Op 15 juli 2026 zijn in China de Implementation Opinions on Intelligent Agent Governance in werking getreden. Volgens een analyse van AI Governance is dit de eerste jurisdictie met regelgeving die zich uitsluitend op AI-agents richt. Kern van de regeling is een drie-traps beslisautorisatiekader dat agentacties indeelt naar consequentialiteit: routine, belangrijk en hoog-consequent. Voor de hogere niveaus geldt dat voorafgaande menselijke goedkeuring en strengere auditlogs verplicht zijn, en dat organisaties de autonomie en drempels van hun agents moeten documenteren vóórdat die worden ingezet.
Dat is meer dan een detail. Het verankert een idee dat tot nu toe vooral als interne best practice werd behandeld: het moment waarop een AI-systeem autonoom mag handelen en het moment waarop een mens er verplicht tussen moet, is geen vage UX-afweging meer, maar een expliciete grenswaarde die je vooraf vastlegt en achteraf kunt controleren.
De Europese lijn: oversight als risicogebonden drempel
Europa komt langs een andere route bij hetzelfde punt uit. De geconsolideerde redline van de AI Act met de Digital Omnibus on AI (versie van 30 juli 2026) bevestigt dat de verplichting tot effectieve menselijke oversight overeind blijft, en dat die oversight commensurate moet zijn met risico en autonomie. De AI Act schrijft geen vaste numerieke drempels voor, maar eist wel dat high-risk systemen zó zijn ontworpen dat mensen op risicogebaseerde grenswaarden kunnen ingrijpen: beslissen het systeem niet te gebruiken, anomalieën opvangen en automation bias tegengaan.
De analyse van Casys.ai over artikel 4 na de Digital Omnibus vult dat aan. AI-geletterdheid en menselijke oversight blijven verplicht, maar organisaties hoeven geen abstracte 'voldoende'-norm meer te halen. Wél moeten ze aantonen dat hun oversight-personeel passend getraind is, en dat beslissingen met hoge impact een hoger oversight-niveau krijgen dan routinematige taken. De boodschap: drempelwaarden mogen contextafhankelijk zijn, maar je moet ze wel expliciet maken en onderbouwen.
Van norm naar concrete beslisbanden
Hoe zien die drempels er technisch uit? De Art.14-developer guide van Sota.io vertaalt de oversightplicht naar een classificatieschema voor agentacties met vier banden: allow, warn, require_approval en block. In welke band een actie valt, hangt af van een combinatie van factoren: de autoriteit van de actie, de gevolgen, de omkeerbaarheid, de datagevoeligheid, de modelconfidence en de downstream-impact. Confidence- en anomaliedrempels bepalen daarbij wanneer synchrone menselijke review verplicht wordt.
Het praktijkkader van Kla.digital maakt dit nog concreter in policy-taal. require_approval geldt daar voor materiële, moeilijk omkeerbare, rechten-affecterende, gevoelige, nieuwe of laag-confidence acties. block geldt bij ontbrekende verplichte evidence, onbekende bestemmingen of ongeautoriseerde componenten. Organisaties leggen hun eigen autoriteits- en consequentiedrempels vast en projecteren die op hun agents.
Voor wie met hoog-trust informatie werkt, komt dit dicht bij de dagelijkse praktijk. In de zorg kan een samenvatting van een dossier misschien onder warn vallen, terwijl een voorgestelde medicatiewijziging altijd require_approval is. In het recht kan het opzoeken van jurisprudentie autonoom, maar vereist het indienen van een processtuk goedkeuring. In finance kan een categorisering routine zijn, terwijl een transactie boven een bedrag of naar een onbekende begunstigde wordt geblokkeerd.
Drempels moeten zichtbaar en controleerbaar zijn
De rode draad door alle bronnen: het volstaat niet om drempels te definiëren; je moet ook kunnen aantonen dat AI-ondersteunde beslissingen erbinnen zijn gebleven. China eist auditlogs, de AI Act eist aantoonbaar effectieve oversight, en de praktijkkaders draaien om traceerbare beslisregels. Daarmee verschuift de vraag van welke drempels naar hoe je ze afdwingt en verifieert.
Op dat punt kan een verificatielaag zoals IamVera.ai een rol spelen. Vera is geen chatbot en geen eigen taalmodel, maar een privacygerichte verificatielaag voor professionals die met vertrouwelijke informatie werken. Vera kan een taak door geselecteerde onafhankelijke AI-modellen routeren en de verificatiestappen, correcties, meningsverschillen en bronnen zichtbaar maken voor inspectie. Dat ondersteunt controle en geeft meer zicht op wat er is gebeurd; het is geen garantie dat elke uitkomst correct is en verwijdert niet alle onjuistheden of verzinsels.
Die zichtbaarheid sluit aan bij het idee van drempelwaarden als auditeerbare beslisregels. Vera definieert die drempels niet zelf, maar maakt per workflow inspecteerbaar hoe modellen tot een uitkomst kwamen. Voor het beschermen van gevoelige inhoud is er de Semantic Privacy Shield: gevoelige documentwaarden kunnen vóór AI-verwerking op EU-infrastructuur worden vervangen door synthetische, sessiegebonden equivalenten, waarna de originele waarden lokaal kunnen worden hersteld. De workflow is fail-closed: als de privacycontrole faalt, wordt het document niet doorgestuurd. Meer daarover leest u op de pagina over de Privacy Shield en de evidence-pagina.
De verantwoordelijkheid voor het ontwerp van de drempelwaarden — welke actie in welke band valt, per risicocategorie, confidence-band en jurisdictie — blijft bij de organisatie. En het professionele eindoordeel blijft altijd bij de gebruiker. Wat de ontwikkelingen van juli en augustus 2026 duidelijk maken, is dat die drempels niet langer optioneel of impliciet zijn: ze worden een expliciete, documenteerbare ontwerpvariabele in elk AI-landschap dat met gevoelige of hoog-trust informatie werkt.