# Variatie tussen professionals is informatie

10 december 2025 · Beschouwing · 7 min lezen

Door [Ahsan Fazal](https://axiomatic.digital/over-ons#ahsan), Oprichter en CEO

Het pleidooi om het oordeel van professionals door algoritmes te vervangen staat of valt met één aanname: dat een brein een computer is. Waar een oordeel geen juist antwoord heeft buiten het oordeel zelf, is verschil tussen professionals informatie. Geef ze dezelfde bronnen, niet dezelfde conclusie.

Het betoog dat iemand me vannacht doorstuurde, gaat zo: professionals die hetzelfde geval beoordelen, komen tot verschillende conclusies. Dat verschil is ruis, een fout in het systeem. Een algoritme geeft bij dezelfde invoer elke keer dezelfde uitkomst. Dus kun je het menselijk oordeel beter aan algoritmes overlaten.

Vanochtend schreef ik terug dat de redenering in zichzelf klopt, maar dat ik het flink oneens ben met de conclusie.

Twee dingen vooraf. Ik heb het boek waarop het betoog leunt niet gelezen, dus ik reageer op het argument zoals het voor me lag, niet op wie het bedacht. En ik weet te weinig van gedragswetenschap om over dat vak te oordelen. Waar ik wel iets van weet, is wat een systeem doet met verschillen tussen professionals. Dat bouw ik.

Bij uitspraken ver buiten iemands vakgebied is mijn vaste toets dat ik het tegendeel aanneem en me door de argumenten laat overtuigen. Dat heb ik gedaan. Ik ben niet overtuigd.

## Eén aanname

Het argument staat of valt met één aanname: dat een brein een computer is. Wie die aanname accepteert, kan de logica volgen. Wie haar niet accepteert, niet.

Volg de logica maar. Als een brein een computer is, is een oordeel een berekening. Dezelfde invoer hoort dan één juiste uitkomst te geven. Komen twee verpleegkundigen bij dezelfde vraag tot iets anders, dan heeft minstens één van hen verkeerd gerekend. Variatie is dan per definitie een fout, en een machine die elke keer hetzelfde rekent, is per definitie beter. Elke stap volgt uit de vorige. Alles hangt aan de eerste.

Die eerste stap zet ik niet. Ik werk elke dag met taalmodellen. De overeenkomsten tussen hoe mensen leren en hoe zo’n model getraind wordt, zijn opvallend, en ik ben er zelf niet immuun voor. Acht dagen geleden, na een lezing over het trainen van taalmodellen, schreef ik: “tacit knowledge (mens) = tacit ‘experience’ (LLM)”. Een isgelijkteken. Ik bedoelde een analogie, en zo begon de zin ook. Maar zo snel gaat het. Je ziet een overeenkomst, je schrijft een isgelijkteken, en drie stappen later vervang je het oordeel van een verpleegkundige door een formule.

Vanochtend schreef ik het preciezer. Iedereen blijft zich verbazen over de opvallende parallellen tussen hoe mensen leren en denken en hoe taalmodellen dat doen, maar niemand zou beweren dat ze gelijk zijn: daarvoor zijn de verschillen te groot, en weten we te weinig. Lijken op is iets anders dan zijn. Van het een naar het ander springen is een denkfout. Het is een aanname die zich voordoet als uitkomst.

## Wat het woord ruis aanneemt

Het woord zelf verraadt de aanname.

Ruis is afwijking van een signaal. Wie van ruis spreekt, zegt dat er een signaal is: één antwoord dat klopt, los van wie het geeft. Voor een deel van het werk in de zorg is dat zo. Welke versie van een protocol vandaag geldt. Of een document verlopen is. Welke bron de organisatie leidend heeft gemaakt. Wat er in de werkafspraak staat. Een optelling. Daar bestaat een juist antwoord buiten het hoofd van de professional, en wie ervan afwijkt, zit ernaast. Die variatie is een fout, en die moet weg.

Maar een groot deel van het werk heeft geen juist antwoord buiten het oordeel zelf. Hoe breng je een moeilijke boodschap aan een familie die boos is? Hoe schrijf je een overdracht zodat de nachtdienst leest wat ertoe doet? Hoe leg je een nieuwe collega uit waarom de afdeling iets anders doet dan de opleiding haar leerde? Hoe zeg je tegen een collega dat een afspraak in het team niet werkt? Twee ervaren professionals doen dat verschillend, en allebei kunnen ze gelijk hebben. Het verschil zegt iets: over de familie, over het moment, over het team, over wie het doet.

Daar is variatie geen ruis, maar informatie.

Wie die variatie wegfiltert, houdt een gemiddelde over en gooit het signaal weg.

## Welke fout je kleiner wilt maken

De vraag waar het volgens mij om draait: hoe zit de taak van het oordelen in elkaar, en welke fout willen we eigenlijk kleiner maken?

Neem een oordeel uit elkaar en je vindt meestal twee delen. Wat je moet weten: de feiten, de bron, de versie, de afspraak. En wat je moet wegen: wat hier het zwaarst telt, hoe je het zegt, wanneer. Het eerste deel heeft een juist antwoord. Het tweede vaak niet.

De grote fout zit in het eerste deel, en ze zit zelden in het hoofd van de professional. Ze zit in wat die professional kan weten. De een leest het geldende protocol, de ander een uitdraai van twee jaar oud. De een loopt overdag binnen bij een ervaren collega, de ander staat er ’s nachts alleen voor. Ze komen tot iets anders, en dat verschil is echte ruis. Maar het middel is geen algoritme dat voor allebei besluit. Het middel is dat ze allebei hetzelfde lezen.

Hier splitst de redenering zich. Wie variatie ruis noemt, geeft iedereen dezelfde conclusie. Wie de taak uit elkaar neemt, geeft iedereen dezelfde bronnen.

## Wat dat betekent voor wat we bouwen

**Dezelfde bronnen.** We bouwen Inora zo dat het antwoordt uit de protocollen, werkafspraken en het kwaliteitshandboek van de eigen organisatie, met de bron erbij, dag en nacht. Dezelfde vraag hoort hetzelfde antwoord te geven, ook waar twee bronnen elkaar tegenspreken: dan geldt steeds dezelfde volgorde. Wat vaststaat, staat voor iedereen vast, voor de nachtdienst net zo goed als voor de dagdienst.

**Het besluit blijft bij wie ervoor verantwoordelijk is.** Inora besluit niets over een cliënt, niet welke bron leidend is en niet welke methode de antwoorden volgen; dat doen de professional en de organisatie. Het antwoordt over bronnen en over wat de zorgmedewerker zelf schreef, en beoordeelt geen cliënt. Zit er in een vraag een besluit over een cliënt, dan hoort Inora het deel te beantwoorden dat een document beantwoordt en te zeggen wie over de rest besluit, volgens het protocol van de organisatie. Een verpleegkundige die weet wat het protocol vraagt, besluit nog steeds zelf. Kennis geven is geen besluit nemen.

**De stappen zichtbaar.** Waar het werk om nadenken vraagt, hoort Inora de stappen op een rij te zetten die de methode van de organisatie voorschrijft, elk gestoeld op een bron, en ze vast te leggen, zodat iedereen kan nagaan hoe een antwoord tot stand kwam. De conclusie blijft bij de professional.

Dat laatste maakt variatie leesbaar. Komen twee collega’s tot iets anders, dan kun je zien welk soort verschil het is. Lazen ze iets anders, dan is het een fout, en die pak je bij de wortel aan: bij de bron of bij de toegang. Lazen ze hetzelfde en wogen ze het anders, dan is het informatie. Daar praat een team over, en soms blijkt dan dat het kwaliteitshandboek een zin mist.

En we zetten zorgmedewerkers niet naast elkaar om te meten wie afwijkt: Inora is er niet om medewerkers te beoordelen. Een systeem dat verschil tussen collega’s als fout telt, leert een team vooral om hetzelfde op te schrijven. Dan verdwijnt het verschil uit het dossier, niet uit het werk.

## Waar het betoog gelijk heeft

Dat de aanname niet klopt, maakt het betoog nog niet waardeloos. Integendeel.

Waar een juist antwoord bestaat, heeft het gelijk. Mensen zijn slecht in twee keer precies hetzelfde doen, en code is daar goed in. Een som, een datum, een versienummer, de vraag of een document nog geldt: daar hoort geen variatie, en daar laat je een machine het werk doen. De fout zit in het oprekken van dat gelijk tot elk oordeel. Dan wordt een argument voor betere bronnen een argument tegen de professional.

## Hetzelfde antwoord maakt verschil onzichtbaar

Ik weet nog steeds te weinig van gedragswetenschap om het vak te beoordelen waar het betoog uit voortkomt. Wat ik wel weet: een systeem dat iedereen dezelfde conclusie geeft, maakt het verschil tussen professionals niet kleiner. Het maakt het onzichtbaar, en daarmee ook wat je ervan had kunnen leren.

Geef ze dezelfde bronnen. Laat het oordeel bij hen. Leg vast hoe ze er kwamen. Dan is een verschil tussen twee professionals geen ruis die je wegfiltert, maar een vraag die een team kan stellen.

## Werkt u in de zorg met Inora?

Inloggen en hulp lopen via uw eigen organisatie: de projectleider en de ambassadeurs van uw team helpen u verder.

## Verder lezen

- [Herbouwd op open bouwstenen](https://axiomatic.digital/updates/herbouwd-op-open-bouwstenen.md): Zes weken na de start bouwen we Inora vanaf de grond opnieuw op, op open bouwstenen. Een klein bedrijf wint niet door alles zelf te bouwen, en niet door één platform zijn keuzes te laten maken. Wat we overnemen, wat van ons blijft en wat het kost.
- [Een taalmodel redeneert niet](https://axiomatic.digital/updates/een-taalmodel-redeneert-niet.md): In 2025 kondigde ik ‘reasoning’ aan als functie. Het woord was verkeerd. Een taalmodel kiest verbluffend goed de waarschijnlijkste volgende tekst en weet niet wat het niet weet. Dus: het model schrijft, de bronnen bepalen wat waar is, code doet wat exact moet, de professional beslist.
- [Een eigen toetsset maakt ‘elk model’ waar](https://axiomatic.digital/updates/eigen-toetsset-maakt-elk-model-waar.md): Sinds de herbouw zeg ik dat Inora aan geen enkel taalmodel vastzit. Die zin klopt pas als we het kunnen laten zien. Zonder de eigen vragen en antwoorden van een organisatie is een model wisselen een sprong in het diepe; mét die vragen is het een testronde. Waarom ik toetsing een voorwaarde noem, en waar ik van het gangbare advies afwijk.