De gevaarlijkste data-analyse ter wereld draait niet om AI, maar om kiesdistricten
De meeste mensen denken bij data-analyse aan dashboards, AI-modellen, supply chains of voorspellende algoritmes in het bedrijfsleven. Weinigen realiseren zich dat misschien wel de meest controversiële toepassing van data-analyse zich afspeelt in de Amerikaanse democratie zelf.
Het heet gerrymandering. Een technisch klinkend begrip voor iets dat in de praktijk neerkomt op het slim manipuleren van kiesdistricten. Niet door stemmachines te hacken of verkiezingen ongeldig te verklaren, maar door met data, statistiek en geografische modellen de kaart zó te tekenen dat de uitkomst van verkiezingen al grotendeels vastligt vóór de eerste stem is uitgebracht.
En eerlijk? Toen ik me hier verder in verdiepte, viel mijn mond open.
De verkiezing wordt soms gewonnen bij het tekenen van de kaart
Amerika kent 435 kiesdistricten voor het Huis van Afgevaardigden. Elk district kiest één afgevaardigde. Wie de meeste stemmen haalt in dat district, wint de zetel.
Op papier klinkt dat logisch. Maar er zit een fundamenteel probleem in het systeem: politici mogen in veel staten zélf bepalen hoe de grenzen van die districten lopen.
En precies daar begint de data-science machine.
Met moderne software kunnen partijen tegenwoordig per straat analyseren:
- historisch stemgedrag;
- inkomen;
- opleidingsniveau;
- etniciteit;
- religieuze voorkeuren;
- verhuisstromen;
- opkomstpercentages;
- suburb versus stad;
- en zelfs consumentengedrag.
Dat levert kaarten op die niet meer geografisch logisch zijn, maar politiek optimaal.
De bedoeling is simpel:
- maximaliseer het aantal zetels;
- minimaliseer electorale risico’s.
Oftewel: niet de kiezer kiest de politicus, maar de politicus kiest zijn kiezers.
Packing en cracking: politieke optimalisatie
De technieken hebben bijna vriendelijke namen gekregen. “Packing” betekent dat zoveel mogelijk tegenstanders in één district worden gestopt. Een Democratisch district wordt bijvoorbeeld 85% Democratisch. Die partij wint daar gigantisch, maar “verspilt” in feite duizenden stemmen.
“Cracking” doet precies het tegenovergestelde. Grote groepen tegenstanders worden juist opgesplitst over meerdere districten zodat ze nergens meer een meerderheid vormen.
Het resultaat kan mathematisch bizar zijn.
Een partij kan bijvoorbeeld:
- 48% van alle stemmen halen;
- maar toch 60% van de zetels winnen.
En het meest fascinerende? Dit gebeurt niet willekeurig. Dit gebeurt met data-analyse, simulaties en geografische optimalisatie. Eigenlijk is gerrymandering een vorm van politieke process mining.
Slechts een handvol zetels bepaalt de macht
Volgens sommige analyses zijn straks nog maar ongeveer 18 van de 435 zetels écht competitief.
Dat betekent dat de meeste verkiezingen al min of meer vaststaan. Niet omdat kiezers niet meer stemmen, maar omdat de statistische kans op een machtswisseling extreem klein is geworden. Dat heeft enorme gevolgen.
Politici hoeven minder rekening te houden met het politieke midden. Ze hoeven vooral hun eigen achterban tevreden te houden. Dat versterkt polarisatie, radicalisering en politieke loopgraven. En daarmee wordt gerrymandering ineens veel meer dan een technisch detail. Het wordt een fundamenteel vraagstuk over de rol van data in de democratie.
De kaart is het algoritme geworden
Wat mij vooral fascineert, is dat dit onderwerp eigenlijk verrassend dicht tegen de AI-discussie aan ligt. Want de kernvraag is identiek:
wie ontwerpt het model?
Veel mensen denken dat data objectief is. Dat dashboards neutraal zijn. Dat algoritmes simpelweg “de werkelijkheid” weergeven.
Maar gerrymandering laat precies het tegenovergestelde zien.
Degene die:
- de variabelen kiest;
- het model bouwt;
- de optimalisatie instelt;
- en de grenzen definieert,
beïnvloedt uiteindelijk de uitkomst.
De kaart zelf wordt daarmee een algoritme. En misschien is dat wel de belangrijkste les van dit hele verhaal.
Ook Europa moet opletten
Veel Europeanen kijken met verbazing naar de Amerikaanse situatie, maar de onderliggende ontwikkeling speelt breder.Overheden, banken, verzekeraars, platformbedrijven en AI-systemen nemen steeds vaker beslissingen op basis van modellen en datasets die voor gewone mensen nauwelijks zichtbaar zijn.
- Welke data wordt gebruikt?
- Welke aannames zitten erin?
- Welke optimalisatie vindt plaats?
- Wie bepaalt de parameters?
Dat zijn geen technische detailvragen meer. Dat zijn machtsvragen geworden.
En precies daarom is gerrymandering zo’n fascinerend onderwerp. Niet alleen politiek, maar vooral technologisch.
Want ergens diep onder die bizarre Amerikaanse kiesdistricten ligt een veel grotere waarheid verborgen: data is nooit volledig neutraal.