Wat AI ons kan leren over het ontwerpen van betere KPI’s
De manier waarop organisaties hun prestaties meten, is van cruciaal belang voor hun succes. De lessen die we uit technologie en kunstmatige intelligentie halen, bieden waardevolle inzichten in het verbeteren van deze prestaties, met als doel ongewenst gedrag te vermijden en duurzame resultaten te behalen.
Samenvatting
- Flawed performance measurement leidde tot schandalen zoals bij Wells Fargo.
- Goodhart’s law illustreert de risico’s van het focussen op een enkele maatstaf.
- AI-technieken bieden innovatieve oplossingen voor het ontwerp van KPI’s en performance metrics.
De lessen van Wells Fargo
In 2016 kwam Wells Fargo onder zware kritiek te staan toen bleek dat medewerkers, onder druk van agressieve verkoopdoelen, miljarden ongeautoriseerde klantaccounts hadden geopend. Deze ongelukkige situatie was niet alleen het resultaat van onethisch gedrag, maar ook van een gebrekkige aanpak van prestatiemeting. Het management had werknemers aangemoedigd om acht financiële producten per klant te verkopen, wat ongewenste en schadelijke gedragingen stimuleerde.
De gevaren van Goodhart’s wet
Goodhart’s wet stelt dat wanneer een maatstaf een doel op zich wordt, het zijn waarde als meetinstrument verliest. Wereldwijd lijden organisaties onder de fixatie op meetwaarden, wat leidt tot het nastreven van smalle indicatoren die gaming en ethische schendingen bevorderen.
AI-inzichten voor betere KPI-ontwerpen
De inzichten van AI-onderzoekers kunnen organisaties helpen bij het oplossen van vastgelopen meetproblemen. Bij het trainen van AI-modellen is het essentieel dat deze niet alleen gericht zijn op het optimaliseren van proxymaatregelen, maar ook de onderliggende doelen begrijpen.
Een nieuwe lens: inzichten uit AI-training
AI-onderzoekers bestuderen het fenomeen van overfitting, waarbij modellen goed presteren op trainingsdata, maar falen bij nieuwe gegevens. Deze lessen kunnen organisaties helpen om KPI’s effectiever te ontwerpen.
De Metric Intelligence Framework in actie
Machine learning heeft vier strategieën ontwikkeld om overfitting tegen te gaan. Deze strategieën hebben directe implicaties voor hoe organisaties hun prestaties kunnen meten.
1. Vroegtijdig stoppen
Door continu de prestaties te herbeoordelen, kunnen organisaties overoptimalisatie voorkomen. Amazon past dit principe toe door regelmatig haar prestatiemetrics te herzien.
2. Geluidsinjectie
Door gecontroleerde willekeurigheid kunnen organisaties robuustheid opbouwen. Random audits en het wisselen van teamleden zijn effectieve manieren om voorspelbaar gedrag tegen te gaan.
3. Capaciteitsafstemming
Organisaties moeten de complexiteit van hun metrics afstemmen op hun mogelijkheden. Een bedrijf met een geavanceerde analytische infrastructuur kan complexere, multidimensionale metrics implementeren.
4. Regularisatie
Deze techniek helpt om de focus te verschuiven van alleen proxymetingen naar bredere doelen. Door beperkingen op te leggen, kunnen organisaties het gaming-gedrag dat voortkomt uit overoptimalisatie verminderen.
De toekomst van intelligent meten
Door AI-onderzoek te combineren met organisatorisch ontwerp, kunnen bedrijven effectievere meetstrategieën ontwikkelen. Dit vereist voortdurende verfijning van het meetproces en samenwerking met medewerkers, die de systemen zullen gebruiken.
Het toepassen van deze strategieën kan organisaties niet alleen helpen om betere KPI’s te ontwerpen, maar ook om verbeterde recruitment- en executive search-praktijken te implementeren. Dit stelt hen in staat om de juiste mensen aan te trekken die passen bij hun langetermijndoelen.
**Bronvermelding:** Balázs Kovács, 21 januari 2026, https://sloanreview.mit.edu/article/what-ai-can-teach-us-about-designing-better-kpis/
