Signaal, geen ruis.

Kwaliteit van besluiten

Informatie verandert een besluit alleen als ze staat waar het besluit valt.

De laatste tijd lees ik veel claims over het verbeteren van besluiten. Geen ervan zegt hoe je dat zou merken. Je blijft achter met ‘betere besluiten’ en ‘besluitkwaliteit’.

Risicomanagers omarmen doelstellingen alsof ze nieuw zijn, terwijl COSO ERM en ISO 31000 het al jaren zeggen. Datamanagers beloven betrouwbare data voor betere besluiten. De AI-markt belooft het proces te automatiseren en de mens het laatste woord te laten. De besliskunde belooft beter oordeelsvermogen onder onzekerheid.

Verschillende disciplines, dezelfde claim, nauwelijks contact onderling.

Dus ging ik terug naar mijn eigen cases. Een paar waarin informatie een besluit écht veranderde, een paar waarin dat niet gebeurde. Het verschil zat niet in de kwaliteit van de data, en ook niet in een professioneel oordeel.

Het zat in waar de informatie stond op het moment dat het besluit viel.

Eén die werkte: een portfolio van regulatoire programma’s. Twee getallen eindelijk naast elkaar. €1m om te implementeren, tegenover een toezichtsrisico met een plafond van €100k. Niemand had het verstopt. Niemand had ernaar gevraagd. Dat is een echte keuze: betalen voor goed burgerschap, of bewust de klap incasseren.

Eén die niet werkte: een operationeel register (BPM of GRC) en een dashboard (BI-platform) in een ander systeem dan het proces dat ze beschrijven. Wie ze wil gebruiken, moet het werk uit, van format wisselen, de context opnieuw laden. Dus beslissen mensen op gevoel, omdat dat op het moment van beslissen sneller en goedkoper is.

Wat ik bedoel

Neem een gangbare doelstelling: het klantenbestand laten groeien. Je volgt de kansen en de onzekerheden om dat doel binnen te halen.

Eén onzekerheid zijn legitieme klanten, beter bekend als know-your-customer: hoeveel prospects je legaal mag accepteren, en welke klanten je niet langer kunt houden. Hetzelfde geldt voor onzekerheden als fraude of een achterstand in de salespijplijn.

Een duidelijke invloed op de groeidoelstelling. Vervolgens krijgt het eigen mensen en middelen, een mandaat, een rapportage, indicatoren en een commissie. Experts gaan dieper, het materiaal wordt rijker. Terecht. Maar de afstand tot de doelstelling die het moest voeden, groeit. En de afleiding ook.

Geen enkele stap in die reeks was een fout. Elke stap was te verantwoorden op het moment dat iemand hem zette.

Context, historie, druk, belangen en complexiteit maken dit lastig. Allemaal legitieme redenen. Geen van alle een excuus voor de afstand.

Dus, praktisch

Elk besluit heeft al een artefact. Een businesscase. Een target. Een scherm waar iemand naar kijkt op het moment dat het ‘ja’ wordt.

Zet de informatie dáár. Niet in een nieuw register, niet in een nieuw dashboard, niet in een pakket dat één keer wordt gelezen. In het ding dat elke dag al voor de beslisser ligt. Begin bij het eind.

En als je dat artefact niet kunt vinden, is dát de bevinding. Dan wordt het besluit nergens genomen waar jij bij kunt.

ReflectieWelk besluit, genomen door wie, was dan anders uitgevallen?

Waarom AI (risk) om oordeel vraagt, niet alleen om modellen

Drie modellen, drie antwoorden, alle drie statistisch valide. De waarde zit in de aannames, niet in het getal.

De hypecyclus beloofde: “AI lost besluitvorming op. Algoritmes halen menselijke bias weg.” De realiteitscyclus: “Mijn AI en hun AI geven tegengestelde antwoorden.” Wie heeft er gelijk?

Het probleem

De ene AI-analyse zegt: “Dit besluit gaat werken.” De andere: “Dit gaat niet werken.” Beide zijn statistisch valide. Beide gebruikten andere data. Beide hebben andere aannames ingebakken.

Een voorbeeld van de keukentafel

Jane wil over zes maanden naar de Malediven. Maandinkomen: €9.000. Spaargeld nu: €15.000. Ze geeft exact dezelfde prompt aan drie verschillende modellen:

• Model 1 (Claude Haiku): spaar €300 per maand
• Model 2 (Copilot): spaar €1.200 per maand
• Model 3 (Gemini): spaar €2.000 per maand

Alle drie statistisch valide. Alle drie volgen het raamwerk perfect. Alle drie komen met een uitgebreide onderbouwing, aannames en uitleg.

Dus wat doen leiders (of jij)? Ze kiezen de uitkomst die past bij hun gevoel. Wat betekent dat ze de AI niet nodig hadden.

Wat er eigenlijk gebeurt

AI democratiseert statistische analyse. Dat is goed. Je hoeft niet meer gepromoveerd te zijn om geavanceerde modellen te draaien.

Maar democratisering heeft een prijs. Mensen gebruiken nu complexe tools zonder ze te begrijpen. Ze verschuilen zich achter “het algoritme zegt het” in plaats van hun denkwerk uit te leggen. Gevolg: de kwaliteit van besluiten wordt slechter, niet beter.

De waarde zit niet in het getal

Die zit in begrip:

• Welke data hebben we gebruikt, en welke niet?
• Welke vraag hebben we eigenlijk gesteld?
• Welke aannames zitten erin, ook als niemand ze uitspreekt?
• Wat zou deze analyse onjuist kunnen maken?
• Kan ik dit uitleggen aan iemand die het oneens is?

Dat is geen AI-werk. Dat is oordeelswerk. Nadenken. Ervaring.

Waarom dit nu speelt

Elke organisatie zet AI in en vraagt zich af: “Hoeveel vertrouwen we dit?” Het antwoord: gebruik AI als één bril, maar houd zelf het oordeel over de aannames eronder. En zorg dat wie het besluit neemt, ook de gevolgen draagt.

Als je de analyse van de AI niet kunt uitleggen aan iemand die het oneens is, begrijp je haar niet. En als je haar niet begrijpt, ben je aan het gokken.

Oordeel is niet het tegenovergestelde van data. Oordeel is wat je mét data doet.

Wat wél werkt

Als iemand je een AI-analyse brengt, stel dan drie vragen:

1. “Welke aannames heb je gedaan?” Voor de reis van Jane kwam het neer op aannames over verblijfskosten en de omvang van haar noodbuffer. Passen die bij haar werkelijkheid? Haar risicobereidheid? Haar voorkeuren?
2. “Wat zou bewijzen dat dit niet klopt?” Model 1 (€300): “Als de vlucht meer dan €1.500 kost, valt dit om.” Model 3 (€2.000): “Als Jane €1.500 aan vrije bestedingen kan schrappen zonder op te branden, werkt dit.” Nu ken je de gevoeligheid.
3. “Zou je je reputatie hierop durven inzetten?” Als degene die het presenteert er zijn eigen bonus niet op wil verwedden, waarom zou jij het geld van de organisatie erop inzetten?

Waarom je beslissers de data negeren

En wat wél werkt. Het gat tussen analyse en besluit is geen dataprobleem. Het zit in het gesprek.

Een bestuurder komt met data naar een strategiesessie: “De marktvraag is 15% gedaald. Onze groeiaanname klopt niet meer.”

De CEO zegt: “Daar ben ik het niet mee eens. We houden koers.”

De data verdwijnt in de la. De strategie verandert niet. De aanname houdt stand, tot ze dat niet meer doet.

Dit gebeurt voortdurend. En niet omdat bestuurders niet slim zijn. Maar omdat data alleen niemand van gedachten laat veranderen. Data zonder context voelt abstract. Data zonder uitnodiging tot tegenspraak voelt als kritiek.

Wat ik heb geleerd:

Het gat tussen data-analyse en besluitvorming is geen dataprobleem. Het is een cultuurprobleem.

Je kunt een perfecte analyse hebben. Geavanceerde modellen. Statistisch onderbouwde voorspellingen, en een verhaallijn uit genAI. Het maakt allemaal niets uit als:

• mensen de onderliggende aanname niet veilig ter discussie kunnen stellen;
• de beslisser zich aangevallen voelt door de data;
• de data wordt gebracht als “het algoritme zegt” in plaats van “dit vonden we, wat denk jij?”;
• er geen manier is om te toetsen of de aanname houdt voordat er budget wordt vastgelegd.

Wat wél werkt

Strategische (doel)inversie. Geen nieuw raamwerk. Een andere manier van vragen. Het raakt ook aan wat Nassim Taleb skin in the game noemt: wie beslist, heeft zelf belang bij de uitkomst. Als beloning nauwkeurigheid weerspiegelt in plaats van optimisme, verschuiven de prikkels vanzelf richting eerlijke analyse.

Dus niet: “Dit zijn de onzekerheden rond het halen van je marktgroei.”

Maar: “Wat moet stabiel blijven om dit te laten werken? De marktvraag? De bestedingen van klanten? Onze kostenstructuur? De prijzen van concurrenten?” En dan: “Welk bewijs hebben we dat die standhouden? Wat zou ze breken?”

Zo verschuift het gesprek van “je zit ernaast” naar “laten we dit samen toetsen”.

De bestuurder zegt niet: “Je groeiaanname klopt niet.” Die vraagt: “Voor 25% groei hebben we marktconditie X nodig. Hebben we bewijs dat die stabiel is?”

Nu doe je het samen. Nu is het toetsbaar. Nu kan de CEO het écht horen.

Waarom nu

Organisaties verdrinken in nieuwe governance rond besluiten: data, AI, cyber, ESG, klimaat. Elk met een eigen raamwerk. Elk voegt gewicht toe. Elk levert losstaande besluiten op. Niemand heeft tijd om ze allemaal te beheersen, terwijl ze stuk voor stuk direct of indirect op de doelen ingrijpen, zonder dat iemand het ziet of voelt.

Wat je eigenlijk nodig hebt, is een andere manier van denken over onzekerheid rond besluiten en doelen. Eén die werkt voor álle governance rond besluiten.

Niet meer raamwerken. Beter oordeel.

Je data is waarschijnlijk prima. Je analyse is waarschijnlijk degelijk. Wat stuk is, is het gesprek tussen beslissers en de experts en analisten die hen informeren. En de verantwoording: als een verkeerde prognose de leider zelf geen pijn doet, waarom zou die haar dan serieus nemen?

Repareer het gesprek. Repareer de prikkels. Dan worden besluiten beter.

ReflectieWanneer veranderde data voor het laatst écht jouw mening over een besluit?