Vakmanschap verdwijnt niet. Het verandert.
Machine learning verandert hoe organisaties kijken, kiezen en besluiten. Lang voordat een model live gaat. Mitchell van Roij onderzoekt welke keuzes daarin bepalend zijn. En wat er buiten beeld blijft.
Jij stelt dat machine learning in de praktijk vaak mislukt omdat het als technologie wordt behandeld, terwijl het eigenlijk een organisatieveranderend leerinstrument is. Wat bedoel je daarmee?
Machine Learning (ML) wordt vaak behandeld als een technisch traject: data verzamelen, model trainen, implementeren, monitoren. Dat klopt, maar het is niet het hele verhaal.
Een ML-model ontstaat nooit vanzelf. Mensen bepalen welk probleem relevant is, welke data de praktijk vertegenwoordigt, welke fouten acceptabel zijn en welke feedback serieus wordt genomen. Dat zijn geen neutrale keuzes — ze leggen vast wat een organisatie als relevante kennis beschouwt.
Ik zie ML daarom als een proces waarbij organisaties hun eigen werkelijkheid formaliseren. Dat kan kennis explicieter en beter deelbaar maken. Maar het kan kennis ook versmallen: als uitzonderingen niet worden geregistreerd, als vakmanschap niet in data past, of als afwijkende interpretaties geen invloed krijgen op het model.
ML mislukt dus niet alleen door slechte algoritmen of slechte data. Het gaat mis als organisaties onvoldoende regelen wiens kennis in het systeem terechtkomt, wie modeluitkomsten mag betwisten en hoe je leert van afwijkingen.
In je werk met productiebedrijven zie je steeds weer dezelfde hobbel: de data klopt niet, of afdelingen werken langs elkaar heen. Hoe groot is dat probleem in de praktijk?
Het probleem is groot, maar het gaat verder dan 'slechte data'. Data is vaak wél aanwezig, maar niet geschikt voor het besluit dat je ermee wilt ondersteunen. Onvolledig, inconsistent gedefinieerd, of gewoon niet goed gekoppeld aan hoe het werk in de praktijk echt verloopt.
Datakwaliteit is daarmee vaak een symptoom van een dieper organisatorisch vraagstuk. Data ontstaat in processen en routines. Als afdelingen verschillende definities hanteren, uitzonderingen niet registreren, of impliciete vakkennis niet expliciet maken, dan krijgt een ML-model een versmalde versie van de werkelijkheid.
Neem planning. Een planner weet waarom een order toch voorrang krijgt, waarom een machine in theorie beschikbaar is maar in de praktijk niet, of waarom een systeemwaarde niet klopt. Maar die kennis staat zelden in ERP-data. Sales, productie, planning en management hebben elk een deel van de werkelijkheid in handen.
Een model kan dan technisch goed presteren op historische data, maar weinig waarde hebben in de operatie. De vraag is dus niet alleen: klopt de data? Maar: vertegenwoordigt de data het echte besluitprobleem?
Een planner werkt nu misschien met tientallen variabelen in zijn hoofd. Wat verandert er in zijn werk als een algoritme een deel daarvan overneemt?
Ik zou voorzichtig zijn met de formulering 'overneemt'. In mijn onderzoek gaat het niet over vervanging, maar over hoe menselijke kennis wordt vertaald naar data, modellen en besluitroutines.
Wat wél verandert: een deel van het vakmanschap wordt explicieter. Een ML-systeem kan patronen of afhankelijkheden zichtbaar maken die voor mensen moeilijk volledig te overzien zijn.
Maar het vakmanschap verdwijnt niet — het verschuift. De planner wordt niet alleen gebruiker van een systeem, maar ook beoordelaar van modeladvies en bewaker van context. Past het advies bij de actuele situatie? Is dit een normale order, of speelt er iets bijzonders? Is een afwijking een fout, of juist een signaal dat het systeem nog niet begrijpt?
Dat vraagt om nieuw vakmanschap: niet blind vertrouwen op het model, maar ook niet reflexmatig vasthouden aan oude routines. De professionele rol wordt: interpreteren, toetsen, bijsturen en leren van de spanning tussen modeluitkomst en praktijkkennis.
En dat geldt niet alleen voor planners. Je ziet hetzelfde bij operators, inkopers, HR-professionals en managers die met datagedreven adviezen werken.
De centrale vraag wordt dan: welke menselijke oordelen kunnen we verantwoord formaliseren, en welke moeten juist zichtbaar, bespreekbaar en betwistbaar blijven?
Je hebt ook een serious game ontwikkeld: The Planning Paradox. Wat leren deelnemers daarin, en waarom een spel?
The Planning Paradox laat deelnemers ervaren dat machine learning geen technische oplossing is die je bovenop een bestaand proces legt. In de game moeten deelnemers in een dynamische productieomgeving keuzes maken: onder tijdsdruk, met beperkte informatie, verschillende rollen en veranderende omstandigheden. Later komt daar een ML-planningstool bij.
Wat ze merken: een model lost organisatorische beperkingen niet automatisch op. Een technisch goed model kan alsnog problematische adviezen geven als de context ontbreekt, de feedback niet klopt, of als onduidelijk is wie verantwoordelijk is voor het besluit.
De game maakt zichtbaar wat in organisaties vaak impliciet blijft: informatie-asymmetrie, rolverdeling, vertrouwen en de vraag wie een modeladvies mag betwisten. In een rapport kun je uitleggen dat ML een socio-technisch vraagstuk is. In een game voel je dat direct.
De les is dus niet: ML werkt wel of niet. De les is: ML creëert pas waarde als techniek, praktijkkennis, verantwoordelijkheden en feedbackloops goed op elkaar zijn afgestemd.
Lean wordt vaak gekoppeld aan continu verbeteren en leren in organisaties. Wat gebeurt er met dat leerproces wanneer machine learning onderdeel wordt van besluitvorming?
Lean en machine learning raken elkaar op een fundamenteler niveau dan procesverbetering alleen. Lean gaat over leren organiseren: afwijkingen zichtbaar maken, praktijkkennis delen, oorzaken onderzoeken en inzichten vertalen naar nieuwe routines.
ML verandert dat principe niet. Wat wel verandert, is dat een deel van het leerproces via data, algoritmen en feedbackloops gaat lopen. Praktijkkennis moet dan worden vertaald naar variabelen, labels en modelcriteria. Dat maakt coördinatie juist belangrijker: wie brengt kennis in, wiens input wordt meegenomen, wie mag modeluitkomsten betwisten?
Daar zit ook de spanning. Als ML-uitkomsten als objectieve waarheid worden behandeld, kan Lean juist verarmen: afwijkingen worden dan niet onderzocht, maar weggefilterd omdat ze niet in het model passen. Maar als ML goed wordt ingebed, kan het continu verbeteren juist versterken — als extra mechanisme om patronen en aannames zichtbaar te maken.
Kortom: ML maakt goed georganiseerd leren niet minder nodig, maar urgenter.
Succesvolle ML-toepassing is een organisatieontwikkelvraagstuk, zeg je. Waar moeten bedrijven dan beginnen?
Niet met de vraag: welk algoritme hebben we nodig? Begin met het probleem.
Kies één relevant besluit- of procesprobleem en loop systematisch door de fasen. Wat is het probleem, en wie ervaart dat? Welke data vertegenwoordigen dat probleem, en welke praktijkkennis ontbreekt daarin? Welke modeluitkomsten zijn bruikbaar, welke fouten zijn acceptabel? Hoe embed je het advies in werkprocessen, wie mag afwijken, en hoe verzamel je feedback?
Voor management betekent dit dat ML niet alleen een investering in technologie is, maar in organisatorisch leervermogen. Rollen, verantwoordelijkheden en feedbackloops moet je ontwerpen. Wat doen we bij veranderende omstandigheden? Hoe voorkomen we dat gebruikers het systeem blind volgen — of juist structureel negeren?
En cruciaal: zorg voor echte betrokkenheid van stakeholders. Niet alleen 'mensen meenemen', maar bepalen wiens kennis toegang krijgt tot het traject, wiens input serieus wordt vertaald naar modelkeuzes, en wie invloed heeft op het herzien van eerdere aannames.
Leren blijft mensenwerk
De echte waarde van machine learning ligt niet alleen in betere voorspellingen, maar in beter georganiseerd leren. Organisaties die hun ML-traject goed inrichten, maken zichtbaar welke kennis ze gebruiken, welke aannames ze vastleggen — en wanneer die aannames opnieuw ter discussie moeten.
Zo wordt ML geen losstaande technologie, maar onderdeel van vakmanschap, besluitvorming en leercultuur.
Meer weten?
Neem contact op met Mitchell van Roij en onderzoek samen hoe machine learning past binnen jouw organisatie