In deel 3 van de cyclus hebben sensoren gedetecteerd, fusie heeft gevolgd en operators hebben kandidaten voor zich gerangschikt. De aanwijzingsfase begint: welke van de kandidaten is het waard in te zetten, met welke prioriteit, onder welke omstandigheden, met welke middelen. Dit is waar AI in defensie het minst volwassen, het meest controversieel is en het meest teleurstelt wanneer te veel beloofd. Deel 3 gaat over het geloofwaardig doen — het bouwen van beslissingsondersteuningstools die analistcognitie comprimeren zonder in autonoom aanwijzen te treden, met de structurele human-in-the-loop-grenzen die aanbesteding en doctrine vereisen.

Het architectonische kader blijft Deel 1: De cyclus. De sensor-kant engineering staat in Deel 2. Dit deel behandelt het midden van de cyclus.

Wat beslissingsondersteunings-AI is en niet is

De uitdrukking "beslissingsondersteunings-AI" is breed genoeg om zowel nuttige capaciteiten als gevaarlijk overschrijden te omvatten. De nuttige interpretatie: AI die analisten en commandanten helpt meer informatie te verwerken, meer opties te evalueren en sneller te handelen — terwijl de beslissing zelf bij hen blijft. De gevaarlijke interpretatie: AI die acties aanbeveelt op een manier die operators zonder onafhankelijke evaluatie accepteren, waarbij de facto autoriteit van mens naar model wordt overgedragen.

Het structurele patroon dat de twee onderscheidt:

  • Nuttige beslissingsondersteuning brengt bewijs naar voren, rangschikt kandidaten, berekent consequenties en presenteert alternatieven. De operator ziet het analytische werk maar voert het oordeel uit.
  • Gevaarlijke beslissingsondersteuning presenteert een enkele aanbeveling met hoog vertrouwen en minimaal blootgesteld redeneren, waardoor operators worden aangemoedigd te accepteren zonder nauwkeurig onderzoek.

De engineeringimplicatie: bouw tools die hun werk tonen. Betrouwbaarheidsscores, bijdragend bewijs, alternatieve interpretaties, gevoeligheid voor invoer. Elke aanbeveling komt met de vraag "wat zou veranderen als invoer X anders was" beantwoordbaar vanuit de UI. Operators behouden autoriteit; het platform behoudt transparantie.

De vlaggenscip beslissingsondersteuningscapaciteit in moderne C2 is de gerangschikte kandidatenlijst — soms een doelwitlijst, aanbevolen inzetlijst of dreigingsprioritiseringsuitvoer genoemd afhankelijk van doctrine. De AI rangschikt tracks op samengestelde score en presenteert de top N aan operators.

De samengestelde score mengt meerdere invoer: trackbetrouwbaarheid, identiteitszekerheid, overeenkomst met dreigingsprioriteitstaxonomie, operationele context (binnen inzetzone, binnen commandantsintentie, binnen ROE), inzethaalbaarheid (effectorbeschikbaarheid, geometrie, timing) en nevenrisicofactoren. Elke invoer is een apart signaal berekend door een apart deelsysteem; het rangschikkingsmodel combineert ze tot een score.

De engineeringregels die operationele implementaties onderscheiden van demo-implementaties:

Score-decomposition. De operator kan in de score van een kandidaat boren en zien hoe elke component bijdroeg. Een hoge score is geen instructie — het is een startpunt voor de beoordeling van de operator. Als de operator een kandidaat afwijst, voedt de afwijzing terug naar het rangschikkingsmodel met het redeneren van de operator indien opgegeven.

Configureerbare weging. Operators (binnen autorisatie) kunnen de relatieve weging van invoersignalen aanpassen — meer gewicht op identiteitszekerheid voor ambigue omgevingen, meer gewicht op dreigingsprioriteit tijdens specifieke operaties. Standaarden zijn rolgeschikt; overschrijdingen worden geregistreerd.

Verouderde-track-filtering. Tracks waarvan de levenscyclusstatus vervaagt of verloren gaat (zie Een C2-systeem bouwen, deel 2) worden uitgesloten van de kandidatenlijst of zichtbaar gemarkeerd. Een zelfverzekerde inzet tegen een 90 seconden oude track is het type storingswijze waar aanbestedingsevaluatoren specifiek naar zoeken.

Negatieve resultaten zichtbaar. De lijst toont wat werd overwogen en afgewezen, niet alleen de top N. Als een operator zich afvraagt waarom een bepaalde track niet naar voren kwam, staat het antwoord in het platform, niet ondoorzichtig.

Handelwijzeanalyse

Handelwijzeanalyse (COA) op het niveau van stafofficiëren is historisch een arbeidsintensief proces geweest — planners stellen opties voor, evaluatoren simuleren consequenties, commandanten kiezen. AI kan elke fase comprimeren.

Optiegalerie. Gezien een huidig operationeel beeld, genereer kandidaat-handelwijzen. Beperkingen (terrein, ROE, beschikbare troepen, tijdshorizon) begrenzen de zoekruimte. De uitvoer is een klein aantal afzonderlijke opties met ruwe middelenvereisten.

Simulatie en evaluatie. Simuleer voor elke kandidaat-COA uitkomsten tegen plausibele vijandige reacties. Monte Carlo over de onzekerheid produceert een verdeling van verwachte resultaten. De nauwkeurigheid van de simulator is belangrijker dan het volume — een grove simulator die de juiste onzekerheden vastlegt, verslaat een hoge-nauwkeurigheidssimulator die de strategische dimensies mist.

Vergelijking en aanbeveling. Rangschik COA's op meerdere criteria (kans op missieopdrachtvervulling, slachtofferramingen, tijd tot voltooiing, logistieke belasting, volhoudbaarheid). De aanbeveling is één perspectief; de evaluatie van de commandant is een ander. Het platform brengt beide naar voren.

De operationele realiteit: COA-AI bevindt zich in 2026 in de pilotfase. De simulatoren zijn gedeeltelijk gevalideerd; de LLM-uitgebreide optiegeneratie is indrukwekkend in demo's en inconsistent in operaties; de integratie van de stafworkflow is op maat voor elk platform. De capaciteit is volwassen genoeg om te gebruiken, onvolwassen genoeg om gestructureerde evaluatie te vereisen. Het eerlijke marktoverzicht staat in AI-defensiemarktlandschap 2025.

LLM's in defensiebeslissingsondersteuning

Grote taalmodellen zijn verschoven van experimenteel naar operationeel in smalle analistgerichte workflows sinds 2023. De geloofwaardig geïmplementeerde toepassingen in 2026:

Situatierapporten opstellen vanuit gestructureerde invoer. Het LLM converteert een reeks trackwijzigingen, inlichtingenoverzichten en operationele gebeurtenissen naar een coherent narratief. De analist beoordeelt en bevestigt vóór publicatie. Sneller dan handmatig opstellen; het oordeel van de analist bepaalt publicatie.

Inlichtingenproducten samenvatten. Multi-bron inlichtingencollecties (kabels, briefings, OSINT, partner-CSIRT-bulletins) samengevat tot briefing-klare uitvoer. Hetzelfde beoordelen-voor-publicatie-patroon is van toepassing.

Natuurlijke taal opvragen van inlichtingenopslagen. De analist typt een vraag; het LLM vertaalt het naar een gestructureerde query tegen de gegevensopslag; resultaten keren terug met de bronketen. De query wordt controleerbaar, het antwoord is verankerd in citeerbare bronnen.

Vertaling over coalitietalen. Domeinspecifieke vertaling voor defensieterminologie. De uitvoer wordt gecontroleerd, niet blind geaccepteerd.

Het patroon dat operationeel LLM-gebruik onderscheidt van speculatief LLM-gebruik:

  • Retrieval-augmented generation verankerd in beoordeelde corpora — het LLM kan niets zeggen dat het niet kan citeren uit het corpus.
  • Citatievereiste — elke uitvoeregel traceert terug naar bronmateriaal. Operators kunnen verifiëren voor ze erop vertrouwen.
  • Harde bovengrens op operationele speelruimte — het LLM kan geen taakopdrachten, classificaties of andere operationele acties opstellen. Het produceert tekst voor menselijke beoordeling.
  • Audittraject voor elk gegenereerd artefact — welke prompt, welk model, welk corpus, welk tijdstempel, welke beoordelaar.
  • Bewustzijn van tegenstrijdige invoer — promptinjectie, jailbreakpogingen, opzettelijke misleiding. Verdedigingen moeten worden ingebouwd.

De gedetailleerde engineeringbehandeling staat in LLM's in inlichtingentriage voor defensie.

Kernbevinding: LLM-hallucinatie in een klantenservicecontext is een verlegenheid. In een defensiecontext kan het een strategisch incident zijn. De defensieve engineering is structureel: retrieval-augmented generation, citatievereisten, beperkte operationele reikwijdte, audittrajecten. Elke LLM-implementatie zonder deze is een aanbestedingsrisico; elke met ze is een zinvolle capaciteitsvermenigvuldiger.

Patroon-van-leven en anomaliedetectie

De beslissingsfase profiteert enorm van achtergrondcontext. Weten dat een bepaald vaartuig altijd drie specifieke havens aandoet, dan plotseling naar een vierde omleidt, is hoogwaardige beslissingsondersteunende informatie. Door AI gestuurde patroon-van-leven-analyse brengt deze context automatisch naar voren.

Het patroon: verwerk longitudinale trackgegevens over maanden of jaren; segmenteer in routinegedrag per entiteit; scoor nieuwe waarnemingen ten opzichte van de routinebasislijn; breng afwijkingen onder de aandacht van operators. Het moeilijke deel is niet het algoritme — Gaussiaanse mengsels, verborgen Markov-modellen, gradient-boosted classifiers werken allemaal — maar de dataverzorging, de operationele definitie van "afwijkend" en de ethiekbeoordeling rond gedragsprofilering. De gedetailleerde behandeling staat in Patroon-van-leven-analyse in militaire inlichtingen.

De operationele waarde ligt in de rangschikking — niet het naar voren brengen van anomalieën (die veelvuldig zijn en meestal onschadelijk) maar de prioritering die de weinige die ertoe doen bovenaan de wachtrij van de analist plaatst. Een PoL-systeem dat 200 anomalieën per uur naar voren brengt is onbruikbaar; een systeem dat de top vijf rangschikt en uitlegt waarom is onvervangbaar.

Operator-UX: waar de AI in de workflow leeft

Beslissingsondersteunings-AI leeft binnenin een operatorworkflow. Als de AI de operator vereist het COP te verlaten, een apart gereedschap te openen en hun denken te hercontextualiseren, verliest de AI. De integratie moet in-workflow, in-context, in-band met het bestaande patroon van de operator zijn.

De patronen die in de praktijk werken:

Inline-annotaties op het COP. Door AI afgeleide attributen — betrouwbaarheidsscore, aanbevolen prioriteit, gedetecteerde anomalie — renderen als symboolmodifiers op het bestaande COP-display. Het oog van de operator is al daar.

Doorklikpanelen. Een klik op een AI-gegenereerde annotatie opent een paneel met het onderliggende bewijs: invoertrackgegevens, modelbetrouwbaarheidsopsplitsing, bronsignalen. De operator kan bevestigen of afwijzen met volledige informatie.

Workflow-ingebedde aanbevelingen. Wanneer de operator een taakopdracht samenstelt, brengt de AI relevante historische patronen naar voren. Wanneer de operator een kandidaatinzet beoordeelt, brengt de AI nevenrisicofactoren naar voren. De AI is aanwezig waar het cognitieve werk is, niet in een apart tabblad.

Expliciete toestemmingsgates. Waar de aanbeveling van de AI een drempel overschrijdt (een nieuwe inzet, een escalatie, een actie met operationele consequentie), is de gate expliciet en zichtbaar. De operator bevestigt; het platform registreert.

De bredere operator-UX-principes voor defensiesoftware, inclusief de geharde-omgeving-realiteiten, staan in Geharde UX voor militaire operators.

Accreditatie-implicaties

Beslissingsondersteunings-AI is moeilijker te accrediteren dan sensor-kant AI. De reden is de nabijheid tot consequente beslissingen. Een accreditatiebeoordeling zal vragen: onder welke omstandigheden zou dit gereedschap een operator kunnen misleiden tot een actie die ze anders niet zouden ondernemen? Welk bewijs toont aan dat operators effectief oordeel behouden wanneer dit gereedschap actief is?

Het bewijs dat accreditatiereviewers geloofwaardig vinden:

  • Operator-in-de-lus testresultaten die realistische missiescenario's tonen met het gereedschap actief en afwezig, waarbij beslissingswaliteit wordt vergeleken.
  • Vooringenomenheidsaudits — begunstigt het gereedschap systematisch bepaalde doelwittypes, bepaalde geografische gebieden, bepaalde identiteitsattributen?
  • Tegenstrijdige-robuustheidsevaluatie — wat gebeurt er bij opzettelijke manipulatie van de invoer?
  • Storingswijzeanalyse — wat doet het gereedschap onder modeldrift, sensordegradatie of buiten-distributie-invoer?
  • Driftmonitoring in operationele implementatie — kwantitatief bewijs dat het gedrag van het gereedschap binnen de geaccrediteerde envelop blijft.

De aanbestedingswaardige discipline van het genereren van dit bewijs als neveneffect van de ontwikkelingspijplijn staat in DevSecOps voor defensiepijplijnen. Het bredere NATO AI-strategie-kader van deze vereisten staat in NATO's AI-strategie voor defensiesoftware.

Wat volgt

Deel 3 heeft de aanwijzingsfase-AI behandeld. Kandidatenlijsten, handelwijzeanalyse, LLM-uitgebreide analisttools, patroon-van-leven als achtergrondcontext, operator-UX-integratie, accreditatievereisten. Het platform produceert nu beslissingsondersteuningsuitvoer die operators kunnen gebruiken zonder oordeel te verliezen.

Deel 4 sluit de cyclus. Hoe AI deelneemt aan inzetten en beoordelen zonder de grens voor autonome effecten te overschrijden, de structurele HITL-grenzen geprogrammeerd in het platform, de doctrine- en aanbestedingsrealiteiten die de grens op zijn plaats houden, en waar de engineering voldoet aan internationaal humanitair recht.