--- title: Wat is een judgement model? Uitleg voor het mkb description: "Een judgement model neemt beslissingen in plaats van tekst te genereren: het kiest uit vooraf bepaalde opties en geeft een zekerheidsscore. Lees wat dat betekent voor uw processen." lang: nl canonical: https://www.en-twine.ai/nl/wat-is/judgement-model/ updated: 2026-10-02T07:08:46.000Z --- Stel: er komen dagelijks tientallen klantvragen, facturen of meldingen binnen die eerst gesorteerd moeten worden voordat iemand ermee aan de slag kan. Dat sorteerwerk is in de kern kieswerk: in welke categorie valt dit, naar wie moet het, hoe urgent is het. Voor precies dat soort stappen bestaat een opkomende categorie AI-modellen: judgement models, in het Nederlands ook wel beslissingsmodellen genoemd. Een judgement model krijgt vooraf een vaste set mogelijke antwoorden, bijvoorbeeld een lijst categorieën, een schaal of een ja/nee. Het model kiest daaruit en geeft bij elke keuze een zekerheidsscore: een getal dat aangeeft hoe zeker het van zijn antwoord is. Iets anders dan die keuze komt er niet uit, met opzet. Het antwoord is altijd een geldige waarde die uw software direct kan verwerken. ## Verschil met een groot taalmodel Een groot taalmodel zoals ChatGPT of Claude genereert vrije tekst en kan daardoor schrijven, samenvatten en redeneren. Dat maakt het krachtig maar ook relatief traag en duur, en het antwoord moet door software weer geïnterpreteerd worden. Een judgement model kan al dat schrijfwerk niet, en is juist daardoor geschikt voor beslissingen midden in een werkproces: het is ontworpen om in milliseconden te reageren en per beslissing een fractie van een taalmodelaanroep te kosten. TypeSafe AI, maker van Jev, noemt deze modellen System One Models, naar Daniel Kahnemans onderscheid tussen snel, intuïtief denken (Systeem 1) en langzaam, weloverwogen denken (Systeem 2). Jev is volgens het bedrijf het eerste model in die klasse. ## Waarvoor wordt het gebruikt Typische toepassingen zijn classificeren (in welke categorie valt dit document), routeren (naar welke afdeling of welk systeem moet dit verzoek), scoren (hoe urgent is deze melding) en het beoordelen van de uitvoer van andere AI-modellen, zodat u automatisch controleert of een AI-antwoord goed genoeg is om te gebruiken. De zekerheidsscore is in de praktijk het waardevolste onderdeel. U stelt een drempel in: zekere gevallen worden automatisch verwerkt, twijfelgevallen gaan naar een medewerker. Zo blijft een mens verantwoordelijk voor precies de gevallen waar dat nodig is. Een concreet voorbeeld. Een administratiekantoor ontvangt inkoopfacturen die elk aan een grootboekrekening gekoppeld moeten worden. Een judgement model krijgt de factuurtekst en de lijst met toegestane rekeningen, en kiest er één met een zekerheidsscore. Facturen boven de drempel worden klaargezet voor verwerking; de rest komt in een controlewachtrij voor de boekhouder. De boekhouder besteedt zijn aandacht dan alleen aan de gevallen die dat verdienen. In opstellingen met AI-agenten werken judgement models vaak samen met grote taalmodellen: het beslissingsmodel sorteert en routeert aan de voorkant, het taalmodel doet het lees- en schrijfwerk daarna. Hoe die rolverdeling eruitziet in een compleet proces leest u in onze [gids over AI-agenten voor het mkb](/nl/gids/ai-agenten-mkb/). ## Gehost of zelf draaien Judgement models zijn er, net als taalmodellen, in twee varianten. Jev is een gehoste API: u stuurt uw tekst naar de servers van TypeSafe, in dit geval in de Verenigde Staten. Dat is de snelste manier om te starten, maar het betekent wel dat uw gegevens uw omgeving verlaten. Voor gevoelige data is dat een afweging die u bewust wilt maken, inclusief de bijbehorende verwerkersafspraken. Ook OpenAI heeft deze markt betreden: op Dev Day (29 september 2026) kondigde het de Decisions API aan, gebouwd op GPT-6 Luna. Die kan naast tekst ook afbeeldingen beoordelen, maar is vooralsnog alleen in besloten preview beschikbaar en publiceert nog geen zekerheidsscore. Het open-source Laya draait op uw eigen infrastructuur, zodat er niets naar buiten gaat. De prijs daarvan is werk: het model moet eerst op uw eigen toepassingsgebied bijgetraind worden voordat het bruikbaar nauwkeurig is. Welke variant past, hangt af van uw datagevoeligheid en van hoeveel evaluatie- en beheerwerk u zelf kunt dragen. ## Beperkingen Een judgement model formuleert geen antwoorden, geeft geen toelichting en leest doorgaans alleen tekst. De door [TypeSafe geclaimde "0% hallucinaties"](https://www.marktechpost.com/2026/09/19/typesafe-ai-releases-jev/) betekent dat het antwoord gegarandeerd uit uw opties komt; over de inhoudelijke juistheid van de keuze zegt die claim niets. De huidige modellen zijn bovendien veelal primair op Engels getraind, dus voor Nederlandstalige toepassingen is testen op eigen materiaal extra belangrijk. Voor het sorteerwerk uit het begin blijft het principe overeind: automatiseer wat zeker is, en laat een medewerker de twijfelgevallen beoordelen.