AI in besluitvorming: scenario's, forecasting en risico-analyse

Je staat voor een grote beslissing. Misschien is het de vraag of je een tweede medewerker aanneemt. Of je die nieuwe markt betreedt. Of je dat dure softwareplatform aanschaft. Je hebt een onderbuikgevoel. Je hebt een spreadsheet met cijfers die je zelf hebt ingevuld. Je hebt de mening van je accountant, je partner en die ene vriend die "ook ondernemer is."

En toch twijfel je. Want je weet dat je blinde vlekken hebt. Dat je geneigd bent om te optimistisch te zijn over je eigen ideeën. Dat je misschien niet alle scenario's hebt doorgedacht. Dat er risico's zijn die je niet ziet — simpelweg omdat je niet weet wat je niet weet.

Wat als je een adviseur had die geen emoties heeft? Die niet beïnvloed wordt door jouw enthousiasme? Die in seconden tien scenario's kan doorrekenen en de zwakke plekken in je redenering kan blootleggen? Geen vervanging voor je eigen oordeel — maar een aanvulling erop?

Dat is precies wat AI kan zijn in je besluitvormingsproces. Niet de beslisser. De adviseur. En in dit artikel laat ik je zien hoe je die adviseur inzet voor drie cruciale toepassingen: scenario planning, forecasting en risico-analyse.

Ik gebruik AI elke week voor strategische beslissingen. Niet om te beslissen — maar om mijn denken te testen. Vorige maand stond ik voor de keuze of ik een bepaalde dienst wilde uitbreiden of juist afbouwen. Mijn onderbuik zei uitbreiden. Toen ik Claude vroeg om de tegenargumenten, kwamen er drie risico's naar boven die ik volledig over het hoofd had gezien. Uiteindelijk heb ik toch uitgebreid — maar met safeguards die ik zonder die AI-sparring nooit had ingebouwd. Dat is het verschil. AI veranderde niet mijn beslissing. Het veranderde de kwaliteit ervan.

Waarom menselijke besluitvorming tekortschiet

Laten we eerlijk zijn over onze eigen beperkingen. Want als je begrijpt waarom je beslissingen niet altijd rationeel zijn, begrijp je ook waarom AI zo'n waardevolle aanvulling is.

De psychologie kent tientallen cognitieve biases die onze beslissingen beïnvloeden. Ik noem er drie die ik dagelijks zie bij ondernemers — en eerlijk gezegd ook bij mezelf:

Confirmation bias. Je zoekt naar informatie die je bestaande overtuiging bevestigt. Je wilt die nieuwe markt betreden, dus je focust op de succescases en negeert de mislukkingen. Je Google-zoekopdracht is "waarom uitbreiden naar Duitsland slim is", niet "risico's van internationale expansie."

Optimism bias. Je overschat de kans op succes en onderschat de kans op tegenvallers. "Natuurlijk halen we die target." "Dat kostenplaatje klopt wel, worst case." Spoiler: het klopt zelden worst case.

Anchoring bias. Het eerste getal dat je hoort, beïnvloedt je oordeel onproportioneel. Je concurrent claimt 40% groei? Dan voelt 20% ineens als teleurstellend — ongeacht of 20% voor jouw situatie spectaculair zou zijn.

AI heeft deze biases niet. Het weegt informatie gelijkmatig. Het zoekt niet naar bevestiging. Het is niet optimistisch of pessimistisch — het is analytisch. En dat maakt het de perfecte sparringpartner voor beslissingen waar je eigen emoties in de weg zitten.

Dat is hoe ik het zie: AI als de architect van je denkproces. Niet het denken zelf — dat blijft van jou. Maar de structuur, de checks, de tegenargumenten. Het fundament waarop je bouwt. En zoals ik altijd zeg: ik bouw eerst het fundament. Dan pas de technologie.

In mijn artikel over AI en leiderschap schreef ik over hoe AI de rol van de ondernemer verandert. Besluitvorming is misschien wel het domein waar die verandering het grootst is.

Use case 1: Scenario planning

Wat is scenario planning?

Scenario planning is een methode waarbij je meerdere mogelijke toekomsten doordenkt — niet om te voorspellen welke er uitkomt, maar om voorbereid te zijn op verschillende uitkomsten. Het is het tegenovergestelde van tunnelvisie. In plaats van te wedden op één plan, bereid je je voor op meerdere.

Hoe zet je AI in voor scenario planning?

De kracht van AI bij scenario planning is dat het in seconden kan wat jou uren zou kosten: meerdere scenario's doordenken, inclusief de tweede- en derde-orde effecten die je zelf makkelijk mist.

Concreet voorbeeld: Stel je bent eigenaar van een marketingbureau met 8 medewerkers. Je overweegt te specialiseren in AI-gedreven marketing. Hier is hoe je AI inzet:

Stap 1 — Definieer je mogelijke richtingen:

Ik ben eigenaar van een marketingbureau met 8 medewerkers en een omzet van 800.000 euro. Ik overweeg vijf mogelijke richtingen voor de komende twee jaar:

1. Volledig specialiseren in AI-gedreven marketing

2. AI als extra dienst toevoegen aan ons bestaande aanbod

3. Doorgaan zonder AI-focus maar wel intern AI-tools gebruiken

4. Een apart AI-label starten naast het bestaande bureau

5. Een partnership aangaan met een AI-specialist bureau

Analyseer elk scenario op: omzetpotentieel, risico's, benodigde investering, impact op bestaande klanten, en haalbaarheid gegeven ons team van 8 mensen (3 strategen, 3 content creators, 1 designer, 1 projectmanager).

Stap 2 — Vraag om consequenties:

Neem scenario 1 (volledig specialiseren). Denk drie stappen vooruit. Wat gebeurt er als we dit doen? Hoe reageren onze huidige klanten die niet om AI vragen? Wat betekent het voor ons recruitmentproces? Welke bestaande diensten moeten we afbouwen en hoe snel?

Stap 3 — Zoek de zwakke plekken:

Speel duivelsadvocaat. Welk scenario ziet er aantrekkelijk uit maar heeft verborgen risico's? Welk scenario lijkt saai maar is misschien het slimst? Welke aannames maak ik die misschien niet kloppen?

Wat je terugkrijgt is geen definitief antwoord. Het is een gestructureerde analyse die je dwingt om breder te denken dan je instinctief zou doen. Het is de adviseur die zegt: "Ja, maar heb je hier aan gedacht?"

De meerwaarde van AI bij scenario planning

De echte kracht zit niet in het eerste antwoord. Het zit in het doorvragen. Elke vervolgvraag dwingt het model om dieper te graven. "Wat als onze grootste klant weggaat?" "Wat als de markt sneller beweegt dan verwacht?" "Wat als we halverwege van koers willen wisselen — hoe makkelijk is dat per scenario?"

Een menselijke adviseur rekent misschien drie scenario's door. AI doet er tien. Niet omdat het slimmer is, maar omdat het sneller is. En snelheid in analyse betekent dat je meer opties kunt verkennen voordat je een beslissing neemt.

Ik doe dit tegenwoordig standaard bij elke strategische beslissing. Niet als vervanging voor mijn eigen denken, maar als stresstest. Je zou verbaasd zijn hoe vaak een AI-model een blinde vlek vindt die je zelf — na uren nadenken — niet had gezien. Dat is geen zwakte. Dat is slim gebruikmaken van een tool die geen ego heeft.

Use case 2: Forecasting

Wat is AI forecasting?

Forecasting is het maken van voorspellingen op basis van data en trends. Traditioneel was dit het domein van analisten met dure software. In 2026 kan elke ondernemer met een Claude- of ChatGPT-abonnement respectabele forecasts maken.

Laat me meteen een disclaimer geven: AI-forecasts zijn geen kristallen bol. Ze zijn gebaseerd op patronen in bestaande data en aannames over de toekomst. Ze zijn zo goed als de data die je invoert en de aannames die je maakt. Maar zelfs imperfecte forecasts zijn beter dan geen forecast — mits je ze als richting gebruikt, niet als waarheid.

Concrete forecasting-aanpak

Omzetforecasting:

Hier zijn mijn maandelijkse omzetcijfers van de afgelopen 24 maanden:

[plak je cijfers]

Analyseer de trend. Identificeer seizoenspatronen. Voorspel de komende 6 maanden in drie scenario's: conservatief (groei vertraagt), realistisch (huidige trend zet door) en optimistisch (groei versnelt). Geef per scenario de verwachte maandomzet en leg uit welke aannames je maakt.

Churn forecasting:

Van onze 45 B2B-klanten zijn er in de afgelopen 12 maanden 7 vertrokken. Hier zijn de kenmerken van de vertrokken klanten:

• Gemiddelde contractwaarde: 1.200 euro/maand

• Gemiddelde looptijd voor vertrek: 14 maanden

• 5 van de 7 hadden geen dedicated account manager

• 4 van de 7 gebruikten minder dan 40% van de beschikbare features

Op basis van deze patronen: welke van onze huidige klanten lopen het meeste risico? Welke interventies zou je adviseren?

Markttrend-analyse:

Ik zit in de e-commerce fulfilment markt in de Benelux. De afgelopen drie jaar zag ik deze trends: [beschrijf trends]. Wat zijn de drie meest waarschijnlijke ontwikkelingen voor het komende jaar? En welke wildcard-scenario's zou ik in de gaten moeten houden?

Tips voor betere AI-forecasts

Geef zoveel mogelijk context. AI kan geen data verzinnen. Het kan alleen patronen herkennen in wat je aanlevert. Hoe meer data, hoe beter de forecast.

Vraag altijd om aannames. Een goede prompt eindigt met: "Welke aannames maak je bij deze voorspelling? Welke factoren zou je willen weten maar heb je niet?" Dit dwingt het model om transparant te zijn over de beperkingen.

Gebruik meerdere scenario's. Vraag nooit om één voorspelling. Vraag altijd om minimaal drie: pessimistisch, realistisch, optimistisch. De waarheid ligt bijna nooit bij het gemiddelde, maar het geeft je een range waarbinnen je kunt plannen.

Valideer met gezond verstand. Als AI voorspelt dat je omzet volgend kwartaal verdubbelt, en dat voelt niet logisch — dan klopt het waarschijnlijk niet. AI maakt rekenfouten. AI hallucineert. Jouw ervaring en intuïtie zijn de ultieme validatie.

Use case 3: Risico-analyse

Waarom AI uitblinkt in risico-analyse

Risico-analyse is misschien wel de toepassing waar AI het meeste waarde toevoegt. En de reden is simpel: mensen zijn slecht in het inschatten van risico's. We overschatten risico's die we kennen (de concurrent die ons kopieert) en onderschatten risico's die we niet kennen (regelgeving die verandert, een technologische disruptie, een key employee die vertrekt).

AI heeft dat probleem niet. Het kan systematisch door honderden risicofactoren lopen en patronen herkennen die een mens mist. Niet omdat het slimmer is, maar omdat het niet wordt afgeleid door emotie, ervaring of ego.

SWOT-analyse met AI

De klassieke SWOT-analyse — Strengths, Weaknesses, Opportunities, Threats — krijgt een upgrade met AI. In plaats van een SWOT te doen in een brainstorm met je team (waar social pressure en groupthink de resultaten kleuren), laat je AI de eerste analyse doen.

Voorbeeld prompt:

Doe een SWOT-analyse voor mijn bedrijf. Context:

• Webdesign bureau, gevestigd in Utrecht, 5 medewerkers

• Specialisatie: WordPress websites voor MKB

• Omzet: 450.000 euro, winstmarge: 18%

• 80% van onze klanten komt via referral

• We merken dat klanten steeds vaker vragen om AI-integraties

• Onze grootste concurrent heeft net een AI-specialist aangenomen

Wees brutaal eerlijk. Ik wil geen complimenten, ik wil blinde vlekken zien. Focus vooral op de Weaknesses en Threats die ik waarschijnlijk onderschat.

Die laatste zin is cruciaal. Zonder die instructie geeft AI je een gebalanceerde, beleefde SWOT. Met die instructie krijg je de ongemakkelijke waarheden die je nodig hebt.

Monte Carlo simulaties — simpel uitgelegd

Monte Carlo klinkt als iets uit een James Bond-film, maar het concept is verrassend simpel. Het is een techniek waarbij je duizenden mogelijke uitkomsten simuleert door willekeurig variabelen te veranderen — en zo een beeld krijgt van de waarschijnlijkheidsverdeling van je resultaat.

Vergelijk het met een dobbelsteen. Als je één keer gooit, weet je niet wat er uitkomt. Als je duizend keer gooit, weet je dat elk getal ongeveer 167 keer valt. Dat is Monte Carlo: niet één uitkomst voorspellen, maar de range van mogelijke uitkomsten begrijpen.

Hoe je dit met AI doet:

Ik overweeg een investering van 50.000 euro in een nieuw product. Mijn aannames:

• Verwachte maandelijkse omzet: ergens tussen 3.000 en 8.000 euro

• Maandelijkse kosten: ergens tussen 1.500 en 2.500 euro

• Kans op vertraging bij lancering: 30%

• Kans dat een concurrent iets vergelijkbaars lanceert binnen 6 maanden: 20%

Simuleer 100 mogelijke uitkomsten over 24 maanden. Wat is de kans dat ik break-even haal? Wat is het verwachte rendement? En in welk percentage van de scenario's verlies ik meer dan 20.000 euro?

Wat je terugkrijgt is geen exact antwoord — het is een waarschijnlijkheidsverdeling. "In 65% van de scenario's haal je break-even binnen 18 maanden. In 15% van de scenario's verlies je meer dan 20.000 euro. Het verwachte rendement is 23.000 euro over twee jaar." Dat is oneindig nuttiger dan een enkel getal op een spreadsheet.

Alle reasoning-modellen — Claude Opus 4.6, GPT-5.4, Gemini — zijn in staat om dit soort analyses te doen. Je hebt geen dure simulatiesoftware nodig. Je hebt een goed geformuleerde vraag nodig.

Wanneer AI risico-analyse faalt

Hier moet ik eerlijk zijn. AI-risico-analyse heeft grenzen. Belangrijke grenzen.

Black swan events. AI kan niet voorspellen wat nog nooit is gebeurd. Een pandemie, een plotselinge reguleringswijziging, een technologische doorbraak — deze events zitten niet in de trainingsdata en worden dus niet meegewogen.

Incomplete data. Als je AI vraagt om risico's te analyseren maar je geeft niet alle relevante informatie, krijg je een incompleet beeld. Garbage in, garbage out. Dit is geen AI-probleem, dit is een inputprobleem.

Valse precisie. AI geeft je getallen met twee decimalen. Dat voelt wetenschappelijk. Maar die precisie is schijn. Een forecast van "23,4% groei" is niet nauwkeuriger dan "ergens tussen 15 en 30% groei" — het klinkt alleen overtuigender. Pas op voor die valkuil.

De grenzen: wanneer AI NIET vertrouwen

Dit is het belangrijkste deel van dit artikel. Want de waarde van AI als besluitvormingsadviseur staat of valt met het begrijpen van wanneer je het wél en wanneer je het níét moet vertrouwen.

Vertrouw AI niet bij ethische beslissingen. AI heeft geen moreel kompas. Het kan je vertellen wat de meest efficiënte optie is, maar niet wat de juiste optie is. Ontsla je die medewerker die underperformt maar thuis een moeilijke situatie heeft? Dat is geen AI-vraag. Dat is een menselijke vraag.

Vertrouw AI niet bij hoge stakes zonder menselijke verificatie. Een investeringsbeslissing van 100.000 euro neem je niet op basis van een ChatGPT-analyse alleen. Gebruik AI als input, niet als eindoordeel. Laat het gevolgd worden door gesprekken met je accountant, je adviseur, je team.

Vertrouw AI niet bij incomplete data. Als je maar de helft van het plaatje geeft, krijg je maar de helft van het antwoord. En het gevaarlijke is dat AI niet altijd zegt "ik heb niet genoeg informatie." Soms vult het de gaten zelf in — met aannames die niet kloppen.

Vertrouw AI niet zonder kritisch te kijken naar de bronnen. AI baseert zich op trainingsdata die verouderd, onjuist of bevooroordeeld kan zijn. Vraag altijd: "Waar baseer je dit op? Welke bronnen gebruik je?" En verifieer die bronnen.

In mijn artikel over slimmer werken met AI schreef ik over de AI Adoption Paradox: hoe makkelijker het wordt om output te produceren, hoe groter het risico dat de kwaliteit daalt. Dat geldt dubbel voor besluitvorming. De snelheid waarmee AI een analyse kan produceren, mag nooit een excuus zijn om de diepgang van je eigen denken te verminderen.

De juiste mentaliteit: AI als adviseur, niet als beslisser

Als ik alles in dit artikel in één zin moet samenvatten, is het deze: gebruik AI om beter te denken, niet om te stoppen met denken.

AI is de beste sparringpartner die je ooit hebt gehad. Het is beschikbaar om 3 uur 's nachts. Het wordt niet moe. Het heeft geen eigen agenda. Het daagt je uit zonder persoonlijk te worden. Het kan in minuten een analyse leveren waar een consultant weken over doet.

Maar het is geen beslisser. Het draagt geen verantwoordelijkheid voor de gevolgen. Het kent je team niet persoonlijk. Het voelt niet de cultuur van je bedrijf. Het begrijpt niet de subtiele dynamiek tussen jou en je grootste klant. Die menselijke dimensie — die kun je niet delegeren aan een machine.

De beste beslissers van 2026 zijn niet de mensen die AI het snelst adopteren. Het zijn de mensen die het slimst combineren: de analytische kracht van AI met het menselijk oordeelsvermogen dat geen algoritme kan vervangen.

Stel je voor: je zit aan tafel met je beste adviseur. Die adviseur heeft net een briljante analyse gemaakt van alle mogelijke scenario's. Cijfers, risico's, kansen — alles staat er. Je bekijkt het. Je denkt na. En dan neem jij de beslissing. Niet de adviseur. Jij. Want het is jouw bedrijf, jouw team, jouw toekomst.

Dat is AI in besluitvorming. Niet meer. Niet minder. En als je het zo gebruikt — als een analytische superkracht die je eigen denken versterkt in plaats van vervangt — dan heb je een voorsprong die de meeste van je concurrenten nog niet eens begrijpen.