In 2018 deed Google iets ongebruikelijks: ze creëerden een volledig nieuwe functie. Cassie Kozyrkov werd de eerste Hoofd Besluitvormingswetenschapper van de organisatie — niet Hoofd Data, niet VP van Analytics, maar iemand wiens expliciete taak was om de organisatie betere beslissingen te laten nemen.
Waarom? Omdat Google had ontdekt wat de meeste organisaties nog niet hadden: het hebben van gegevens is niet hetzelfde als het goed gebruiken van gegevens. Ze hadden petabytes van informatie, legioenen van datawetenschappers en wereldklasse ML-infrastructuur. Maar ze zagen nog steeds hetzelfde patroon: briljante analyses die niemand opvolgde, dashboards die niemand veranderingen veroorzaakten door, AI-modellen die inzichten produceerden maar geen impact.
"Besluitvormingsintelligentie is de discipline van informatie omzetten in betere actie op elk schaal, in elk setting."
Dit is niet alleen een nieuwe label voor oude ideeën. Besluitvormingsintelligentie vertegenwoordigt een fundamentele verschuiving in hoe organisaties denken over de relatie tussen gegevens, analyse en actie. Als je onze gids over Collaboratieve Besluitvorming hebt gelezen, heb je de menselijke kant van deze vergelijking gezien — de 240 jaar van onderzoek van Condorcet tot Google Project Aristotle die bewijzen dat diverse perspectieven, proper geaggregeerd, individuele waardering overtreffen.
Besluitvormingsintelligentie neemt deze basis en vraagt: wat gebeurt er als we AI, causale modellering en systematische terugkoppeling toevoegen?
Het $3,1 biljoen probleem: inzicht zonder actie
Hier is een getal dat elke uitvoerend directeur zou moeten alarmeren: 65% van organisaties gebruikt gegevens selectief om beslissingen te rechtvaardigen die ze al hebben genomen, in plaats van gegevens echt te laten leiden bij beslissingen (Gartner, 2024). Ze hebben Business Intelligence-dashboards. Ze hebben Data Science-teams. Maar de gegevens veranderen niemands gedrag.
De Analytics-Actie Kloof
- BI vertelt je: "Verkoop is in Q3 met 12% gedaald."
- Data Science vertelt je: "Verkoop zal waarschijnlijk in Q4 met nog eens 8% gedaald zijn."
- Geen van beiden vertelt je: Wat specifieke actie je moet nemen, wat de waarschijnlijke uitkomst zal zijn of hoe je weet of het werkt.
McKinsey schat dat deze Analytics-Actie kloof organisaties $3,1 biljoen per jaar kost in niet-gerespecteerd potentieel van gegevensinvesteringen.
Dit is het probleem dat Besluitvormingsintelligentie oplost. Niet door meer dashboards of meer ML-modellen toe te voegen — maar door de hele stroom van informatie naar actie naar uitkomstmeting te herontwerpen.
Een korte geschiedenis: van besluitvormingsingenieur naar besluitvormingsintelligentie
De conceptuele wortels van Besluitvormingsintelligentie gaan terug tot de jaren 50 — tot dezelfde periode die ons kunstmatige intelligentie, operationeel onderzoek en Herbert Simons Nobelprijs-winnende werk over gebonden rationele besluitvorming gaven. Maar de moderne discipline ontstond uit twee parallelle sporen:
Het Academische Spoor
Dr. Lorien Pratt (Rutgers PhD, voormalig DARPA-onderzoeker) bedacht "Besluitvormingsingenieur" in 2010, hernoemde dit naar "Besluitvormingsintelligentie" in 2012. Haar werk combineerde machine learning, causale redenering en organisatorische besluitvorming tot een coherent ingenieursdiscipline.
"De term 'Besluitvormingsingenieur' verkocht niet. We veranderden alle communicatie en positionering."
Het Industrieel Spoor
Cassie Kozyrkov (Duke PhD, statistica) bouwde Googles Besluitvormingsintelligentie-functie op van 2018 tot 2023. Ze trainde duizenden Googlers in DI-methoden, tussen onderzoek/ML en de operationele business in. Google noemt dit "Besluitvormingsintelligentie Ingenieurswerk."
"Datawetenschap plus sociale en managementwetenschap."
De samenvloeiing gebeurde omdat beide sporen dezelfde muur troffen: technische verfijning zonder besluitvormingsimpact. Pratts academische werk toonde aan waarom (ontbrekende causale redenering); Kozyrkovs industrieel werk toonde aan hoe dit op grote schaal op te lossen.
Business Intelligence vs Data Science vs Decision Intelligence
De duidelijkste manier om DI te begrijpen is door vergelijking. Hier is hoe de drie disciplines verschillen:
| Aspect | Bedrijfsintelligentie | Gegevenswetenschap | Beslissingsintelligentie |
|---|---|---|---|
| Kernvraag | "Wat is er gebeurd?" | "Wat zal er gebeuren?" | "Wat moeten we doen?" |
| Analyse type | Beschrijvend | Voorspellend | Prescriptief + Feedback |
| Uitvoeringsresultaat | Rapporten, dashboards | Modellen, voorspellingen | Beslissingen + uitkomsten |
| Tijdsoriëntatie | Verleden/heden | Toekomst | Volledige cyclus (verleden → actie → toekomst → leren) |
| Menselijke rol | Rapporten interpreteren | Voorspellingen interpreteren | Eigen verantwoordelijkheid, waarden, compromissen |
Het sleutelinsight: DI vervangt geen BI of Data Science — het complementeert ze. BI biedt de historische context. Data Science biedt de voorspellingen. DI voegt de beslissingslogica, de actieaanbevelingen en de terugkoppeling toe die de kloof tussen inzicht en impact sluit.
Het Besluitvormingsintelligentie-Framework
Op zijn kernpunt, werkt DI op een eenvoudig maar krachtig model:
Observe
Gegevens verzamelen over de huidige staat
Model
Causale relaties vastleggen
Decide
Actie kiezen met voorspelde uitkomst
Learn
Uitkomst meten, model bijwerken
Het Besluitvormingsintelligentie-loop: Observe → Model → Decide → Learn → (herhaal)
Dit ziet er superficial op het eerste gezicht uit als de OODA-loop (Observe-Orient-Decide-Act) van militaire strategie. Maar er is een kritische verschil: de Learn-stap. OODA was ontworpen voor real-time-combatsituaties waar je niet kunt pauzeren om uitkomsten te meten. DI is ontworpen voor organisatorische beslissingen waar je kan — en moet — systematisch leren van resultaten.
Causale Beslissingsdiagrammen: de oorzakelijke kaart zien
Het hart van Besluitvormingsintelligentie is causale redenering — begrijpen van niet alleen wat correlaties met elkaar hebben, maar wat er ook daadwerkelijk oorzakelijk voor staat. Dit is het verschil tussen:
Correlatiebaseren Analyse
"Klanten die product A kopen, hebben ook een neiging om product B te kopen."
Probleem: Als we B promoten, zal A-verkoop toenemen? We weten het niet.
Causale Beslissingsdiagram
"Prijsverlaging op A → verhoogde A-verkoop → verhoogde B-verkoop (complementaire gebruik)."
Actiebaar: We weten de hefboom (A-prijs) en de mechanisme (complementaire effect).
Een Causale Beslissingsdiagram (CDD) visualiseert deze oorzakelijke relaties. Het toont:
- Doelen: De uitkomsten die we nastreven
- Werkzagen: De acties die we kunnen uitvoeren
- Intermediairen: De keten van effecten tussen werkkanaal en doel
- Externe factoren: Factoren die we niet kunnen beïnvloeden maar waar we rekening mee moeten houden
"Het is beter om informatie te organiseren rondom de beslissing die moet worden genomen, in plaats van rondom de gegevens die de beslissing omgeven."
Waar AI past: Augmentatie, niet vervanging
Dit is waar Decision Intelligence zich het meest scherp onderscheidt van zowel de "AI zal alles automatiseren"-hypese als de "mensen moeten altijd beslissen"-traditionalisme. DI's positie: AI versterkt menselijke besluitvorming; mensen behouden verantwoordelijkheid.
Wat AI goed doet in DI
Informatiesynthese
Gegevensvolumes verwerken die voor mensen onmogelijk zijn. Samenvatten van 10.000 documenten naar relevante inzichten.
Patroonherkenning
Correlaties en anomalieën vinden in hoge-dimensionale gegevens die mensen zouden missen.
Uitkomstsimulatie
Model 'wat als' scenario's sneller en grondiger dan manuele analyse.
Wat mensen doen dat AI niet kan
Waarden & Ethiek
Beslissen wat compromissen acceptabel zijn. Balanceren van tegenstrijdige belangen van stakeholders.
Context & Oordeel
Organisatiekennis, relatiebewustzijn en situatieve nuances toepassen.
Verantwoordelijkheid
Eigen beslissingen nemen. Zijn de mens in de loop die reguleringsinstanties en stakeholders vereisen.
Netflix biedt een perfect voorbeeld. Hun aanbevelingsengine (AI) verwerkt kijkgedrag van 300 miljoen abonnees. Het voorspelde House of Cards zou slagen voordat er een enkel aflevering was gefilmd. Maar mensen — studio-uitvoerders — namen de echte beslissing om de $100 miljoen productie goed te keuren. De AI handelde de cognitieve last van patroonherkenning; mensen handelden de verantwoordelijkheid.
80% van het content dat op Netflix wordt bekeken, komt van de aanbevelingsengine. Maar Netflix stelt dat "mensen, niet machines, de uiteindelijke beslissers zijn".
De adoptiegolf 2025-2030
Decision Intelligence is van academisch theorie naar bedrijfsadoptie gegaan sneller dan de meeste disciplines:
Huidige staat (Gartner, 2025)
- 33% van de organisaties heeft DI geïmplementeerd
- 17% is toegewijd aan een pilot binnen 6 maanden
- 19% overweegt implementatie in 6-12 maanden
- 25% onderzoekt implementatie in 12-24 maanden
- Slechts 7% heeft geen interesse
Marktprojectie
Het 2025 Gartner AI Hype Cycle erkent Decision Intelligence als een transformatie-technologie — plaatsend het op 5-20% huidige adoptie met mainstream rijpheid verwacht in 2-5 jaar. Organisaties die DI-capaciteit nu ontwikkelen, zullen in de toekomst geavanceerde processen en organisatorische expertise hebben.
Van Collaboratief Besluitvormingsproces naar Decision Intelligence
Als je onze Collaboratieve Besluitvormingsgids hebt gelezen, zal je de basis van DI herkennen:
Wat CDM heeft gevestigd
- Diverse perspectieven overwegen individuele oordeel (Condorcet, 1785)
- Psychologische veiligheid maakt perspectief-delen mogelijk (Google Project Aristotle)
- Fasestructuur voor divergent-convergent groepsbetrokkenheid
- Cognitieve biases kunnen worden verminderd met gestructureerde frameworks
Wat DI toevoegt
- AI-augmentatie: Informatie volumes verwerken die voor menselijke verwerking onmogelijk zijn
- Causale modellen: Causale relaties vastleggen voor 'wat als' analyse
- Feedback lussen: Systematische meting van beslissingen uitkomsten
- Automatisering van beslissingen: Routine beslissingen worden door AI uitgevoerd met menselijke toezicht
Denk er zo over na: CDM is de mensgerichte basis; DI is de technologie-augmenteerde systeem die op die basis wordt gebouwd. Je kunt geen goed DI hebben zonder de collaboratieve besluitvormingsprincipes. Maar je kunt de kracht van CDM dramatisch verhogen door DI's capaciteiten toe te voegen.
Hoe Argumentree Decision Intelligence implementeert
Argumentree toepast Decision Intelligence-principes op reële organisatorische besluitvorming. In plaats van beslissingen als eenmalige gebeurtenissen te behandelen, creëert de platform een continu lernend systeem:
Het resultaat: elke beslissing wordt een leermoment. Teams bouwen organisatorische herinneringen op. Nieuwe leden kunnen niet alleen wat is besloten, maar ook waarom — en of de redenering stand hield tegenover de realiteit.
De Compleet Gids
Dit artikel bespreekt de essentiële aspecten van Decision Intelligence. Voor de uitgebreide diepgaande inzage — inclusief de volledige framework-architectuur, implementatiepatronen, causaal diagramme-sjablonen en integratie met bestaande BI/DS-infrastructuur — zie onze definitieve bron:
Wat is Decision Intelligence?
De complete referentiegids
5.000+ woorden die de volledige DI-framework dekken: oorsprong, architectuur, causaal modeleren, AI-integratiepatronen, organisatorische implementatie en de onderzoeksvakken die erachter zitten.
Lees de Compleet Gids