AI-agents of business rules: wie mag de beslissing nemen?

Een AI-agent kan een hypotheekaanvraag beoordelen. De Blueriq Rule Engine kan dat ook. Beide automatiseren dezelfde beslissing, maar ze doen het op een fundamenteel andere manier en dat verschil bepaalt of je het besluit later nog kunt uitleggen aan een toezichthouder of aan een burger. Dus wie mag beslissen?

Het korte antwoord: allebei, maar niet over hetzelfde vraagstuk. Business rules nemen de beslissingen die je vooraf kunt vastleggen; een AI-agent komt in beeld bij de dossiers die buiten die regels vallen. De agent doet dan een voorstel en de regels houden het laatste woord.

Business rules: deterministisch

Een business rule is logica die een mens expliciet heeft opgeschreven. Je kunt hem letterlijk uitschrijven als een if-else statement:

ALS       het inkomen is aangetoond
EN        de loan-to-value (de verhouding tussen de lening en de
          waarde van de woning) ligt onder de norm
DAN       automatische acceptatie
ANDERS    naar de acceptant

Elke voorwaarde is waar of niet waar. Meer smaken zijn er niet. Daarmee is de uitkomst een vaste functie van de input: dezelfde aanvraag levert altijd dezelfde beslissing op. Dat is wat deterministisch betekent.

AI-agents: probabilistisch

Een AI-agent werkt anders. Je geeft hem een doel, wat context en toegang tot een paar tools en hij bepaalt zelf de stappen. Onder de motorkap zit een taalmodel werkt op basis van kansberekening door middel van een specifiek getraind model (LLM)

"Toekennen" is dan misschien de waarschijnlijkste uitkomst, maar "afwijzen" heeft ook kans. Stel dezelfde vraag twee keer en je kunt twee verschillende antwoorden krijgen. Dat is probabilistisch.

Deterministisch versus probabilistisch

Waarom regels de basis blijven

Regels zijn op hun plek als je de logica vooraf kunt vastleggen: een kredietwaardigheidscheck, een verzekeringstariefklasse, een ontvankelijkheidstoets, de criteria van een subsidieregeling. De input is gestructureerd en je weet al wat het antwoord zou moeten zijn.

In gereguleerd werk komt daar een tweede reden bij die zwaarder weegt dan snelheid. De regel die is doorlopen ís de uitleg. Een Rule Engine wijst de exacte conditie aan die het besluit triggerde, geen reconstructie achteraf maar het besluit zelf. Precies wat je nodig hebt bij een audit, een bezwaarschrift of een vraag van een toezichthouder.

Determinisme helpt bovendien bij testen. Elke regelset is los te testen en gedraagt zich in productie hetzelfde als in de test. En er komt geen modelaanroep aan te pas, dus je betaalt ook geen inferencekosten per beslissing.

Waar een AI-agent juist wél verschil maakt

Soms is de logica niet vooraf op te schrijven, omdat de uitkomst afhangt van het begrijpen van de situatie. De input is rommelig of ongestructureerd. Of het is een geval dat niemand had voorzien of openstaat ter interpretatie.

Denk aan een aanvrager die zijn situatie in een lap vrije tekst beschrijft. Aan een vergunningaanvraag met een bouwtekening als bijlage. Aan een zelfstandige met een inkomenspatroon dat in geen enkele vooraf bedachte regel past. Een Rule Engine handelt alleen af wat is voorzien; een agent generaliseert, omdat hij van patronen werkt in plaats van een regelset.

Regels eerst, AI agents alleen als het moet

In de praktijk zet je de twee achter elkaar. De aanvraag komt binnen en gaat eerst naar de regels, want die zijn goedkoop en snel. Voldoet alles aan het beleid? Dan is het besluit klaar. Valt de aanvraag duidelijk buiten het beleid? Ook dan is het snel klaar.

Alleen als de regels het niet kunnen beslissen, gaat de zaak naar een AI-agent. Die maakt de data eerst bruikbaar en zet vervolgens de tools in die de situatie vraagt: een model dat de bijlage leest, een query op het klantdossier. Welke tool wanneer, dat bepaalt de agent zelf.

En dan het belangrijkste: de agent doet een aanbeveling, niet het besluit. Die aanbeveling gaat langs deterministische guardrails. Boven een bepaald bedrag of risiconiveau gaat de zaak eerst naar een medewerker; daaronder mag het door. Zo houd je de mens erbij waar de belangen het grootst zijn, zonder elke aanvraag langs een bureau te sturen.

Wat dit betekent voor je architectuur

Deze taakverdeling is geen extra laag die je erbij bouwt. Het is een afbakening: je legt vast welk deel van de beslissing in het regelmodel hoort en welk deel je aan een model overlaat. Wetgeving, beleid en acceptatiecriteria modelleer je als expliciete, uitlegbare regels. Het proces eromheen bepaalt wanneer een zaak automatisch door mag, wanneer hij escaleert, en wanneer een kenniswerker aan zet is. Zo werk je in Blueriq.

Daarmee blijven de vragen die je op een architectuurboard krijgt te beantwoorden. Waar leeft de regel, wie heeft hem gewijzigd, en welke versie gold op het moment van het besluit? Bij een regelmodel is dat na te lopen. Bij een taalmodel dat de beslissing zelf neemt, niet.

AI-agents zijn in dat plaatje een bouwsteen in het proces, geen vervanging ervan. Ze helpen daar waar de regels stoppen, en een menselijke beoordeling te zwaar is. Houd de AI-taken klein en specifiek, en toets elke uitkomst aan het beleid voordat het proces verdergaat. Dan hoeft er geen black box in je landschap te komen.

Veelgestelde vragen

Wat is het verschil tussen business rules en een AI-agent?
Business rules zijn logica die een mens vooraf heeft opgeschreven als condities en een actie, met een deterministische uitkomst: dezelfde input geeft altijd dezelfde beslissing. Een AI-agent krijgt een doel, context en tools, bepaalt zelf de stappen en is probabilistisch: dezelfde input kan een andere uitkomst geven.

Kun je een beslissing van een AI-agent uitleggen aan een toezichthouder?
Niet op dezelfde manier. Bij een rule engine ís de doorlopen regel de uitleg. Bij een taalmodel kun je de uitkomst achteraf reconstrueren of via testpaden aantonen, maar niet met dezelfde zekerheid aanwijzen welke voorwaarde het besluit nam. Daarom laat je in gereguleerde processen de eindbeslissing bij de regels.

Vervangen AI-agents een rule engine?
Nee. In de praktijk zet je ze naast elkaar: de regels beslissen wat vooraf vastgelegd is, de agent doet een voorstel bij de rest, en deterministische guardrails plus human-in-the-loop bepalen wat er met dat voorstel gebeurt.

Waar begin je?
Bij het deel dat je al kunt opschrijven. Modelleer de regels die je beleid en wetgeving weergeven, meet hoeveel zaken daarop automatisch afgehandeld worden, en zet een agent pas in op de restcategorie die overblijft.