“Basis op orde”: waarom meten zonder betrouwbare data een schijnzekerheid is

In een blog op HRMorgen schreven we vanuit EXIRE al over een terugkerend patroon: HR onderneemt actie tegen verzuim, maar weet achteraf zelden of die actie ook echt iets heeft opgeleverd. De oorzaak lag niet bij een gebrek aan inzet, maar bij het ontbreken van een nulmeting. Zonder een vastgelegd beginpunt is er simpelweg niets om een resultaat tegen af te zetten. Meten vóór je ingrijpt, was de kernboodschap.

Maar meten op zich is nog geen garantie voor weten. Ook als je wél meet, kan het misgaan.. namelijk wanneer de data die je verzamelt zelf niet betrouwbaar, valide of vrij van bias is.

Is meten hetzelfde als weten?
Het korte antwoord: niet automatisch. Je kunt keurig data verzamelen, een baseline vastleggen, en tóch een vertekend beeld hebben. Namelijk wanneer die data zelf niet betrouwbaar, valide of vrij van bias is. Dan meet je wel iets, maar niet wat je dénkt of hoopt te meten.

Dit wordt extra belangrijk zodra je als organisatie verder gaat dan een eenmalige meting, en de data gebruikt om voorspellingen te doen. Bijvoorbeeld over wie een verhoogd risico loopt op uitval of vertrek. Een voorspellend model bouwt namelijk voort op de data die je het voedt. Is die data scheef, dan is de voorspelling dat ook, hoe geavanceerd het model verder ook is. Garbage in = Garbage out.

Casus: een vertekende baseline met verregaande gevolgen voor machine learning
Een bekend voorbeeld van garbage in = garbage out is afkomstig van Amazon. Het techbedrijf ontwikkelde vanaf 2014 een AI-tool om cv’s te screenen en kandidaten te scoren van één tot vijf sterren, met als doel: honderd cv’s erin, de beste vijf eruit. Tijdbesparing.

Het model werd getraind op tien jaar aan binnengekomen sollicitaties. Omdat de tech-sector destijds mannelijk gedomineerd was, kwam het merendeel van die cv’s uit de database van mannen. Het model “leerde” daaruit dat mannelijke kandidaten de voorkeur verdienden: het strafte cv’s af met het woord “women’s” erin en filterde afgestudeerden van twee vrouwenopleidingen weg. Reuters onthulde dit in 2018; Amazon schrapte het project nadat bleek dat het algoritme niet meer betrouwbaar genderneutraal te krijgen was.

Het punt in dit voorbeeld is niet dat AI slecht is, of dat Amazon onzorgvuldig te werk ging. Het punt is dat de bias al in de basis zat. In de historische data. Nog vóórdat er een voorspellend model op werd losgelaten. Het model deed precies wat het moest doen: patronen herkennen. Het probleem was dat het patroon dat het model herkende, geen gewenst patroon was.

Lees verder via: https://hrtecharena.nl/2026/08/basis-op-orde-waarom-meten-zonder-betrouwbare-data-een-schijnzekerheid-is/