🤖 AI

Flow-by-Flow:Content-Judgment Bypass for Governing AI Output in High-Loss Domains

Dit artikel stelt "Flow-by-Flow" voor, een governance-paradigma voor AI-domeinen met een hoog risico dat inhoudelijke evaluatie omzeilt om de cognitieve grenzen van mensen te overstijgen door niet-lineaire kosten op hoog-volume productie op te leggen en institutionele capaciteitsplafonds af te dwingen, waardoor wordt gewaarborgd dat de toezichtslast beheersbaar blijft zonder te vertrouwen op foutgevoelige inhoudelijke beoordeling.

Oorspronkelijke auteurs: Hiroki Naito

Gepubliceerd 2026-08-11

📖 11 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hiroki Naito

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je de kapitein bent van een enorm schip, en je taak is om het door een storm te sturen. In de oude dagen bestond de storm alleen uit wind en regen; je kon de golven zien, de spray voelen en precies weten wanneer je het wiel moest draaien. Maar stel je nu voor dat de storm bestaat uit miljoenen onzichtbare, vormveranderende geesten die kunnen praten, schrijven en discussiëren. Dit is de wereld van Kunstmatige Intelligentie (AI) in hoogwaardige velden zoals de juridische sector, de geneeskunde en de wetenschap. Het grote probleem is niet alleen dat er te veel geesten zijn; het is dat ze zo goed worden in het klinken als echt, dat zelfs de beste kapiteins aan hun eigen ogen gaan twijfelen.

Lange tijd dachten experts dat de oplossing simpel was: "Voeg gewoon meer kapiteins toe!" of "Maak de kapiteins slimmer!" Ze geloofden dat als mensen in de loop bleven om het werk van de AI te controleren, alles veilig zou zijn. Maar een nieuw idee suggereert dat dit is alsof je een orkaan probeert te vangen met een vlindernet. De AI kan nu werk produceren sneller dan een mens het ooit kan lezen, en hoe "perfecter" de AI wordt, hoe meer het menselijk brein begint te ontspannen en het te veel vertrouwt, waardoor subtiele fouten worden gemist. Het papier waar we naar kijken, betoogt dat we niet alleen maar meer menselijke ogen kunnen toevoegen; we moeten de regels van het spel volledig veranderen. In plaats van te proberen elke pagina te lezen die de AI schrijft, moeten we een tolhuis bouwen dat meet hoe zwaar het werk is voordat het de kapitein überhaupt bereikt.

Dit artikel, getiteld "Flow-by-Flow," stelt een slimme nieuwe manier voor om de vloedgolf aan door AI gegenereerde inhoud te beheren zonder de inhoud zelf te lezen. De auteur suggereert dat we, in plaats van te vragen: "Is dit verhaal waar?" (wat moeilijk en riskant is), moeten vragen: "Hoeveel moeite lijkt het gekost te hebben om dit verhaal te maken?" De auteur introduceert een systeem genaamd een "Cognitieve Kosten Score". Denk aan het als een videogame waarbij je niet zomaar de "aanval"-knop kunt blijven spammen. Als je te vaak aanvalt, of als je aanvallen te complex zijn, vertraagt het spel je automatisch. Het artikel stelt voor om eenvoudige, telbare zaken te gebruiken—zoals het aantal pagina's, het aantal juridische claims of het aantal grafieken in een rapport—om een score te berekenen. Als de score te hoog is, wijst het systeem het werk niet af; in plaats daarvan wordt het gerouteerd naar een "exceedance pathway" (een traject voor overschrijding) waar de indiener aanzienlijke frictie moet ondergaan, zoals wachten in een fysieke rij of het betalen van een "tijdbelasting", voordat hij kan indienen.

De auteur heeft computersimulaties uitgevoerd (specifiek een Monte Carlo-analyse met 1.000 verschillende scenario's) en heeft gevonden dat deze "flow control"-methode in ongeveer 90,8% van de gevallen beter werkt dan het simpelweg inhuren van meer mensen om het werk te controleren. De auteur betoogt dat het proberen te controleren van elke AI-output een verloren strijd is, omdat de AI sneller kan schrijven dan een mens kan denken. In plaats daarvan, door het "duur" (in termen van tijd en inspanning) te maken om enorme, complexe batches werk in te dienen, vertraagt het de vloedgolf op natuurlijke wijze. Het artikel suggereert dat voor de meest complexe inzendingen de enige eerlijke manier om hiermee om te gaan, is door de mens te verplichten fysiek aanwezig te zijn en te wachten, waardoor een digitaal probleem verandert in een fysiek probleem. Dit zorgt ervoor dat zelfs als de AI snel is, de menselijke supervisor niet wordt overweldigd, waardoor de "storm" op een beheersbare grootte blijft.

De Kernidee: Waarom "Meer Mensen" Niet het Antwoord Is

Het artikel begint met het wijzen op een fout in hoe we momenteel over AI-veiligheid denken. We gaan er meestal van uit dat als een AI een fout maakt, een mens die gewoon kan opmerken. Maar de auteur zegt dat dit instort wanneer twee dingen tegelijkertig gebeuren: de AI wordt heel goed in schrijven, en de AI begint veel te schrijven.

Stel je een fabriek voor waar een robot in één seconde een speelgoedauto kan bouwen. Als de robot 10 auto's bouwt, kan een menselijke inspecteur ze allemaal controleren. Maar als de robot een uur lang 10.000 auto's bouwt, raakt de inspecteur vermoeid, mist fouten, of begint te denken: "Nou, de robot is zo goed, hij heeft waarschijnlijk geen fout gemaakt." Dit wordt "automatisering-bias" genoemd. Het artikel betoogt dat we in gevaarlijke velden (zoals het diagnosticeren van ziekten of het schrijven van wetten) het ons niet kunnen veroorloven dat de inspecteur vermoeid of overmoedig wordt.

De auteur introduceert een nieuwe manier om naar het probleem te kijken. De auteur zegt dat het probleem niet alleen het aantal items is (Volume, of $V$ ). Het is het aantal vermenigvuldigd met hoe moeilijk het is om één ding te controleren (Load, of $L$ ).

Volume ( $V$ ): Hoeveel dingen de AI schrijft.
Load ( $L$ ): Hoeveel hersencapaciteit het kost om één ding te controleren.

Zelfs als de AI minder dingen schrijft, als die dingen supercomplex zijn, raakt het menselijk brein nog steeds overweldigd. Het artikel suggereert dat naarmate AI slimmer wordt, het niet alleen meer schrijft; het schrijft dingen die moeilijker te controleren zijn, of het misleidt ons om te denken dat ze makkelijker zijn dan ze werkelijk zijn. Dus het oude idee van "gewoon alles controleren" loopt tegen een harde muur aan die $C_{max}$ wordt genoemd (de maximale hoeveelheid denkwerk die een mens per dag kan verrichten). Zodra de AI voorbij die muur gaat, wordt de menselijke controle een nepformaliteit, en glippen er fouten doorheen.

De Oplossing: De "Cognitieve Kosten Score"

Dus, hoe stoppen we de vloedgolf zonder elke druppel te lezen? Het artikel stelt Flow-by-Flow voor.

In plaats van de tekst te lezen om te zien of het waar is (wat moeilijk en foutgevoelig is), kijkt het systeem naar de vorm van de tekst. Het telt zaken zoals:

Hoeveel pagina's is het?
Hoeveel grafieken of diagrammen zijn er?
Hoeveel referenties worden er aangehaald?
Hoeveel juridische claims worden er vermeld?

Dit zijn zaken die je kunt tellen zonder de betekenis te hoeven begrijpen. Het systeem vermenigvuldigt deze getallen samen om een Cognitieve Kosten Score te creëren.

Als je een kort, eenvoudig artikel indient, is de score laag. Je komt snel door de poort.
Als je een enorm, 500-pagina tellend document met 1.000 grafieken indient, gaat de score exponentieel omhoog. Het is niet alleen "een beetje moeilijker"; het is een enorme sprong.

Deze score werkt als een drempel. Het systeem zegt niet: "Dit is slecht." Het zegt: "Dit is zwaar." En omdat het zwaar is, activeert het een regel: De Institutionele Capaciteitsgrens.

De "Fysieke Poort": Digitale Snelheid Omzetten in Fysieke Tijd

Hier komt het meest creatieve deel van het artikel. De auteur weet dat als je simpelweg "Nee" zegt tegen grote inzendingen, mensen een manier zullen vinden om eromheen te werken. Ze kunnen één groot artikel opdelen in tien kleine artikelen. Om dit te stoppen, stelt het artikel een "Fysieke Poort" voor.

Als jouw Cognitieve Kosten Score te hoog is (wat betekent dat je inzending te complex of te omvangrijk is voor de standaard snelle baan), word je niet afgewezen. In plaats daarvan word je gerouteerd naar een exceedance pathway (een traject voor overschrijding). In dit traject krijg je geen automatische acceptatie; je moet wachten.

De Regel: Om een complexe aanvraag in te dienen, moet je naar een fysiek kantoor gaan, je ID tonen en een bepaalde tijd in de rij staan.
De Wiskunde: Als je score 8 keer hoger is dan de limiet, moet je misschien 16 uur wachten (of wat de formule ook voorschrijft).
De Catch: Je kunt dit niet 1.000 keer in een minuut doen. Je kunt geen robot inhuren om voor jou in de rij te staan. Je moet een echt mens zijn, fysiek aanwezig, en tijd verspillen.

Dit zet de "bijna nul-kosten" van digitale kopieën om in een "echte kosten" van fysieke tijd.

Voor een normaal persoon: Als je één echt complex idee hebt, is wachten een paar uur vervelend maar eerlijk.
Voor een AI-spammer: Als ze 1.000 complexe aanvragen willen indienen, zouden ze 1.000 mensen nodig hebben die 1.000 uur lang in de rij staan. Dat is onmogelijk.

De auteur noemt dit "Identity-Bound Per-Application Friction" (Identiteitsgebonden frictie per aanvraag). Het maakt het duur om te spammen, maar goedkoop om een normale mens te zijn.

Waar het Papier "Nee" Tegen Zegt

De auteur is zeer duidelijk over wat niet werkt, en legt uitgebreid uit waarom we niet op die methoden moeten vertrouwen:

"Voeg gewoon meer mensen toe": De auteur zegt dat dit een valstrik is. Je kunt niet genoeg mensen inhuren om het bij te houden met een AI die een miljoen papers per dag kan schrijven. De kosten zouden oneindig zijn.
"Laat AI de AI controleren": De auteur stelt dat dit een cirkel is. Als een AI een andere AI controleert, wie controleert dan de controleur? Uiteindelijk moet een mens akkoord gaan, en dan zijn ze weer terug bij hetzelfde probleem van overweldigd worden.
"Vraag mensen gewoon om eerlijk te zijn": Het artikel zegt dat vragen om mensen "te verklaren of ze AI hebben gebruikt" niet werkt, omdat er geen manier is om te bewijzen dat ze de waarheid spreken. Mensen zullen gewoon liegen.
"Lees de inhoud om het te controleren": Dit is de grootste "Nee". Het artikel betoogt dat het proberen te lezen en beoordelen van de waarheid van elke AI-output precies is wat de bottleneck veroorzaakt. We moeten de leesfase volledig omzeilen en ons richten op de flow.

Hoe Zeker Zijn Ze?

Het artikel is voorzichtig om niet te beweren dat ze AI-veiligheid voor altijd hebben "opgelost". De auteur gebruikt simulaties om het idee te testen.

Er zijn computersimulaties uitgevoerd (een "Monte Carlo-analyse") met 1.000 verschillende willekeurige scenario's.
In 90,8% van die simulaties werkte hun "Flow-by-Flow"-systeem beter dan het simpelweg inhuren van meer mensen om het werk te controleren.
De auteur geeft toe dat AI elk jaar slimmer wordt. De auteur suggereert dat AI uiteindelijk zo goed kan worden in het "bespelen" van het systeem (zoals manieren vinden om een lang artikel kort te laten lijken) dat de regels opnieuw aangepast zullen moeten worden.
De auteur erkent dat het idee van de "Fysieke Poort" (mensen in de rij laten wachten) in de echte wereld lastig te implementeren is. Het kan onrechtvaardig zijn voor mensen die ver weg wonen of een beperking hebben. De auteur suggereert dat misschien "remote wachten" (zoals een videocall waarbij je gewoon wacht) zou kunnen werken, maar geeft toe dat dit een grote uitdaging is.

Het Grote Plaatje

De belangrijkste boodschap van het artikel is een verschuiving in perspectief. We dachten vroeger: "Hoe maken we de AI slimmer?" of "Hoe maken we de mens slimmer?". De auteur zegt dat het probleem eigenlijk is: "Hoe beheren we het verkeer?"

Stel je een snelweg voor. Als er een miljoen auto's zijn die een tunnel willen in die slechts 100 auto's kan bevatten, los je het probleem niet op door een grotere tunnel te bouwen (je kunt geen tunnel bouwen die groot genoeg is voor een miljoen auto's). Je lost het niet op door meer tolgaarders in te huren. Je lost het op door een poort neer te zetten die zegt: "Als je een zware vrachtwagen hebt, moet je in een speciale rij wachten."

Het "Flow-by-Flow"-systeem is die poort. Het geeft niet om of je vrachtwagen goud of vuilnis vervoert; het geeft er alleen om dat hij zwaar is. Door het "zwaar" te maken om complexe AI-werk te verzenden, dwingt het het systeem om te vertragen naar een snelheid die het menselijk brein daadwerkelijk kan aan kunnen. Het is een manier om de superkrachten van de AI te behouden zonder dat het het systeem laat crashen.

De auteur concludeert dat hoewel dit specifieke idee van de "Fysieke Poort" wellicht lastig perfect te implementeren is, het principe solide is: we moeten stoppen met het proberen te controleren van alles en in plaats daarvan de flow beheren. Als we dat niet doen, suggereert het artikel dat we in hoogwaardige velden uiteindelijk een punt zullen bereiken waarop menselijk toezicht slechts een nepcontrole is, en er in het donker echte fouten zullen worden gemaakt.

Technische Samenvatting: Flow-by-Flow: Content-Oordeel Omzeiling voor het Besturen van AI-Output in Domeinen met Hoog Verlies

1. Probleemstelling

Het artikel behandelt de structurele onhoudbaarheid van menselijke supervisie (human-in-the-loop, HITL) in domeinen met een hoog verlies (bijv. octrooi-onderzoek, juridische procedures, klinische besluitvorming) naarmate de capaciteiten van generatieve AI verbeteren. Het kernprobleem wordt gedefinieerd door de ongelijkheid $V \times L > C_{max}$ , waarbij:

$V$ de AI-outputrate is (aantal outputs per tijdseenheid).
$L$ de cognitieve belasting per item is die vereist is voor triage, oordeel en respons.
$C_{max}$ de biologische bovengrens is van het menselijke cognitieve verwerkingsvermogen.

Het artikel stelt dat traditionele governance rust op de aanname dat het verhogen van de AI-nauwkeurigheid $L$ voldoende verlaagt om de veiligheid te waarborgen. De auteur betoogt echter dat:

Triagekosten niet dalen met de nauwkeurigheid, omdat algemene AI-outputs semantisch onbepaald zijn (de supervisor moet eerst bepalen of de output een feit, fictie, inferentie of opinie is).
Respons-kosten invariant zijn aan verbeteringen in nauwkeurigheid, omdat ze afhangen van fysieke menselijke arbeid.
Oordeelskosten kunnen dalen, maar leiden vaak tot "omissie" in plaats van een werkelijke reductie, of worden gecompenseerd door een niet-lineaire toename in $V$ (outputvolume).

Als gevolg hiervan, naarmate $V$ niet-lineair groeit door AI-adoptie, overstijgt het product $V \times L$ de waarde van $C_{max}$ . Dit transformeert substantiële supervisie in een nominale procedure, waardoor een "moral crumple zone" ontstaat waar mensen verantwoordelijkheid absorberen zonder de controle te behouden. Bestaande oplossingen (AI-verificatie, meer menselijke supervisoren of transparantieregimes) falen omdat ze ofwel het oordeel delegeren aan AI (waardoor hallucinatierisico's worden overgenomen) of menselijke capaciteit lineair consumeren terwijl de AI-output niet-lineair groeit.

2. Methodologie en Raamwerk

Theoretische Verfijning: Van $V$ naar $V \times L$

Het artikel gaat verder dan eenvoudige outputtelling ( $V$ ) en beweegt naar een samengestelde metriek van Cognitieve Belasting ( $L$ ). $L$ wordt ontleed in drie componenten:

Triage: Het bepalen van de semantische categorie van de output.
Oordeel: Het evalueren van de juistheid binnen die categorie.
Respons: Het nemen van institutionele actie op basis van het oordeel.

De auteur stelt dat $L$ wordt gestructureerd, en niet gereduceerd, door verbeteringen in AI-capaciteit.

Het Flow-by-Flow Paradigma

De voorgestelde oplossing, Flow-by-Flow, is een governance-mechanisme dat de supervisie-belasting beheerst zonder de inhoud te evalueren. Het werkt volgens het principe van het opleggen van asymmetrische kosten aan massaproductie, terwijl beknoptheid goedkoop blijft. Het ontwerp rust op vier Design Invariants:

Geen Substantieel Inhoudelijk Oordeel: Het mechanisme mag de waarheid, onwaarheid of kwaliteit niet evalueren om hallucinatierisico's en de $V \times L$ -plafond te vermijden.
Geen Schaalbare Consumptie van Examinatorcapaciteit: Het mechanisme mag niet proportioneel aan het volume van de inzendingen menselijke tijd consumeren.
Identiteitsgebonden Frictie per Aanvraag: Kosten moeten gekoppeld zijn aan geverifieerde identiteiten en individuele aanvragen, om anonieme batch-afhandeling te voorkomen.
Geen Batch-afhandeling: Geen enkel certificaat of actie kan meerdere aanvragen tegelijkertijd afhandelen.

Implementatiecomponenten

Cognitieve Kosten Score ( $S$ ):
- Een automatische meting van formele, telbare kenmerken (bijv. aantal claims, woordenaantal, aantal citaties, lengte van documenten).
- Berekend als een gewogen geometrisch product van genormaliseerde kenmerken ( $S = \prod w_i \cdot f_i$ ).
- Deze score legt niet-lineaire kosten op aan hoog-volume of hoog-complexe productie zonder semantische analyse.
Institutionele Capaciteitscap:
- Een harde limiet op de totale jaarlijkse cognitieve belasting die een instituut kan verwerken, berekend als: $N_{examiners} \times C_{max} \times \text{Jaaruren}$ .
- Inzendingen binnen de cap worden automatisch verwerkt op basis van de score.
Exceedance Pathway (Referentie-implementatie):
- Voor aanvragen die de cap overschrijden, wordt een "Fysiek Wachtpad" voorgesteld.
- Aanvragers moeten een aangewezen kantoor bezoeken, hun identiteit verifiëren en wachten voor een duur die proportioneel is aan hun score-multiplier ( $T \times k$ ).
- Dit zet bijna nul marginale digitale kosten om in belichaamde fysieke tijd en coördinatiekosten.
Proces-tijd Verklaring:
- Vervangt eenvoudige "AI-gebruik openbaarmaking" door continue verklaringen van de tijd die aan specifieke processen is besteed (bijv. literatuuronderzoek, conceptversie schrijven).
- Wordt gebruikt voor consistentiecontroles tegen formele kenmerken (bijv. 200 referenties geclaimd in 3 uur) in plaats van voor het bepalen van de overschrijding.

Toy Model Analyse

Het artikel gebruikt een "toy model" om het gedrag van aanvragers onder flow-limieten te simuleren. Het toont aan dat:

Fase 1 (Inzending-limieten): Zonder inhoudelijke scoring optimaliseren aanvragers door de informatiedichtheid per item te verhogen (langere teksten, meer claims), waardoor $L$ stijgt zelfs als $V$ wordt begrensd.
Fase 2 (Samengestelde Metrieken): Het gebruik van een multidimensionale score ( $S = X \times Y \times Z$ ) creëert een constraint-satisfaction probleem. Het optimaliseren van één dimensie (bijv. het verminderen van het aantal woorden) verhoogt de last in andere dimensies (bijv. dichtheid), waardoor ontwijking computationeel duur en structureel robuust wordt tegen optimalisatie op een enkele metriek.

3. Belangrijkste Bijdragen

Herformulering van de Toezichtbeperking: Het artikel stelt dat de bottleneck in AI-governance niet alleen het aantal outputs ( $V$ ) is, maar de cognitieve belasting per item ( $L$ ), en dat $L$ inherent resistent is tegen reductie via nauwkeurigheidsverbeteringen vanwege de aard van algemene AI.
De Content-Oordeel Omzeiling: Het stelt een governance-architectuur voor die expliciet de waarheid van de inhoud vermijdt, waardoor de recursieve hallucinatie-risico's van AI-gebaseerde verificatie en de capaciteitsplafonds van menselijke verificatie worden omzeild.
Vier Design Invariants: Het formaliseert de noodzakelijke voorwaarden voor elk flow-controlemechanisme in domeinen met een hoog verlies, biedend als checklist voor institutioneel ontwerp (Geen inhoudelijk oordeel, Geen schaalbare examinatorconsumptie, Identiteitsgebonden frictie, Geen batch-afhandeling).
De "Weakest-Link Lockout" en de $B$ -variabele: Het introduceert het concept dat algemene modellen worden beperkt door hun meest kwetsbare domein. Het definieert de $B$ -variabele (fysieke-ruimte beperking) om te voorspellen welke domeinen als eerste te maken krijgen met flow-beperkingsdruk (low- $B$ domeinen zoals software/octrooien versnellen sneller dan high- $B$ domeinen zoals klinische trials).
Referentie-implementatie: Het biedt een concreet, zij het moeilijk, bewijs van concept (Fysiek Wachtpad) dat laat zien hoe de vier invarianten gezamenlijk kunnen worden voldaan.

4. Resultaten en Analyse

Monte Carlo Analyse: Een simulatie over 1.000 parameter-trekken suggereert dat samengestelde multidimensionale flow-controle beter presteert dan supervisie-versterking alleen in 90,8% van de gevallen. Dit geeft aan dat het controleren van de instroom via formele kenmerken statistisch effectiever is dan het proberen te verbeteren van menselijke controle-regimes.
Evasieve Optimalisatie: De analyse laat zien dat hoewel AI kan optimaliseren tegen enkele metrieken (Goodhart's Law), een samengestelde score ( $S$ ) een multidimensionaal constraint-satisfaction probleem afdwingt. Hoewel ontwijking niet onmogelijk is, neemt de computationele en economische kosten van ontwijking significant toe met elke toegevoegde dimensie.
Drempelstructuur: Het systeem creëert een niet-lineaire drempel waarbij aanvragen met gemiddelde kenmerken in het standaardpad blijven, terwijl aanvragen met hoge complexiteit in meerdere dimensies worden gerouteerd naar het exceedance-pad, waardoor de "beknoptheid"-prikkel behouden blijft.

5. Betekenis en Claims

Het artikel claimt dat Flow-by-Flow een levensvatbaar pad biedt om substantiële menselijke supervisie te handhaven in domeinen met een hoog verlies waar huidige governance-modellen falen. De betekenis ligt in:

Verschuiving van de Controlelocatie: Van "hoe beoordelen we de inhoud beter" naar "hoe beperken we het volume en de complexiteit van de inhoud die de menselijke loop binnenkomt."
Institutioneel Realisme: Het erkent dat de menselijke cognitieve capaciteit ( $C_{max}$ ) een harde biologische limiet is die niet kan worden uitgebreid door technologie of training, wat flow-beperking noodzakelijk maakt in plaats van capaciteitsuitbreiding.
Behoud van Toegangsrechten: Door onderscheid te maken tussen het recht om in te dienen en het recht op onmiddellijke verwerking, betoogt het raamwerk dat flow-controle noodzakelijk is om de ineenstorting van de verwerkingskwaliteit te voorkomen, wat in feite de toegang voor legitieme aanvragers zou ontzeggen.

De auteur erkent expliciet de praktische moeilijkheden van de referentie-implementatie (Fysiek Wachtpad), inclusief toegankelijkheidsproblemen voor afgelegen of minder mobiele aanvragers, juridische compatibiliteit met bestaande wetgeving rond "onmiddellijke opname", en de noodzaak van internationale coördinatie om jurisdictionele arbitrage te voorkomen. De auteur stelt dat de primaire bijdrage de vier design invariants zijn, waarvan het fysieke wachtpad slechts één mogelijke realisatie is. Het artikel concludeert dat als AI-capaciteiten blijven verbeteren en het menselijk gebruik toeneemt, flow-rate beperking niet slechts een optie maar een structurele noodzaak is voor domeinen met een hoog verlies.