Naar inhoud
BetaAI Begrippen

AI-begrippen in gewone taal. Zoek een begrip, blader op letter of filter op onderwerp.

Controleerbaarheid van AI

Ook wel: uitlegbaarheid, explainability, verklaarbaarheid

In het kort

Uitlegbaarheid is de mate waarin mensen kunnen nagaan en begrijpen hoe een AI-systeem tot een uitkomst komt. Bij gewone software staan de stappen vast in programmaregels, maar veel AI-modellen leren zelf patronen uit voorbeelden en laten die stappen niet direct zien. Methoden voor uitlegbaarheid maken zichtbaar welke gegevens het zwaarst meetelden, zodat een bankmedewerker een afgewezen kredietaanvraag gericht kan nakijken.

Waarom is dit belangrijk?

Met uitlegbaarheid kunnen mensen een automatisch advies bevragen en een fout of oneerlijke uitkomst eerder herkennen. In de zorg gebruiken artsen en patiënten die toelichting om samen over een behandeling te beslissen. Op school en op het werk maakt dat het navragen van een oordeel makkelijker, maar een korte uitleg blijft onvolledig en kan vooroordelen of risico's voor de privacy verhullen.

Zo werkt het in de praktijk

De Algemene Rekenkamer controleert algoritmes van de rijksoverheid met een eigen toetsingskader. Ministeries, het UWV en de Sociale Verzekeringsbank leverden daarvoor algoritmes aan. De toets bekijkt sturing, het model, de data en of een mens kan ingrijpen.

In het rapport Aandacht voor algoritmes onderzoekt de Rekenkamer of die systemen controleerbaar blijven. De controle gaat over verantwoording, technische kwaliteit en menselijke tussenkomst. Het kader is bedoeld om zwakke plekken bij het gebruik op te sporen.

Het Algoritmekader van het ministerie van Binnenlandse Zaken vraagt menselijk toezicht op algoritmes. Bij een hoger risico horen daar regelmatige controles bij. De norm ISO/IEC 42001, een afspraak over beheer van AI, vraagt interne audits en metingen.

Bron: dewereldvanai.nl

Gecontroleerd op 5 november 2026