AI zal je KPI's niet verbeteren. Nog een naslagwerk evenmin.

Bernard Marr heeft meer KPI-suggesties gepubliceerd dan er keversoorten bestaan. Iemand heeft de lijst waarschijnlijk ooit bekeken en gedacht: we hebben een grotere boot nodig. Het genre is inmiddels welbekend. Hier zijn 75 KPI's voor de detailhandel. Hier zijn er 50 voor de gezondheidszorg. Hier zijn er 127 voor wat uw organisatie dit kwartaal ook doet. Kies de KPI's die u aanspreken, voeg ze toe aan uw dashboard en prestatiemanagement is opgelost. Marr is hierin niet de enige – hij is simpelweg het meest productieve voorbeeld van een hele categorie binnen de uitgevers- en consultancywereld die op hetzelfde uitgangspunt is gebouwd: dat het meetprobleem een selectieprobleem is. Dat is het niet. Nu is AI in beeld gekomen. Natuurlijk is het met groot enthousiasme toegepast op het selectieprobleem. Voer uw strategische prioriteiten in een taalmodel en het levert KPI's op – sneller, talrijker en zelfverzekerder geformuleerd dan welk naslagwerk dan ook. Sommige tools vergelijken ze zelfs met branchenormen. Wat geen van deze tools u vertelt, is of de meting als bewijs geldt. Dat is geen kritiek op de technologie. Het is een beschrijving van het probleem dat de technologie heeft geërfd. AI heeft de kenniskloof in het hart van prestatiemeting niet gecreëerd, maar heeft er wel een snellere motor voor gemaakt. Hier is de kloof. Zeventig jaar literatuur over prestatiemeting heeft instrumenten voor evaluatie opgeleverd. Scorecards, OKR's, KPI-frameworks – ze beantwoorden allemaal een variant van dezelfde vraag: hoe doen we het? Ze zijn ontworpen om een oordeel te vellen. Instrumenten voor bewijsvoering beantwoorden een andere vraag: wat is er daadwerkelijk gebeurd en kunnen we dat aantonen? Ze zijn ontworpen om iets te produceren dat controleerbaar is – een verslag dat standhoudt wanneer iemand die er niet bij was, vraagt om de basis voor een beslissing te zien. Het verschil klinkt subtiel. In de praktijk is het het verschil tussen een bestuursdocument en een presentatie. W. Edwards Deming begreep dit onderscheid. Hij begreep dat meting zonder statistische onderbouwing ruis produceert die als signaal wordt gepresenteerd – dat wat als prestatiegegevens wordt gerapporteerd vaak variatie is die sowieso zou hebben plaatsgevonden, toegeschreven aan beslissingen die er niets mee te maken hadden. De Field las Deming, bouwde betere dashboards en ging verder. De vraag die hij daadwerkelijk opwierp, werd gearchiveerd onder 'productie' en daar grotendeels achtergelaten. Die vraag was: wat is er nodig om een meting als bewijs te laten gelden? De boeken van Marr geven daar geen antwoord op. Dat kunnen ze ook niet – het is geen vraag die je zomaar even kunt opzoeken. Het vereist een raamwerk met een gedefinieerde cascade, vooraf vastgestelde drempelwaarden en kalibratielogica die wordt vastgelegd vóór de implementatie, en niet achteraf wordt geanalyseerd. Met andere woorden, het vereist precies het soort structurele discipline waardoor KPI's die je kunt opzoeken als te veel werk aanvoelen – totdat je een beslissing over middelen moet verdedigen tegenover een raad van bestuur, een donor of een toezichthouder, en het dashboard je niets kan vertellen wat niet al werd aangenomen. AI versnelt elke aanpak die je hanteert. Als je een goed ontworpen bewijsarchitectuur aanlevert, kan AI nuttige dingen doen binnen die structuur. Als je een lijst met KPI's aanlevert die goed klonken tijdens een vergadering, helpt AI je er meer te produceren, sneller, in een lettertype naar keuze. Het MetriqOne raamwerk is gebouwd op de vraag die Deming stelde en die Field grotendeels liet vallen. Niet omdat naslagwerken nutteloos zijn, maar omdat de selectie nooit het moeilijkste was. Het moeilijkste is de kalibratie: van tevoren weten wat je indicatoren moeten meten, onder welke omstandigheden, en wat het betekent als ze dat niet doen. Het antwoord daarop vind je in Foundations of Evidence-Based Leadership (Boek II), waarin de epistemologische tekortkoming in vijf belangrijke meettradities wordt beschreven en precies wordt aangegeven waar het in het Field misging. Het antwoord op de implementatievraag – hoe je een cascade bouwt die controleerbaar bewijs oplevert in organisaties zonder stabiele infrastructuur, schone data of specialistische software – staat in Proof Without Judgement (Boek I). Beide boeken zijn verkrijgbaar op Amazon. Geen van beide bevat een lijst met 75 KPI's. Dat is een bewuste keuze, geen vergissing. Torgeir Skogvold is de oprichter van MetriqOne en auteur van de MetriqOne Trilogy: Measurement for the Real World.