OPINIE | Is dat zo? De ongemakkelijke waarheid achter ‘toepasbare data science’
“Data science is nu meer toepasbaar dan ooit.”
Het klinkt als een overwinning. Een vlag op een berg. Zie je wel: het is gelukt. Iedereen snapt het nut van data.
Voorspellende modellen rollen van de band. AI doet het voorwerk. De opleiding zit vol. De voorbeelden zijn tastbaar.
Maar wie dagelijks in organisaties werkt aan datagedreven projecten, weet:
De praktijk is een stuk weerbarstiger dan de pitch.
Toepasbaar? Of slechts toonbaar?
De opleidingsvoorbeelden die GIC noemt – studentenuitval voorspellen, onderhoudsplannen automatiseren, hulpdiensten voorbereiden op pieken – zijn inhoudelijk ijzersterk. Maar ze zeggen vooral iets over de potentie van data science. Niet per se over de structurele toepassing ervan.
Een project dat draait, is geen implementatie.
Een dashboard dat werkt, is geen verandering.
En een model dat scoort in testdata, is geen businessbesluit.
De hype zit vaak in wat zichtbaar is. De werkelijkheid zit in wat beklijft.
De hardnekkige misvatting van de businesscase
In het artikel wordt terecht benadrukt: start met een goede businesscase.
Maar eerlijk? In de meeste organisaties is dat niet wat er gebeurt.
Wat ik zie:
- businessvragen die meer buzzword zijn dan behoefte;
- datateams die oplossingen bouwen zonder mandaat voor implementatie;
- besluitvormers die het model applaudisseren, maar het risico mijden.
Dan wordt “de businesscase” een spreadsheet en geen strategie. Geen startpunt voor verandering, maar eindpunt van enthousiasme.
AI als rookgordijn
De term AI wordt gretig gebruikt als hefboom voor interesse en urgentie. Maar we moeten oppassen dat AI niet de rol krijgt van afleiding.
Want AI is geen shortcut. Het is een versneller van alles – ook van fouten.
Een slecht begrepen proces? AI maakt het efficiënter fout.
Een wankel model? AI verpakt het als waarheid.
Een onzeker besluit? AI maakt het onweerlegbaar, want “het model zegt het”.
Zonder robuuste modellen, ethisch besef, governance en gezond wantrouwen, wordt AI een black box met een goed verhaal.
We zijn te snel tevreden met voorbeelden
De verleiding is groot om één succesvol project als bewijs te zien voor brede toepasbaarheid. Maar één zwaluw maakt geen datagedreven organisatie.
Het verschil tussen een pilot en een proces?
Eigenaarschap. Budget. Aansluiting op besluitvorming. Governance. Evaluatie.
Dat is waar data science pas écht toepasbaar wordt. En daar zie ik het te vaak misgaan.
De échte lakmoesproef: durf je “Is dat zo?” te blijven stellen?
De kracht van data science ligt niet in techniek. Niet in tooling. Niet in projecten.
Ze ligt in de durf om bij élke correlatie, élk model, élk patroon te vragen:
“Is dat zo?”
Durf je je eigen aannames te bevragen? Durf je frictie op te zoeken?
Durf je tegen het team te zeggen: “Dit ziet er mooi uit, maar ik vertrouw het niet.”
Dat is toepasbaarheid. Dat is volwassenheid.
Conclusie: de vlag hangt uit. Maar de fundering wankelt.
Data science heeft bewezen dat het kan werken.
Maar dat iets kán, betekent nog niet dat het gebeurt.
En dus zeg ik: minder juichen om zichtbaarheid, meer investeren in toepasbaarheid.
Minder mooie voorbeelden, meer ongemakkelijke vragen.
Minder AI-marketing, meer modelverantwoordelijkheid.
Want de enige écht toepasbare data scientist is degene die het hardop durft te zeggen:
“Is dat zo?”
Reacties welkom – vooral van mensen die het hier totaal mee oneens zijn. Want zonder frictie geen scherpte.
Pieter de Kok RA, partner Coneyminds.nl
