Het herkennen van je blinde vlekken is het begin van scherp zien

Niet door biases te ontkennen, maar door ze te erkennen. En door systemen zo in te richten dat ze wrijving creëren bij snelle oordelen en beslissingen. Want: Snel denken is comfortabel. Goed denken begint bij ongemak.

Dit waren dus 6 onbewuste structurele denkfouten, én hoe je er mee om kunt gaan. Nu weten wij ‘for a fact’ dat een groot deel van de lezers van dit artikel nu denkt 'Ja, ok, dat snap ik, ik zie dat ook wel bij anderen, maar ik ben heel rationeel en hiervoor minder gevoelig'.

Was het maar zo. Want dat brengt ons tot de laatste bias, die we even apart hebben gezet omdat hij niet gaat over datagedreven werken, maar juist over andere biases: de ‘Bias Blind Spot’.

“Ik weet hoe biases werken, maar ik ben daar niet gevoelig voor en kijk altijd objectief naar data en de wereld.” We denken dat we minder vatbaar zijn voor denkfouten (zoals bovengenoemde biases) dan anderen, en dat is een ironische denkfout. 

Praktijk Vooral senior professionals maken deze fout; ze vertrouwen op ervaring maar herkennen hun eigen valkuilen niet (meer). 

Oplossing Plan bewust momenten om je oordeel te herevalueren, bij voorkeur met een collega die biases kent. 'Het herkennen van je blinde vlekken is het begin van scherp zien'.

4. Effort Justification 

“Het systeem was duur en kostte veel tijd om te implementeren, dus het moet wel goed zijn.” De inspanning om iets te implementeren wordt ten onrechte als bewijs van waarde gezien. 

Praktijk Een slecht werkend CRM-systeem blijft in gebruik omdat "we er al veel tijd en inspanning in hebben gestoken”. Als de investering voornamelijk financieel was en ditzelfde effect treedt op, noemen we dit het ‘sunk cost effect’. 

Oplossing Evalueer systemen puur op actuele prestaties. Vraag gebruikers: Zouden we dit nu opnieuw kopen?

3. Confirmation Bias 

“Zie je wel, die data bevestigen wat ik al dacht.” We zoeken selectief naar informatie die onze overtuiging bevestigt en negeren of diskwalificeren hiermee strijdige informatie. 

Praktijk Uit een klantsegmentatierapport worden alleen grafieken getoond die passen bij het bestaande productaanbod. 

Oplossing Gebruik dashboards die afwijkende trends uitlichten en verplicht jezelf om elk advies, voordat je het uitbrengt, eerst voor jezelf te toetsen aan een tegenargument. AI is hier bijzonder geschikt voor.

5. Overconfidence Bias 

“Ik zie meteen wat hier aan de hand is.” We overschatten ons vermogen om patronen te herkennen en onderschatten de complexiteit van data-analyse. 

Praktijk Een adviseur neemt besluiten op basis van enkele dashboards of eindgrafieken, zonder de achterliggende modellen te begrijpen. 

Oplossing Het is vanwege de aard van deze bias (zelfoverschatting) lastig om die bij jezelf te (h)erkennen. Durf daarom een collega ‘advocaat van de duivel’ te laten spelen om je analyse uit te dagen. Voer dit liefst als bedrijfspraktijk in: pas regelmatig het ‘vier-ogenprincipe’ toe op datagedreven oplossingen. 

6. AI Trust Bias 

“De AI zegt dat dit de beste optie is, dus dat zal wel kloppen.” We beschouwen een AI-uitspraak als objectiever en betrouwbaarder dan een menselijke, ook als dat niet terecht is. Dit is een hedendaagse versie van de ‘automation bias’. De AI Trust Bias is echter nog sterker omdat naast de ‘autoriteit’ van een geautomatiseerd systeem ook nog eens het zogenaamde ‘antropomorfisme’ optreedt: we interacteren met het systeem als of het een mens is, wat extra bijdraagt aan het vertrouwen. 

Praktijk Een automatisch gegenereerd AI-advies wordt overgenomen zonder de aannames van het model te begrijpen of te onderkennen dat AI soms ook ‘hallucineert’. 

Oplossing Dwing met slimme prompting af dat AI de argumentatie- en redenatielijn zichtbaar maakt in het antwoord. Zo kun je herkennen waar AI mogelijke denk- of redeneerfouten heeft gemaakt en voorkom je dat je te snel te veel vertrouwt. 

2. Status Quo Bias 

“Ik weet dat het beter kan, maar zo werken we al jaren.” Mensen houden van voorspelbaarheid en de huidige situatie (status quo) is bekend en daardoor voorspelbaar. Verandering wordt dus al snel als bedreigend ervaren. Dit zorgt voor weerstand tegen nieuwe werkwijzen zoals datagedreven werken. 

Praktijk Een AI-systeem adviseert klantcontact aan te passen, maar teams houden vast aan vaste periodieke contactmomenten ‘omdat het altijd zo is gedaan’. 

Oplossing Maak duidelijk dat automatisering menselijke aandacht juist ondersteunt. Verbind AI-aanbevelingen met concrete klantcases en stel de vraag: Wat als we dit contact hadden aangepast? Bedenk ook wat het kost als we níet veranderen. 

1. Base Rate Neglect 

“Bij drie klanten werkte dit perfect, dus het is een goed advies.” We baseren ons oordeel liever op anekdotes dan op statistische waarschijnlijkheid, vooral als die anekdotes succes uitstralen of dichtbij ons staan. 

Praktijk Een adviseur die twee jonge ondernemers succesvol hielp, overschat de kans op succes voor een derde en negeert landelijke cijfers over startersrisico’s. 

Oplossing Begin bij de base rate: wat is de objectieve kans in de hele populatie? Maak dit een vast onderdeel van het adviesproces. 

Een bias is een onbewuste, maar wel structurele psychologische denkfout waarbij we bij het nemen van beslissingen bepaalde informatie (onterecht) zwaarder laten meewegen dan andere informatie. Het woord ‘bias’ stamt uit het oude frans (‘biais’), waarin het ‘schuin’ of ‘helling’ of ‘eenzijdig’ betekent. Vandaar het figuurlijk gebruik: ‘de neiging van het brein om eenzijdig te denken’.

Biases zijn evolutionair ontstaan en doen zich ongemerkt voor. Vele dienen nog steeds een functie (vaak zelfbehoud/overleving of snelheid van beslissen) maar de omstandigheden zijn in de loop der tijd natuurlijk veranderd, waardoor ze tegenwoordig vaker onhandig zijn dan functioneel. Maak je geen zorgen: iedereen heeft hier last van. En als je ze kent, kun je ze vermijden.

Hieronder bespreken we zes biases die zich vaak voordoen bij het interpreteren en gebruiken van data in de financiële adviespraktijk.