is. Dit is de sluitsteen van de vertrouwelijkheidsles: output is óók een vertrouwelijk object. Een interne conceptzin kan later, via doorsturen of hergebruik, een basis worden voor besluitvorming of externe communicatie. AI verhoogt dat risico doordat het teksten produceert die er direct publiceerbaar uitzien.

Een goede deelbaarheids-gate kijkt naar twee dimensies. De eerste is publieksniveau: kleine kring, breed intern, of extern. De tweede is impact: informerend, richtinggevend, of besluitvormend. Hoe hoger de impact en hoe breder het publiek, hoe strenger de eisen aan bronbaarheid, nuance en formulering. Dit is proportionaliteit in actie: je kiest niet “meer checken” omdat het AI is, maar omdat de consequenties groter worden als het misgaat.

Misvatting: “Als we namen en cijfers weglaten, is het wel deelbaar.” Herleidbaarheid kan ook zitten in combinatie van kenmerken, interne termen en specifieke timing. Daarnaast kan de argumentatielijn zelf gevoelig zijn: zelfs zonder namen kan een strakke rationale interne deliberatie onthullen. Daarom check je ook op “DNB-eigen” taal en unieke zinsneden die de herkomst of het dossier kunnen verraden.

Best practice: voeg waar nodig expliciete status-taal toe (concept, onder voorbehoud, nog te verifiëren) en verzwak geen voorbehouden. Als Copilot onzekerheden “gladstrijkt”, zet jij ze terug, juist om betrouwbaarheid en professioneel handelen te beschermen.

[[flowchart-placeholder]]

Wanneer escaleer je? Een beslismodel dat past bij de 9 archetypen

Escalatie is het moment waarop je erkent: “Dit kan niet veilig verder zonder extra expertise, autorisatie of context.” Om dat consistent te maken, helpt het om escalatie niet te laten afhangen van onderbuikgevoel, maar van drie triggers: impact, onzekerheid, en gevoeligheid. Die triggers stuur je vervolgens naar de juiste rol: inhoudelijk eigenaar, reviewer, lijnverantwoordelijke, of specialist.

Onderstaande tabel maakt het scanbaar: je ziet per gate wat je checkt en wanneer escalatie logisch is.

Een belangrijk nuancepunt: escalatie is niet alleen “naar boven”. Soms is het horizontaal: een collega die het dossier kent, een team dat over consistentie waakt, of iemand die goed is in het terugbrengen van onzekerheden. Escalatie is dus een kwaliteitsinstrument, geen hiërarchische reflex.

Twee DNB-realistische situaties, stap voor stap

Voorbeeld 1: Offloader → AI-Assisted Editor, en dan een gate vóór verzending

Je hebt een interne mail nodig met kernboodschap en actiepunten over een lopend dossier. Je gebruikt Copilot als Offloader op basis van jouw geabstraheerde samenvatting (geen ruwe mailthread): onderwerpregel, korte context, drie bullets. Daarna laat je de AI-Assisted Editor consistentie en toon verbeteren. De output is helder, strak en “af”.

Nu komt Gate 3 (deelbaarheid): je leest de mail alsof hij in een breder intern kanaal belandt. Je merkt twee risico’s. Eén: Copilot heeft “wij concluderen” gebruikt waar jij “we verkennen” bedoelde — dat maakt het ineens richtinggevend. Twee: een combinatie van timing + sectoromschrijving + interne term maakt het dossier herleidbaar, ook zonder namen. Je past dit aan: je zet status-taal terug (concept/onder voorbehoud), generaliseert kenmerken, en verwijdert unieke interne termen.

Escalatiebeslissing: je hoeft niet alles omhoog te sturen, maar wel één gerichte check. Je laat een collega met dossierkennis (Co-creator in mensvorm) 5 minuten meekijken met één vraag: “Is dit intern breed deelbaar, en klinkt het niet als vastgesteld standpunt?” Impact: je behoudt snelheid én voorkomt downstream-misinterpretatie. Limiet: dit werkt alleen als jij de gate disciplineert; “mooie mail” is niet gelijk aan “veilige mail”.

Voorbeeld 2: Self-Checker → Critical Verifier, en escaleren op onzekerheid in plaats van op schrijfstijl

Je hebt een concept-argumentatie voor een intern overleg: optie A lijkt proportioneel, maar je voelt dat je redenering op twee aannames leunt. Als Self-Checker vraag je Copilot niet “is A de beste keuze?”, maar: “Welke tegenargumenten zou een kritische collega geven, en welke aannames zijn het kwetsbaarst?” Copilot geeft vijf scherpe tegenwerpingen en wijst op ontbrekende informatie. Dat is nuttig, maar nog geen valide besluitbasis.

Dan komt Gate 2 (F/I/V). Je splitst je concept in drie blokken: feiten (wat je zeker weet), interpretaties (waar je duidt), en voorstel (wat je adviseert). Als Critical Verifier laat je Copilot een verificatie-checklist maken: “Welke feiten vragen bron? Welke interpretaties kunnen alternatieve verklaringen hebben? Welke info ontbreekt om dit verantwoord te besluiten?” Je ziet dat twee kernclaims niet bronbaar zijn met het materiaal dat jij nu hebt, en dat Copilot’s suggesties niet automatisch in DNB-kader passen.

Escalatiebeslissing: je escaleert niet omdat het “spannend voelt”, maar omdat onzekerheid + impact samen hoog zijn. Je schakelt een inhoudelijk eigenaar in met een doelgerichte vraag: “Kun je claim X bevestigen of corrigeren, en aangeven welke bron we mogen gebruiken?” Impact: je houdt menselijke ownership scherp en voorkomt dat AI-tekst de discussie stuurt. Limiet: Copilot kan je checklijst verrijken, maar kan niet bepalen welke bronnen binnen jouw context doorslaggevend zijn.

Afsluiten: een klein systeem dat grote fouten voorkomt

Quality gates zorgen dat AI je versnelt zonder dat overtuigende taal je over een grens trekt. Houd drie poorten vast:

• Input & scope: minimaliseer, begrens, en maak de functie van de output expliciet.

• Inhoud (F/I/V): scheid feiten, interpretaties en voorstellen zodat verificatie gericht blijft.

• Deelbaarheid & impact: beoordeel downstream-risico en zet onzekerheden en status zichtbaar terug.

Dit sets you up perfectly for Onzekerheid & ethische afwegingen [30 minutes].