LLM logging legt prompts en voltooiingen vast — beschrijvende gegevens over wat er is gebeurd. Besluitvorming traceren legt VAST waarom beslissingen zijn genomen — gestructureerde redenering met voor- en nadelen, precedenten en rationale. Logging maakt debugging mogelijk. Besluitvorming traceren maakt institutionele geheugen, precedentzoek en uitlegbare AI mogelijk. AI Agentree biedt de besluitvorming traceren laag die logging niet kan vervangen.
TL;DR: Logging legt vast wat het model zei. Besluitvorming traceren legt vast waarom de beslissing is genomen. Slechts één maakt precedent en institutionele geheugen mogelijk.
Logging is noodzakelijk maar onvoldoende. Dit is wat het mist.
Beschrijvend: "Dit gebeurde"
// Log entry
{
"prompt": "Should we approve...",
"completion": "Yes, approved...",
"tokens": 847,
"latency_ms": 1234
}
Je kunt deze log vinden. Maar kun je vinden hoe je soortgelijke zaken hebt beslist?
Normatief: "Dit ondersteunt/benadeelt omdat..."
// Decision trace
{
"decision": "APPROVED",
"pro_arguments": [...],
"con_arguments": [...],
"precedent_cited": "D-1234",
"rationale_ids": [...]
}
Doorzoekbaar op redeneerpunt. Citeerbaar als precedent.
| Aspect | LLM Logging | Besluitvorming Traceren |
|---|---|---|
| Wat het vastlegt | Vragen, voltooiingen, tokens, latentie | Redeneringsstructuur, precedenten, rationale |
| Gegevensstructuur | Ongeorganiseerde tekst, platte metadata | Gestructureerde argumentbomen, normatieve relaties |
| Query-mogelijkheid | 'Vind logs die X bevatten' | 'Vind beslissingen die vergelijkbaar zijn met Y op basis van redeneringspatroon' |
| Ondersteunt precedent | ||
| Institutioneel geheugen | ||
| Uitlegbaarheid | Toont wat het model zei | Toont waarom de beslissing is genomen |
| Compliance waarde | Auditspoor van gebeurtenissen | Auditspoor van redenering |
"Hoe hebben we vergelijkbare terugbetalingsverzoeken afgehandeld?" vereist redeneersstructuur, geen tekstzoektocht. Logs vinden overeenkomende woorden. Traces vinden overeenkomende patronen.
Kennis die in de loop van de tijd toeneemt, vereist gestructureerde beslissingen. Logs zijn archeologie. Traces zijn architectuur.
Agenten die eerdere beslissingen citeren, hebben gestructureerd precedent nodig. "We hebben D-1234 goedgekeurd onder vergelijkbare omstandigheden" vereist besluitsporen.
"Waarom heeft de AI voor X gekozen?" heeft gestructureerde rationale nodig. Chain-of-thought is post-hoc. Besluitsporen zijn de grondwaarheid.
Bijhouden welke redeneerpatronen leiden tot goede resultaten vereist structuur. Logs kunnen argumenten niet aan resultaten koppelen.
Overgaan van mens-in-de-lus naar volledige autonomie vereist bewijs. Besluitsporen bewijzen de kwaliteit van beslissingen. Logs bewijzen uitvoering.
LLM-logging legt prompts, voltooiingen en metadata (tokens, latentie) vast. Besluittracering legt gestructureerde redenering vast: voor- en nadelen, aangehaalde precedenten, vertrouwensniveaus en de rationale die de beslissing heeft gedragen. Logging is beschrijvend; tracering is normatief.
Prompt/output logs leggen de structuur van de redenering niet vast. Je kunt niet vragen 'hoe hebben we soortgelijke gevallen behandeld?' of 'welke precedenten ondersteunen deze beslissing?' vanuit ruwe tekstlogs. Besluittracering creëert gestructureerde artefacten die precedentzoekopdrachten en institutionele geheugen mogelijk maken.
Nee. Chain-of-thought wordt achteraf door het model gegenereerd — het is niet trouw aan de interne berekening. Twee prompts kunnen hetzelfde antwoord opleveren met verschillende 'uitleggen.' Besluittracering legt gestructureerde artefacten vast op het moment van de beslissing, niet gereconstrueerde verhalen.
Niet effectief. Precedent vereist normatieve relaties (ondersteunt/tegenwerkt), geen beschrijvende (bevat/vermeldt). Log-gebaseerde zoekopdrachten vinden vergelijkbare tekst; besluittracering vindt vergelijkbare redeneringspatronen. Het verschil is fundamenteel.
Ja. Houd je logging voor debugging, kostenbewaking en naleving. Voeg besluittracering toe voor uitlegbaarheid, precedent en institutionele geheugen. Ze dienen verschillende doelen en werken samen.
Regelgeving vereist steeds vaker uitleg over AI-beslissingen. Logs tonen aan wat het model zei. Besluittraceringen tonen waarom de beslissing is genomen, welke alternatieven zijn overwogen en welk bewijs het ondersteunde. Dit is wat auditors en regelgevers daadwerkelijk nodig hebben.
Leg VAST WAAROM je AI beslist, niet alleen wat het zegt.