Van argwaan naar actie: zo winnen algoritmes het vertrouwen

Mensen die algoritmes weigeren op te nemen in hun workflow blijven verrassend hardnekkig – zelfs wanneer het bewijs overweldigend is dat ze beter presteren dan mensen. Deze short read toont de twee meest voorkomende manieren om met die weerstand om te gaan – en waarom we er beter één van vergeten.

Waarom zijn mensen allergisch aan algoritmes?

Algorithm aversion = het irrationeel wantrouwen van systemen die nochtans betere beslissingen nemen dan mensen.

We leggen algoritmes de lat veel hoger dan menselijke collega’s. Denk aan Tesla’s autopilot: bij elk incident ligt hij onder vuur, ook al toont de data dat hij veiliger rijdt dan de doorsnee chauffeur.

Voor situaties waarin mensenlevens op het spel staan is die voorzichtigheid logisch. Maar in businesscontexten, waarin algoritmes systematisch beter presteren dan experten? Dan is het vooral contraproductief.

Onderzoek bevestigt dit: zelfs als mensen zien dat het algoritme beter presteert, vertrouwen ze liever hun eigen buikgevoel. Na één fout van het algoritme haken ze af – terwijl een mens met exact dezelfde fout gewoon een tweede kans krijgt.

Oplossingen? De academische wereld stelt twee dingen voor:  
1. perfecte algoritmes bouwen (onhaalbaar), of  
2. de prestaties van het algoritme verstoppen zodat ze als foutloos overkomen (onethisch én frustrerend voor eindgebruikers).

Aanpak 1: Human overrides

De klassieker: het algoritme doet een suggestie, maar een mens kan die overrulen. Klinkt logisch. In realiteit: vaak een valkuil.

Probleem 1: iedereen wordt zijn eigen benchmark.
“Het algoritme zegt X, maar ik voel Y.” En dus wint Y.  
Zo wordt het algoritme gereduceerd tot een dure Excelmacro.

Probleem 2: je weet nooit wat echt werkt.
Als mens en machine constant door elkaar beslissen, weet je nooit wie voor de impact zorgt. Goed werken wordt onmeetbaar.

Soms wordt dit verdedigd met het ‘Centaur’-idee uit de schaakwereld: mens + machine > elk apart. Maar wat vaak vergeten wordt: in die teams is de taakverdeling helder. Computers nemen de tactische zetten, mensen de strategische. Zolang je die verdeling niet maakt, verlies je meer dan je wint.

Aanpak 2: Structurele regels

De alternatieve route: mensen mogen ingrijpen, maar alleen als ze dat doen via generaliseerbare regels.

Voorbeeld: in plaats van “voor product X wil ik de voorspelling aanpassen”, wordt het “voor producten met seizoenspiek tussen maart en juni, pas ik de voorspelling aan”. Dat is herbruikbaar, schaalbaar en toetsbaar.

Waarom dit werkt:

- Buikgevoel wordt ontmoedigd. Je moet expliciet maken wat je denkt. Vaag aanvoelen telt niet meer.
- Eenmalig werk. Een regel stel je één keer op. Overrides moet je telkens opnieuw doen.
- Je leert sneller. Het dwingt je na te denken over *waarom* je iets anders verwacht, en die kennis wordt ingebouwd.

Wat zijn de valkuilen?

- Meer werk in het begin. Het opstellen van regels vraagt tijd en denkkracht. Maar het betaalt zich dubbel en dik terug.
- Fake rules. Soms proberen mensen toch hun override in regels te verpakken. Je herkent dit aan regels die alleen op één product slaan.
- Te veel regels. Als je te veel uitzonderingen op uitzonderingen maakt, krijg je een onwerkbare puzzel. Hier moet je actief op challengen.

Hoe pak je dit aan?

De adoptiefase van een algoritme is kritiek. Eén domme fout, en mensen haken af. Daarom moet je hen vooraf primen:

1. Verwacht fouten. Altijd.
   Onzekerheid = fouten. Ook bij mensen. Ook bij algoritmes.
2. Wil je iets veranderen? Doe het structureel.
   Niet via achterpoortjes, maar via regels die het systeem versterken.

Samengevat?

Overrule je algoritme, en je blijft steken in Excel-logica. Bouw mee aan de spelregels, en je versterkt het systeem én jezelf.

Keuze is aan jou.