De meeste discussies over AI draaien om één vraag: is het model slim genoeg om de beslissing te nemen? Dat is de verkeerde vraag. De betere vraag is hoe consistent je mensen die beslissing vandaag nemen. Want het echte alternatief voor een AI-model is niet een ideale expert — het is het proces dat nu draait. En dat is waarschijnlijk rommeliger dan je denkt.

Gebaseerd op het onderzoek uit Noise: A Flaw in Human Judgment van Daniel Kahneman, Olivier Sibony en Cass Sunstein (2021).

Hetzelfde dossier, 55% verschil

Kahneman en zijn co-auteurs beschrijven een experiment bij een grote verzekeraar. Achtenveertig acceptanten kregen dezelfde vijf fictieve dossiers voorgelegd, met de vraag om onafhankelijk van elkaar de premie te bepalen. Vooraf schatte de directie in dat de uitkomsten zo'n 10% uiteen zouden lopen — het soort marge dat je verwacht tussen professionals die hetzelfde vak beheersen.

Het werkelijke verschil tussen twee willekeurige acceptanten was 55%. Vijf keer zo groot als verwacht. Waar de één een premie van 9.500 dollar afgaf, kwam een ander op 16.700 dollar — voor exact hetzelfde risico. Bij de schadebehandelaars was het beeld niet veel beter: daar lag het mediane verschil rond de 43%.

Het punt is niet dat die mensen ondeskundig waren. Elke acceptant paste echte kennis toe en kon zijn getal verdedigen. Maar samen hadden ze een systeem gebouwd met een enorme variatie die niemand bewust had ontworpen. Kahneman noemt dit de illusie van overeenstemming: professionals gaan ervan uit dat hun collega's ongeveer hetzelfde zouden beslissen, en die aanname wordt zelden getoetst.

Ruis is geen witte ruis

De reflex is om te denken dat dit soort verschillen elkaar wel uitmiddelen. Dat doen ze niet. Als de één te hoog offreert en de ander te laag, heeft de verzekeraar niet nul fouten gemaakt, maar twee. De te hoge premie kost je de klant; de te lage kost je geld zodra de schade binnenkomt. Beide kanten van de spreiding zijn verlies. De betrokken bestuurders schatten in het onderzoek dat die variatie de verzekeraar jaarlijks honderden miljoenen kostte.

Kahneman maakt een nuttig onderscheid. Bias is een systematische afwijking — iedereen zit er structureel dezelfde kant op naast. Ruis is de willekeurige spreiding: dezelfde vraag, verschillende antwoorden, zonder patroon. Die ruis heeft meerdere bronnen. Sommige beoordelaars zijn nu eenmaal strenger of milder dan anderen. Anderen wegen dezelfde feiten net iets anders. En dan is er de meest ongemakkelijke bron: het moment zelf. Het tijdstip van de dag, de dag van de week, het humeur, het dossier dat je net daarvoor behandelde. Onderzoek onder rechters liet zelfs zien dat de kans op een mildere uitspraak groter was als de verdachte toevallig jarig was.

Met andere woorden: niet alleen verschillende mensen beslissen anders over hetzelfde dossier. Dezelfde persoon beslist op een andere dag anders.

Waarom dit de verzekeringsoperatie harder raakt

De voorbeelden uit het boek komen niet toevallig uit verzekeren. Acceptatie, risicobeoordeling en schadebehandeling zijn wat Kahneman terugkerende beslissingen noemt: hetzelfde type geval, hoge volumes, en meestal één persoon die beslist. Dat is precies de omgeving waarin ruis ontstaat — en waarin hij zich opstapelt over duizenden beslissingen per jaar.

En anders dan bij een eenmalige, unieke keuze is de spreiding hier meetbaar. Je kunt dezelfde dossiers aan meerdere mensen geven en kijken hoe ver de uitkomsten uiteenlopen.

Ruis is niet alleen duur — het raakt je zorgplicht

Voor verzekeraars en volmachten zit er nog een laag bovenop de kosten. Twee klanten met een vergelijkbare situatie die een verschillende uitkomst krijgen, puur omdat ze bij een andere behandelaar terechtkwamen: dat is precies het soort ongelijke behandeling waar zorgplicht om draait. Consistentie is in deze sector niet alleen een efficiëntievraag. Het weegt mee in hoe de AFM naar je processen kijkt, en het is vaak de kern van een klacht die uiteindelijk bij Kifid belandt.

Daarmee is de spreiding uit het onderzoek niet alleen een financieel lek, maar ook een compliancerisico dat lastig uit te leggen is zodra iemand ernaar vraagt. "Het hing af van wie het dossier kreeg" is geen antwoord dat standhoudt.

De eerlijke vergelijking

Hier komt de denkfout terug waarmee dit stuk begon. Als we besluiten of we een beslissing laten ondersteunen of overnemen door AI, vergelijken we het model met een ideale expert: de beste acceptant op zijn scherpste dag. Maar dat is niet het alternatief. Het alternatief is het proces dat nu draait, met alle spreiding die daarbij hoort.

Een geautomatiseerd beslismodel wint dan ook niet door slimmer te zijn dan je beste mens. Het wint door dezelfde logica consistent toe te passen — op het eerste dossier van de dag en op het laatste, op maandagochtend en op vrijdagmiddag, ongeacht wie er dienst heeft. De winst zit meestal niet in een slimmere beslissing. Hij zit in een minder wisselvallige.

Maar consistentie is niet vanzelf goed

En dan de eerlijke kanttekening, want die hoort erbij. Consistentie is alleen waardevol als de onderliggende logica klopt. Automatiseer je een slechte regel, dan krijg je die fout voortaan foutloos en op schaal terug — ruisvrije onzin blijft onzin. Een model dat slecht is gebouwd kan bovendien zijn eigen scheefheid inbakken, of alsnog inconsistent zijn. "Het is AI, dus het is consistent" is net zo'n onbewezen aanname als "onze acceptanten beslissen hetzelfde".

Daarom is de volgorde belangrijker dan de technologie. Meet eerst hoe groot je huidige spreiding is voordat je iets automatiseert. Leg daarna bewust vast welke regel je eigenlijk wilt volgen — dat is precies het deel dat bijna niemand op papier heeft staan. Houd een mens in de lus voor de dossiers die echt complex of uniek zijn. En blijf meten, want consistentie die je niet monitort, sluipt er langzaam weer uit.

Tot slot: niet alle variatie is slecht. In creatief of concurrerend werk wil je juist verschillende invalshoeken. Maar in een systeem waar dezelfde input tot dezelfde uitkomst hoort te leiden — een premie binnen de acceptatierichtlijnen, een standaard schadebeoordeling — is variatie geen rijkdom. Dan is het ruis.

De kans in de meeste verzekeringsoperaties is dus niet een slimmere beslissing. Het is een minder wisselvallige — en die winst is vaak groter dan het finetunen van één oordeel. Table Duck bouwt en beheert AI-agents voor verzekeraars en volmachten waarbij de beslislogica expliciet wordt gemaakt en consistent wordt toegepast, met een mens in de lus en uitlegbaarheid richting AFM en Kifid ingebouwd — en dat begint bij meten waar je huidige proces daadwerkelijk uiteenloopt.