Nu de Israëlisch-Amerikaanse psycholoog, bestsellerauteur en Nobelprijswinnaar op 90-jarige leeftijd is overleden, zetten we nog één keer de schijnwerpers op zijn belangrijkste gedachtegoed.
Daniel Kahneman heeft, samen met onderzoekspartner Amos Tversky, een enorme impact gehad op het denken over beoordelen en beslissen. Daarmee is hij de grondlegger van de gedragseconomie. Wat hebben we dan zoal van hem geleerd? Voor MT/Sprout focussen we op drie baanbrekende inzichten.
#1 Je hebt minder controle over je besluiten dan je denkt
Met zijn boek Thinking Fast and Slow, vertaald in het Nederlands als Ons feilbare denken, zet hij in 2011 de economische wereld op zijn kop. De rationele, economische mens bestaat niet. Je bent een wezen met twee denksystemen: snel en langzaam.
Systeem 1 is razendsnel. Beslissingen worden moeiteloos genomen op basis van intuïtie, emoties en indrukken. Alles wat het beoordelingsproces versnelt is goed, dus ook vooroordelen en vuistregels worden toegepast. Mentale shortcuts.
Logisch denken? Nee, dit is reageren op de automatische piloot. Dit systeem is verantwoordelijk voor 95 procent van de duizenden beslissingen die je elke dag neemt. Alleen gebeurt dat onbewust, daarom sluipen er fouten in.
Je brein is lui
Een bekend voorbeeld van Kahneman is dat je bereid bent om twintig minuten om te rijden om 5 euro te besparen op een rekenmachine van 15 euro. Maar je doet dat niet voor 5 euro korting op een rekenmachine die 125 euro kost.
Systeem 2 is langzamer. Hier wordt wel de tijd genomen om logisch na te denken. Je wikt en weegt de informatie, je kijkt naar verschillende concepten en opties. Getallen, statistieken, modellen, die worden nu niet genegeerd. Je gebruikt ze bij je jaarlijkse strategische oefening.
Maar dit kost wel veel energie en daar houdt je brein niet van. Het blijft liever stilletjes op de achtergrond draaien. Toch werken de twee systemen wel samen als een tandem. Systeem 1 kan met de juiste prikkels de hulp inroepen van systeem 2.
Marketeers zijn er dol op
Ook systeem 2 kan wel degelijk in de fout gaan bij het beslissen. Je redeneert bijvoorbeeld: ik heb haast niet ontbeten, dus kom maar op met die cake. Marketeers zijn dol op dit zogeheten duaal procesmodel om jou in de goede richting te nudgen.
Je kunt het ook zelf toepassen. Een voorbeeldje: je overbelast systeem 2 van je senior manager met complexe data, zodat systeem 1 de overhand krijgt. Vervolgens vraag je akkoord voor het optreden van Boef op je personeelsfeest. Dat laatste is dan plots een no-brainer geworden.
Lees ook: Een simpele methode om goede beslissingen te nemen
#2 Je vindt verliezen erger dan winnen
Kahneman en Tversky hebben met hun onderzoek naar verliesaversie ook flink aan de boom geschud van de rationele keuzes. Hun paper over dit onderwerp uit 1979 behoort tot de meest geciteerde in de economische en psychologische wetenschappen.
Kort samengevat komt de oude theorie hierop neer: als je kiest, dan ga je voor het maximaal haalbare. Daarbij maak je geen onderscheid tussen wat verlies of winnen voor je betekent.
Maar dat klopt niet. Je vindt verliezen erger dan winnen. Je ervaart de pijn van het verliezen zelfs twee keer sterker dan voldoening over iets krijgen of winnen. Daarom probeer je dat verlies te vermijden.
Online is het een kunst
Hoe hoger de inzet of waarde, hoe meer risico je neemt om verlies te vermijden. Gaat het over winst maken, dan kies je juist meer zekerheid. Bijvoorbeeld: je kunt een order schrijven van 10.000 euro voor die ene klant. Die is binnen, honderd procent.
Maar je maakt ook 25 procent kans op een order van 50.000 euro (omgerekend 12.500 euro). Wat doe je? Rationeel gezien is kiezen voor die grotere order logischer, maar meer mensen zullen toch voor dat kleinere bedrag kiezen.
Datzelfde geldt voor bezittingen, die wil je ook niet verliezen. Daarom vragen huiseigenaren vaak meer dan het pand echt waard is. Verliesaversie verklaart ook waarom beleggers harder balen van koersdalingen dan van stijgende lijnen. En waarom het niet verstandig is om elke dag je aandelen te checken.
Online is het triggeren van je verliesaversie inmiddels tot een ware kunst verheven: nog twee kamers beschikbaar, deze promotie is alleen vandaag geldig, vraag een proefproduct aan, verlies je cadeautje niet, bespaar nu 50 euro.
Lees ook: AI die emoties kan lezen, is handig voor marketeers
#3 Je kunt beoordelen beter aan een algoritme overlaten
Recenter werk van Kahneman, in samenwerking met Olivier Sibony, gaat over ruis. Dat gaat niet over lawaai, maar over variaties in beslissingen. Het mechanisme wordt uitgebreid beschreven in het in 2021 verschenen boek Noise, of in het Nederlands Ruis.
Denk aan twee dokters die op basis van jouw scan een verschillende diagnose stellen. Dat betekent dat één van de twee fout zit. Je wil van die artsen liefst hetzelfde horen na jouw scan. Het is juist die variatie in professionele beoordelingen die Kahneman ruis noemt.
Dat is iets anders dan onbewuste vooroordelen die je beslissingen beïnvloeden. Bijvoorbeeld: een verandertraject zal altijd langer duren dan verwacht, dat is bias. Maar het wordt ruis als je zelf denkt dat een specifiek project één jaar kost, je collega drie jaar en nog een andere collega vijf jaar.
Dure vergissingen
Maar ook bij feedback over je prestaties kan ruis optreden. Slechts een kwart gaat over je echte performance, de rest is ruis. De manager die je beoordeelt, kan gewoon met het verkeerde been uit bed zijn gestapt. Of je van nature al meer gunnen dan een ander, of meer door de vingers zien. Dat voelt niet als een eerlijke beoordeling.
Ruis kan ook duur uitpakken. Denk aan het opstellen van contracten waarbij de kosten van bouwprojecten verkeerd worden ingeschat. De ene collega rekent voor dezelfde klus minder dan de ander. Dat wil je natuurlijk niet als bedrijf.
Wanneer algoritmes scans of prestaties beoordelen, is er minder sprake van die menselijke ruis. Op dezelfde vraag krijg je telkens hetzelfde antwoord. Al is dat bij generatieve AI al een stuk minder natuurlijk. Toch pleit Kahneman voor een ruis-audit in bedrijven en meer gestandaardiseerde processen, waarbij algoritmes wel degelijk kunnen helpen.
Lees ook: Test bewijst dat algoritme beter kandidaten selecteert
