Decennia lang wordt ons verteld dat de slimste organisaties ‘datagedreven’ zijn. Deze uitdrukking heeft moreel gewicht. Je laten leiden door data betekent serieus, rationeel en modern zijn. Anders wordt u als ideologisch of sentimenteel beschouwd. Op de werkplek is kwantificering synoniem met geloofwaardigheid en competentie.
Hoe meer gegevens we verzamelen, hoe minder vertrouwen we hebben dat we betere beslissingen nemen. Er is sprake van een paradox. Organisaties verdrinken in dashboards, KPI’s, prestatiestatistieken, gedragssporen, biometrische indicatoren, voorspellende scores, betrokkenheidspercentages en AI– de resulterende schatting. We hebben meer data dan we weten wat we ermee moeten doen. Wij gaan ervan uit dat alleen al de aanwezigheid van data duidelijkheid garandeert. Nee.
Dat gegevens arrogantie– de arrogante overtuiging dat, omdat iets kan worden gemeten, het ook onder de knie kan worden.
{“blockType”:mv-promo-block”,”data”:{“imageDesktopUrl”https://images.fastcompany.com/image/upload/f_webp,q_auto,c_fit/wp-cms-2/2026/01/PhotoLVitaud-169.jpg”,”image MobileUrl ‘https://images.fastcompany.com/image/upload/f_webp,q_auto,c_fit/wp-cms-2/2026/01/PhotoLVitaud-11.jpg’,eyebrow ‘,’headline’:u003Cstrongu003ESAbonneren op Laetitia@Worku003C/strongu003E”,”dek ‘Vrouwen zijn de drijvende kracht achter de productiviteit van de wereld – het wordt tijd dat we er meer over praten. Ontdek op vrouwen gerichte opvattingen in de wereld van werk, van verborgen discriminatie tot culturele mythen over ouder worden en zorg. Mis het volgende nummer niet – abonneer u op Laetitia@Work.’ Meer”,”ctaUrl”:http://laetitiaatwork.substack.com”, “theme”:{“bg”:#2b2d30″, “text”:#ffffff”, “eyebrow”:#9aa2aa”, “subhed”:#ffffff”, “buttonB g”#3b3f46”, “buttonHoverBg”:91472265,”buttonText”:false,”slug””}}
De illusie van objectiviteit
Tijdens directievergaderingen geven dia’s met grafieken en percentages autoriteit aan. Deze cijfers lijken meningsverschillen tot zwijgen te brengen en een indruk van neutraliteit te wekken. Maar achter elke dataset schuilt een reeks menselijke beslissingen: wat te meten, hoe te meten, wat te negeren en hoe te interpreteren. Metrieken zijn nooit neutraal; ze zijn gebouwd binnen bepaalde kaders, aannames en belangen.
Vaak worden gegevens niet gebruikt om beslissingen te onderbouwen, maar om beslissingen achteraf te rechtvaardigen. Dit geeft post-hoc legitimiteit aan de gekozen strategie en verpakt subjectieve keuzes in de taal van objectiviteit. Neem bijvoorbeeld de creatieve industrie, waar algoritmen succes moeten voorspellen. Netflix heeft zijn reputatie opgebouwd dankzij dataverfijning en beweert dat het zijn publiek beter begrijpt dan traditionele studio’s.
Nog niet Insiders hebben uitgelegd hoe de statistieken verandereninterpretaties variëren, en leidinggevenden benadrukken selectief cijfers die hun gekozen projecten ondersteunen. Het resultaat kan inhoud zijn die zo is ontworpen dat deze ‘kijkbaar’ maar vergeetbaar is – geoptimaliseerd voor gefragmenteerde aandacht in plaats van voor een blijvende culturele impact.
Bovendien is het probleem dat de gegevens het verleden weerspiegelen. Het legt vast wat heeft gewerkt, niet wat in de toekomst weerklank zou kunnen vinden. Hij vindt het moeilijk om de sfeer die in de samenleving ontstaat – die ongrijpbaar is – te begrijpen tijdsgeest waardoor een verhaal, product of idee actueel aanvoelt. Door te focussen op op het verleden gerichte indicatoren wordt de middelmatigheid geïnstitutionaliseerd.
Wanneer gegevens bevestigen wat we al weten
Hetzelfde patroon doet zich voor in corporate HR, waar de opkomst van human capital analytics revolutionaire inzichten in betrokkenheid en prestaties belooft. Sensoren houden het aantal badges bij, algoritmen brengen samenwerkingsnetwerken in kaart en voorspellende modellen schatten het verlooprisico in. Na grote investeringen realiseren bedrijven zich vaak dat goede managers belangrijk zijn, dat werknemers niet van micromanagement houden en dat mensen zullen vertrekken als ze zich ondergewaardeerd voelen.
Deze bevindingen zijn niets revolutionairs. Enkele van de meest bekende ‘datagedreven’ inzichten bevestigen eenvoudigweg wat ervaren mensen al vermoedden. Er gaapt een groeiende kloof tussen de verfijning van meetinstrumenten en de oppervlakkigheid van veel van de conclusies die ze opleveren. In open en rommelige omgevingen genereren organisaties vaak grote hoeveelheden ruis en verwarren zij dit met kennis.
De gezondheidszorg biedt nog een voorbeeld waaruit dit blijkt. Radiologie leek ooit bijzonder geschikt voor AI-transformatie: miljoenen standaardafbeeldingen en duidelijke diagnostische categorieën. Het oorspronkelijke systeem presteerde indrukwekkend in routinegevallen. De praktijk in de praktijk brengt echter al snel beperkingen aan het licht. Radiologierapporten staan vol met waarschuwende zinsneden – ‘kan niet worden uitgesloten’, ‘suggereerde klinische correlatie’ – die het product zijn van decennia van medisch-juridische voorzichtigheid. Het algoritme heeft moeite deze dubbelzinnigheid op te lossen en kan een buitensporige urgentie signaleren, omdat het geen onderscheid kan maken tussen juridische voorzichtigheid en werkelijk klinisch risico.
Meer fundamenteel wordt de geneeskunde gedefinieerd door uitzonderingen. AI kan 90% van de veel voorkomende gevallen effectief afhandelen, maar het zijn de zeldzame en ongebruikelijke gevallen die de vaardigheden echt op de proef stellen. Een ervaren radioloog kan een ongekende situatie begrijpen; een algoritme blijft beperkt tot zijn trainingsgegevens. De overvloed aan historische gegevens elimineert de variabiliteit van de werkelijkheid niet.
De blinde vlek van overmoed
Een van de gevaarlijkste gevolgen van data-arrogantie is overmoed. Wanneer beslissingen worden ondersteund door cijfers, kunnen leiders hun waakzaamheid verliezen. Digitale voetafdrukken leggen klikken en transacties vast, maar geen informele gesprekken. Niet alles wat er toe doet, wordt digitaal vastgelegd, en het dashboard laat zelden zijn eigen blinde vlekken zien.
We worden geconfronteerd met wat we niet weten, we weten het niet. In zijn werk over onzekerheid Vaughn Tan maakt onderscheid tussen risico – waarbij kansen kunnen worden berekend – en diepere vormen van onwetendheid waarbij de kansen zelf onbekend zijn.. Het behandelen van alle onzekerheid alsof het een berekenbaar risico is, is een categoriefout.
Wiskunde kan geen antwoorden geven op vragen over opkomende waarden en ongekende gebeurtenissen. De COVID-19-crisis illustreert deze verwarring duidelijk. Sommige leiders vertrouwen sterk op modellen die zijn opgebouwd op basis van eerdere ziekten, in de veronderstelling dat alle onbekende factoren eenvoudigweg risicovariabelen zijn die wachten om te worden berekend. In werkelijkheid zijn veel van deze onzekerheden die experimenteren, nederigheid en adaptief leren vereisen.
Van databeheersing naar onzekerheidsgeletterdheid
Datasnobisme kan ook doordringen in iemands persoonlijke leven via afgemeten zelfbeweging. Draagbare apparaten meten slaapcycli, hartslagvariatie, aantal stappen en glucosewaarden, wat ongekende zelfkennis belooft. Maar meer informatie betekent niet altijd een beter welzijn. In de geneeskunde verhoogt overmatig testen het risico op vals-positieve resultaten, waardoor afwijkingen worden opgespoord die misschien geen gevaar vormen, maar wel angst en invasieve follow-up kunnen veroorzaken. Voortdurende zelfcontrole kan obsessie aanwakkeren. In plaats van te vragen of we ons uitgerust of hongerig voelen, geven we de voorkeur aan numerieke indicatoren, waarbij we meer intuïtieve signalen negeren (honger voelen, rusten…).
Niets van dit alles betekent dat we de gegevens moeten afwijzen. Natuurlijk niet. Gegevens zijn zeer waardevol. Maar dit moet in lijn worden gebracht met een breder begrip van hoe kennis feitelijk wordt gegenereerd – door veldobservaties, deskundig oordeel en geleefde ervaring. Gegevens vereisen interpretatie. Dit vereist nederigheid en een open gesprek. Wat ontbreekt hier? Welke aannames bepalen deze maatstaf? Wie beslist wat er gemeten wordt, en waarom?
In werkelijk onzekere omgevingen presteren kleine omkeerbare experimenten vaak beter dan grote voorspellende modellen. In plaats van te doen alsof ze het weten, kunnen organisaties onderzoeken, leren en zich aanpassen. Intuïtie vertegenwoordigt – verre van irrationeel – een gecomprimeerde ervaring die in de loop van de tijd is opgebouwd. Het allerbelangrijkste is dat leiders nederig moeten blijven tegenover het onbekende. De meest geavanceerde analyses kunnen de verantwoordelijkheid van besluitvormers niet ontlopen.
Naarmate sensoren zich vermenigvuldigen en AI-systemen zich verspreiden, zal de verleiding om meten gelijk te stellen aan meesterschap alleen maar toenemen. Pas op voor data-snobisme. Weten dat we het niet volledig weten, is de basis van een beredeneerd oordeel in een wereld die nog steeds erg complex is.
{“blockType”:mv-promo-block”,”data”:{“imageDesktopUrl”https://images.fastcompany.com/image/upload/f_webp,q_auto,c_fit/wp-cms-2/2026/01/PhotoLVitaud-169.jpg”,”image MobileUrl ‘https://images.fastcompany.com/image/upload/f_webp,q_auto,c_fit/wp-cms-2/2026/01/PhotoLVitaud-11.jpg’,eyebrow ‘,’headline’:u003Cstrongu003ESAbonneren op Laetitia@Worku003C/strongu003E”,”dek ‘Vrouwen zijn de drijvende kracht achter de productiviteit van de wereld – het wordt tijd dat we er meer over praten. Ontdek op vrouwen gerichte opvattingen in de wereld van werk, van verborgen discriminatie tot culturele mythen over ouder worden en zorg. Mis het volgende nummer niet – abonneer u op Laetitia@Work.’ Meer”,”ctaUrl”:http://laetitiaatwork.substack.com”, “theme”:{“bg”:#2b2d30″, “text”:#ffffff”, “eyebrow”:#9aa2aa”, “subhed”:#ffffff”, “buttonB g”#3b3f46”, “buttonHoverBg”:91472265,”buttonText”:false,”slug””}}
