Decennia lang wordt ons verteld dat de slimste organisaties ‘datagedreven’ zijn. De term heeft moreel gewicht. Je laten leiden door data betekent serieus, rationeel en modern zijn. Als u dat niet doet, wordt u gezien als ideologisch of sentimenteel. Op de werkvloer is kwantificering synoniem geworden met geloofwaardigheid en competentie.
En toch, hoe meer gegevens we verzamelen, hoe minder zeker we lijken te zijn 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-gegenereerde voorspellingen. We hebben meer data dan we weten wat we ermee moeten doen. Wij pretenderen dat alleen al de aanwezigheid van data duidelijkheid garandeert. Dat is niet het geval.
Het is data-overmoed– 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.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’:u003EAbonnerenu003ES 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 een vrouwgerichte kijk op werk, van verborgen discriminatie tot culturele mythen over ouder worden en zorg. Mis het volgende nummer Laetitia@Work niet.’ 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
In managementvergaderingen duidt een dia vol grafieken en percentages op autoriteit. Cijfers lijken afwijkende meningen het zwijgen op te leggen 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 geconstrueerd binnen bepaalde kaders, aannames en belangen.
Te vaak worden data niet gebruikt om beslissingen te onderbouwen, maar om ze achteraf te rechtvaardigen. Het geeft post-hoc legitimiteit aan reeds gekozen strategieën, en omhult subjectieve keuzes in de taal van objectiviteit. Neem bijvoorbeeld de creatieve industrie waar algoritmen zogenaamd succes voorspellen. Netflix bouwde een deel van zijn reputatie op geavanceerde data en beweerde kijkers beter te begrijpen dan traditionele studio’s ooit zouden kunnen.
Nog insiders hebben beschreven hoe statistieken verandereninterpretaties variëren, en managers benadrukken selectief cijfers die hun favoriete projecten ondersteunen. Het resultaat kan met inhoud worden gemanipuleerd, zodat deze ‘zichtbaar’ maar vergeetbaar is – geoptimaliseerd voor gefragmenteerde aandacht in plaats van blijvende culturele impact.
Het probleem is ook dat gegevens het verleden weerspiegelen. Het legt vast wat al heeft gewerkt, niet wat morgen weerklank zal vinden. Het heeft moeite om de nieuwe stemming in een samenleving te begrijpen – het immateriële tijdsgeest waardoor een verhaal, een product of een idee actueel aanvoelt. Door te focussen op op het verleden gerichte indicatoren wordt middelmatigheid geïnstitutionaliseerd.
Wanneer gegevens bevestigen wat we al weten
Hetzelfde patroon komt naar voren in corporate HR, waar de komst van people analytics revolutionaire inzichten in betrokkenheid en prestaties beloofde. Sensoren volgen badge-swipes, algoritmen brengen samenwerkingsnetwerken in kaart en voorspellende modellen schatten het verlooprisico in. Na enorme investeringen komen bedrijven er vaak achter dat goede leiders er toe doen, dat werknemers niet van micromanagement houden en dat mensen vertrekken als ze zich ondergewaardeerd voelen.
Deze resultaten zijn nauwelijks revolutionair. Enkele van de bekendste ‘datagedreven’ inzichten bevestigen eenvoudigweg wat ervaren mensen al vermoedden. Er gaapt een groeiende kloof tussen de verfijning van meetinstrumenten en de banaliteit van veel van de conclusies die ze genereren. In open, rommelige omgevingen produceren organisaties vaak enorme hoeveelheden lawaai en verwarren ze dit met kennis.
De gezondheidszorg biedt nog een onthullend voorbeeld. Radiologie leek ooit perfect geschikt voor AI-transformatie: miljoenen gestandaardiseerde afbeeldingen en duidelijke diagnostische categorieën. Vroege systemen presteerden indrukwekkend in routinegevallen. Maar de praktijk in de praktijk bracht al snel beperkingen aan het licht. Radiologierapporten staan vol met waarschuwende zinsneden – ‘kan niet worden uitgesloten’, ‘klinische correlatie aanbevolen’ – het product van decennia van medisch-juridische voorzichtigheid. Algoritmen worstelen met deze dubbelzinnigheid en kunnen buitensporige urgentie signaleren omdat ze geen onderscheid kunnen maken tussen juridische voorzichtigheid en echte klinische risico’s.
Meer fundamenteel wordt de geneeskunde gedefinieerd door uitzonderingen. AI kan 90% van de veel voorkomende gevallen effectief afhandelen, maar het zijn de zeldzame en atypische gevallen die de expertise echt op de proef stellen. Een ervaren radioloog kan door een ongekende situatie heen redeneren; een algoritme blijft beperkt tot zijn trainingsgegevens. Overvloedige historische gegevens elimineren de variabiliteit van de werkelijkheid niet.
De blinde vlekken van overvolwassenheid
Een van de gevaarlijkste gevolgen van datahybris is overmoed. Wanneer beslissingen worden ondersteund door cijfers, kunnen managers hun voorzichtigheid verliezen. Digitale routes registreren klikken en transacties, maar geen losse gesprekken. Niet alles wat betekenis heeft, laat een digitaal document achter, en dashboards laten zelden hun eigen blinde vlekken zien.
We worden geconfronteerd met wat we niet weten, we weten het niet. In zijn werk met onzekerheid, Vaughn Tan maakt onderscheid tussen risico – waarbij kansen kunnen worden berekend – en diepere vormen van niet-kennis waarbij kansen zelf onbekend zijn.. Het behandelen van alle onzekerheid alsof het een berekenbaar risico is, is een categoriefout.
Wiskunde kan geen vragen oplossen over nieuwe waarden en ongekende gebeurtenissen. De COVID-19-crisis heeft deze verwarring duidelijk geïllustreerd. Sommige managers vertrouwden zwaar op modellen die waren opgebouwd op basis van ziekten uit het verleden, in de veronderstelling dat alle onbekende factoren eenvoudigweg risicovariabelen waren die nog moesten worden berekend. In werkelijkheid waren er veel echte onzekerheden die experimenten, nederigheid en adaptief leren vereisten.
Van databeheersing naar onzekerheidscompetentie
Datahybris kan zich ook uitstrekken tot iemands persoonlijke leven via de gekwantificeerde zelfbeweging. Wearables meten slaapcycli, hartslagvariatie, aantal stappen en glucosewaarden, wat een ongekend zelfbewustzijn belooft. Maar meer informatie betekent niet altijd een beter welzijn. In de geneeskunde verhoogt overmatig testen het risico op valse positieven en worden afwijkingen opgespoord die misschien nooit schade aanrichten, 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, gaan we uit van numerieke indicatoren en negeren we dus meer intuïtieve signalen (honger voelen, uitgerust…).
Niets van dit alles betekent dat we gegevens moeten afwijzen. Natuurlijk niet. Gegevens zijn van onschatbare waarde. Maar het moet passen binnen een breder begrip van hoe kennis feitelijk wordt geproduceerd – door middel van veldobservaties, beoordelingen door deskundigen en doorleefde ervaringen. Gegevens vereisen interpretatie. Het vereist nederigheid en open gesprekken. Wat ontbreekt hier? Welke aannames hebben deze statistieken gevormd? Wie besliste wat er gemeten moest worden – 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. Bovenal moeten leiders nederig blijven tegenover onbekende onbekenden. De meest geavanceerde analyses kunnen besluitvormers niet van hun verantwoordelijkheid ontslaan.
Naarmate het aantal sensoren toeneemt en de systemen voor kunstmatige intelligentie toenemen, zal de verleiding om meten gelijk te stellen aan meesterschap alleen maar toenemen. Pas op voor datahybris. Weten dat we het niet helemaal weten, is de basis van een gezond oordeel in een wereld die onherleidbaar complex blijft.
{“blockType”:mv-promo-block”,”data”:{“imageDesktopUrl”https://images.fastcompany.com/image/upload/f_webp,q_auto,c_fit/wp-cms-2/2026/01/PhotoLVitaud.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’:u003EAbonnerenu003ES 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 een vrouwgerichte kijk op werk, van verborgen discriminatie tot culturele mythen over ouder worden en zorg. Mis het volgende nummer Laetitia@Work niet.’ Meer”,”ctaUrl”:http://laetitiaatwork.substack.com”, “theme”:{“bg”:#2b2d30″, “text”:#ffffff”, “eyebrow”:#9aa2aa”, “subhed”:#ffffff”, “buttonB g”#3b3f46”, “buttonHoverBg”:91472265,”buttonText”:false,”slug””}}
