💻 computer science

Executable Intelligence in Policy-Constrained Knowledge Systems: A Closed-Loop Decision-Execution Framework

Dit artikel behandelt de "insight-to-action gap" in intelligente systemen door een closed-loop framework voor te stellen dat governance- en uitvoeringsrestricties direct in het besluitvormingsproces inbedt, waardoor wordt geoptimaliseerd voor latentie, risico en kosten om te garanderen dat acties veilig, controleerbaar en door constructie uitvoerbaar zijn.

Oorspronkelijke auteurs: Abhradeep Chatterjee

Gepubliceerd 2026-08-06

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Abhradeep Chatterjee

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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

De Kloof tussen Weten en Doen

Stel je voor dat je een high-stakes videogame speelt waarin je personage een superintelligente detective is. Deze detective kan een schurk die in de schaduw verscholen zit direct opsporen, precies voorspellen waar hij als volgende zal toeslaan en de perfecte zet berekenen om hem te stoppen. Maar hier komt de crux: de detective wordt gehinderd door een strikt regelboek dat zegt: "Je mag niet over die muur springen," of "Je moet toestemming vragen aan de burgemeester voordat je je superlaser gebruikt," en "Als je een fout maakt, moet je de tijd terugdraaien." In de echte wereld is dit precies wat er gebeurt met kunstmatige intelligentie (AI). We hebben systemen gebouwd die ongelooflijk goed zijn in "analytische intelligentie"—het uitzoeken wat er aan de hand is en wat er zou moeten gebeuren. Maar wanneer het gaat om het daadwerkelijk doen van iets in de echte wereld, lopen deze systemen vaak vast. Ze genereren briljante ideeën die worden afgewezen omdat ze veiligheidsregels schenden, bedrijfsbeleid overtreden of omdat ze niet ongedaan kunnen worden gemaakt als er iets misgaat. Deze frustrerende pauze tussen het hebben van een geweldig idee en het veilig kunnen uitvoeren ervan, is het probleem dat dit artikel aanpakt.

Het artikel introduceert een concept genaamd de "Insight-to-Action Gap" (de kloof tussen inzicht en actie). Denk aan de afstand tussen een chef die het perfecte recept kent en het daadwerkelijk mogen koken in een keuken die te maken heeft met strikte gezondheidsvoorschriften, beperkte ingrediënten en een manager die een hekel heeft aan aangebrand brood. De auteur stelt dat het probleem niet is dat onze AI-chefs niet slim genoeg zijn om te koken; het is dat ze niet slim genoeg zijn om te koken binnen de regels. Het artikel stelt een nieuwe manier voor om deze systemen te bouwen, genaamd "Executable Intelligence" (uitvoerbare intelligentie), waarbij de regels niet pas worden gecontroleerd nadat het koken is voltooid (wat leidt tot een verpest maaltijd en een verloren uur), maar in het recept zelf zijn ingebakken vanaf de allereerste stap.

Het Probleem: De "Insight-to-Action Gap"

De auteur, Abhradeep Chatterjee van NTT DATA Services, merkte een vreemde paradox op in hoe we AI vandaag de dag gebruiken. In sectoren zoals cloud computing, autonome infrastructuur en cybersecurity worden onze systemen steeds sneller in het opsporen van problemen. Ze kunnen een glitch of een beveiligingslek bijna onmiddellijk detecteren. Echter, het oplossen van het probleem duurt vaak lang. Waarom? Omdat zodra de AI het probleem heeft gespot, het moet wachten tot mensen de oplossing goedkeuren, controleren of het veilig is, en vervolgens handmatig de reparatie uitvoert.

Het artikel noemt deze vertraging de Insight-to-Action Gap (IAG). Het is de tijd die verloren gaat tussen het moment dat een systeem "denkt" dat het het antwoord weet en het moment dat het daadwerkelijk de fix "doet". De auteur suggereert dat de grootste flessenhals niet het vermogen van de AI om te voorspellen is, maar het vermogen van de AI om veilig te handelen. Als een AI een oplossing voorstelt die een veiligheidsbeleid schendt, is die suggestie nutteloos, zelfs als deze wiskundig perfect is. Het creëert alleen maar meer werk, meer vertragingen en meer frustratie.

De Oplossing: Koken met het Regelboek Open

Om dit op te lossen, stelt het artikel een nieuw framework voor genaamd Executable Intelligence. In plaats van veiligheidsregels en beleid te behandelen als een "uitsmijter" bij de deur die je ID controleert nadat je al hebt geprobeerd binnen te gaan, plaatst dit framework de uitsmijter binnen het besluitvormingsproces zelf.

Stel je voor dat je een spelletje "Simon Says" speelt, maar dan met een twist. Op de oude manier zou Simon (de AI) een gekke beweging roepen zoals "Doe een backflip van het dak!" en dan zou een scheidsrechter moeten aanrennen, het regelboek moeten controleren en moeten zeggen: "Nee, dat is tegen de regels!" Vervolgens zou Simon een nieuwe beweging moeten bedenken, en de scheidsrechter zou opnieuw controleren. Dit is traag en irritant.

Het nieuwe framework is anders. Voordat Simon zelfs maar een beweging roept, kijkt hij naar het regelboek terwijl hij nadenkt. Hij komt alleen met bewegingen die al toegestaan, veilig en omkeerbaar zijn. Als het regelboek zegt "Geen backflips", overweegt Simon een backflip niet eens. Hij stelt alleen "Spring over het hek" voor, omdat hij weet dat dat is toegestaan en hij een plan heeft voor hoe hij weer veilig naar beneden komt.

Hoe het werkt: De Closed-Loop Loop

Het artikel beschrijft een "closed-loop" systeem dat in vijf stappen werkt en constant herhaalt als een cirkel:

Sense (Waarnemen): Het systeem houdt toezicht op problemen (zoals een beveiligingscamera).
Interpret (Interpreteren): Het bepaalt wat het probleem is en wat de context is (is het een brand? een lek? een hacker?).
Decide (Beslissen): Dit is het magische deel. Het systeem kiest niet alleen de "beste" actie; het kiest de beste actie die ook aan alle veiligheidscontroles voldoet, binnen de tijdslimieten past en waarbij een "ongedaan maken"-knop klaarstaat.
Act (Handelen): Het voert de actie uit, maar doet dit zorgvuldig door te controleren of alles tijdens het proces nog steeds veilig is.
Learn (Leren): Het observeert wat er is gebeurd en gebruikt die informatie om de volgende keer beter beslissingen te nemen.

De belangrijkste innovatie hier is Policy-Constrained Optimization (beleidsgestuurde optimalisatie). In gewone mensentaal betekent dit dat de computer een wiskundig probleem oplost waarbij de "regels" onderdeel zijn van de vergelijking. Het probeert niet alleen de snelste route te vinden; het probeert de snelste route te vinden die niet door een "Verboden Toegang"-zone gaat.

Wat de Experimenten Lieten Zien

De auteur heeft dit niet getest op een echt, levend elektriciteitsnet of een ziekenhuis (dat zou te riskant zijn). In plaats daarvan bouwde hij een gedetailleerde simulatie—een door de computer gemaakte wereld die nabootst hoe echte systemen zich gedragen. Hij creëerde een scenario waarin "incidenten" (zoals computercrashes) willekeurig plaatsvonden, en vergeleken twee teams:

Team A (De Baseline): Gebruikt een slimme AI om het probleem te vinden, maar vertrouwt vervolgens op mensen om de regels te controleren en het te repareren.
Team B (Het Nieuwe Framework): Gebruikt het "Executable Intelligence"-systeem dat de regels controleert terwijl het nadenkt.

De resultaten waren duidelijk. In de simulatie verminderde het nieuwe framework de totale tijd die nodig was om een probleem op te lossen met wel 40%. Maar belangrijker nog, het maakte het systeem veel consistenter. De "oude manier" kende enorme schommelingen in tijd—soms was het snel, soms duurde het eeuwig vanwege een regelovertreding. De nieuwe manier was stabiel en betrouwbaar.

Het artikel vond ook dat de grootste winsten werden geboekt wanneer de regels strikt waren en het systeem te maken had met complexe afhankelijkheden (zoals één defect onderdeel dat een kettingreactie van andere defecten veroorzaakt). Wanneer de "oude manier" probeerde dingen te repareren, werd het vaak door de regels afgewezen (geveto's), waardoor het opnieuw moest beginnen. De nieuwe manier voorkwam deze "herstarts" volledig omdat het nooit een verboden beweging voorstelde in de eerste plaats.

Waarom Dit Er Toe Doet

Het artikel betoogt dat we moeten stoppen met het zien van "intelligentie" enkel als het goed zijn in raden of voorspellen. In de echte wereld betekent ware intelligentie dat je in staat bent om dingen veilig en verantwoord te doen. Als een systeem slim is maar niet kan handelen zonder de regels te breken, is het niet erg nuttig.

Door veiligheid en regels direct in het besluitvormingsproces in te bedden, kunnen we bewegen van systemen die slechts reparaties "aanbevelen" naar systemen die ze met vertrouwen daadwerkelijk kunnen "uitvoeren". Dit betekent niet dat we mensen direct uit de loop halen. Het artikel suggereert een geleidelijk pad: beginnen met aanbevelingen, overgaan naar "gegate" automatisering (waarbij het systeem alleen handelt als het 100% zeker is dat aan de regels wordt voldaan), en uiteindelijk het bereiken van een staat van "policy-bounded autonomy" (beleidsgebonden autonomie) waarbij het systeem binnen veilige grenzen op eigen kracht kan handelen.

De auteur merkt zorgvuldig op dat dit een bevinding is op basis van een simulatie. Hoewel de resultaten veelbelovend zijn en de logica klopt, zijn ze nog niet bewezen in een echte, live omgeving. Echter, het concept van "Executable Intelligence" biedt een frisse kijk op waarom veel AI-projecten stagneren: het is niet dat de AI niet slim genoeg is; het is dat de AI niet heeft geleerd om volgens de regels te spelen terwijl hij nadenkt.

Technische Samenvatting: Uitvoerbare Intelligentie in Beleidsgeconstraineerde Kennissystemen

Probleemdefinitie: De Insight-to-Action Gap (IAG)
Het artikel identificeert een kritieke disconnect in hedendaagse intelligente systemen, de Insight-to-Action Gap (IAG) genoemd. Hoewel moderne AI uitblinkt in het genereren van hoogwaardige inferenties, anomaliedetectie en voorspellingen (Analytische Intelligentie), faalt het vaak in het produceren van tijdige, veilige en controleerbare acties in operationele omgevingen. De kern van het probleem is niet de modelaccuratesse, maar de besluitvormingsuitvoerbaarheid: het onvermogen om inzichten om te zetten in acties die haalbaar zijn onder real-world governance-, veiligheids- en uitvoeringsrestricties op het moment dat ze nodig zijn.

Het artikel ontleedt de end-to-end responslatentie ( $\Delta T$ ) in drie componenten: detectielatentie ( $\Delta A$ ), besluitvormings-/triage-latentie ( $\Delta D$ ) en uitvoeringslatentie ( $\Delta E$ ). Hoewel vooruitgang in observabiliteit $\Delta A$ heeft verminderd, worden operationele resultaten vaak beperkt door $\Delta D$ en $\Delta E$ als gevolg van menselijke coördinatie, gefragmenteerde tooling en risicomijdende governance-poorten. Wanneer systemen acties voorstellen die later worden afgewezen door beleidscontroles of waarbij hernieuwde triage vereist is, creëert dit "verborgen besluitvormingschurn", wat de latentie opblaast en vertrouwen ondermijnt.

Methodologie: Een Closed-Loop Besluitvormings- en Uitvoeringsframework
Om de IAG aan te pakken, stelt de auteur een closed-loop framework voor dat intelligentie herdefinieert van "voorspelling" naar "governed actionability" (gestuurd handelingsvermogen). De kernmethodologie houdt in dat beleid, compliance, verificatie en rollback-vereisten direct worden geïnternaliseerd in het besluitvormingsoptimalisatieproces, in plaats van ze te behandelen als post-decision filters.

Formele Probleemformulering:
De IAG wordt geformuleerd als een beleidsgeconstraineerd optimalisatieprobleem. Het doel is om een gewogen combinatie van latentie ( $\Delta T$ ), operationeel risico ( $\mathcal{R}$ ) en interventiekosten ( $\mathcal{C}$ ) te minimaliseren:
$\min_{\pi \in \Pi} \mathbb{E}[w_1 \Delta T(\pi, S) + w_2 \mathcal{R}(\pi, S) + w_3 \mathcal{C}(\pi, S)]$
Onderhevig aan beleidsrestricties $P$ , waarbij $P$ governance (bijv. wijstijden), veiligheid (bijv. blast-radius grenzen) en verificatie/rollback-vereisten codeert als berekenbare predicaten.
Systeemarchitectuur:
Het framework werkt volgens een cybernetische lus: Sense $\rightarrow$ Interpret $\rightarrow$ Decide $\rightarrow$ Act $\rightarrow$ Learn.
- Sensing & Context: Aggregeert telemetrie, topologie en historische patronen om een besluit-gereed context te vormen.
- Besluitvormingslaag: Lost de geconstraineerde optimalisatie op om een uitvoerbaar actieplan te produceren. Cruciaal is dat dit plan voorzien is van bijbehorende pre-checks, verificatiestappen en rollback-procedures.
- Uitvoeringslaag: Orkestreert acties via runbooks/API's, waarbij rate limits en veiligheidscontroles worden afgedwongen terwijl controleerbaar bewijs wordt vastgelegd.
- Leerlaag: Voedt uitkomsten (succes/falen, tijd-tot-mitigatie) terug naar de besluitvormingsmodellen en beleidstresholds.
Besluitvormingsprocedure:
De besluitvormingslogica maakt gebruik van een policy-constrained action selection algoritme (Algoritme 1). In plaats van een optimale actie te selecteren en de restricties later te controleren, doet het systeem het volgende:
- Genereert kandidaat-acties $A(S)$ .
- Filtert kandidaten tegen harde beleidsrestricties $P$ om een haalbare set $C$ te creëren.
- Scoort enkel de haalbare acties op basis van geschatte latentie, risico en kosten.
- Selecteert het hoogst gerangschikte plan en koppelt verificatie-/rollback-stappen voordat de uitvoering plaatsvindt.
Operationele Modi:
Om adoptie te faciliteren, ondersteunt het framework drie modi: (i) Aanbevelingsmodus (mens voert uit), (ii) Gated automation (systeem voert alleen uit als de beleidsvertrouwen hoog is), en (iii) Policy-bounded autonomy (systeem voert uit binnen gedefinieerde, controleerbare grenzen).

Kernbijdragen

Definitie van IAG: Formaliseert de kloof tussen analytisch inzicht en uitvoerbare actie als een gezamenlijk besluitvormings- en uitvoeringsprobleem.
Uitvoerbare Intelligentie: Introduceert "uitvoerbaarheid" als een eersteklas eigenschap van kennissystemen. Een actie is alleen waardevol als deze haalbaar is onder de huidige beleids- en veiligheidscondities op het moment van behoefte.
Governance als Computatie: Betoogt dat governance geen post-hoc veto-poort moet zijn, maar een berekenbare restrictieset die geïntegreerd is in de besluitvormingslus.
Propositie over Latentie: Het artikel stelt dat het integreren van restricties op het moment van besluitvorming de post-hoc governance zwak domineert in verwachte latentie. Als een selectie-achteraf controle resulteert in een veto (kans $p_v$ ), zorgt de daaropvolgende re-triage vertraging ( $\delta_v$ ) ervoor dat $E[\Delta T_{post}] \geq E[\Delta T_{constrained}] + p_v \cdot \delta_v$ .

Experimentele Resultaten
Het framework werd geëvalueerd met behulp van simulatie-gebaseerde experimenten die incident-arrival, afhankelijkheidspropagatie en uitvoeringsvariabiliteit modelleren. De studie vergeleek een baseline mens-gestuurde workflow met de voorgestelde closed-loop benadering.

Reductie in Latentie: De closed-loop benadering verminderde de end-to-end responstijd met tot wel 40% onder beleidsgeconstraineerde condities.
Reductie in Variantie: Het framework verminderde de variantie in de tijd tot voltooiing van acties aanzienlijk, wat leidde tot meer consistente operationele resultaten.
Mechanisme van Winst: Verbeteringen werden gedreven door het elimineren van laat-fase beleidsveto's, het verminderen van herhaalde triage-cycli door contextverrijking, en het versnellen van uitvoering via geverifieerde, rollback-bewuste plannen.
Robuustheid: De voordelen waren het meest uitgesproken wanneer veto-kansen en coördinatiediepten niet-trivial waren. In hoog-geautomatiseerde baselines verschoof de primaire winst naar lagere variantie en verbeterde controleerbaarheid in plaats van dramatische latentie-reductie.

Significantie en Claims
Het artikel claimt dat de primaire faalmodus van toegepaste AI in operaties niet inaccurate modellen zijn, maar niet-uitvoerbare besluiten. Door intelligentie te herformuleren inclusief gestuurde handelingsbekwaamheid, biedt het framework een praktisch pad van inzicht naar betrouwbare autonomie zonder dat een "alles-of-niets" sprong naar volledige automatisering nodig is.

De auteur benadrukt dat uitvoerbare intelligentie een meetbare en optimaliseerbare eigenschap is. Door haalbaarheid, veiligheid en rollback te behandelen als besluitvormingstijd-restricties, kunnen organisaties verder gaan dan de "aanbevelingsmodus" (waar systemen stagneren door risico) richting progressieve automatisering. De studie concludeert dat voor autonome systemen om op schaal vertrouwd te kunnen worden, ze niet alleen gedefinieerd moeten worden door hun voorspellende accuratesse, maar door hun vermogen om verantwoord, compliant en reversibel te handelen binnen beleidsgrenzen.

Beperkingen
De auteur merkt op dat de resultaten zijn afgeleid van simulaties en mogelijk geen volledige weergave zijn van socio-technische factoren zoals menselijke werklast, variatie in organisatorische goedkeuring of heterogene tooling. Daarom worden de bevindingen gepresenterd als relatieve verbeteringen binnen de gemodelleerde omgeving in plaats van universele garanties. Toekomstig werk wordt geïdentificeerd als het nodig hebben van empirische validatie op echte operationele traces en open benchmarks.