Waarom zouden we onvoorspelbaar moeten zijn?
Computationele onherleidbaarheid en de grens van voorspelling
We geloven dat algoritmen ons kennen. Dat ze weten wat ons interesseert, wat we leuk vinden, zelfs wat we willen voordat we ernaar zoeken. Maar dat gevoel van precisie is misleidend. Het is geen kennis, het is aanpassing. Er is een operationele grens: niet al het gedrag kan worden gereduceerd tot een voorafgaande voorspelling. Die grens – de onherleidbaarheid – markeert hoe ver voorspellingssystemen kunnen gaan.
Algoritmen kennen ons niet. Ze optimaliseren alleen wat we nu doen.
Computationele onherleidbaarheid beschrijft een precieze grens aan voorspelling: er zijn processen waarvan het resultaat niet gekend kan worden zonder het proces zelf uit te voeren. Het concept, ontwikkeld door Stephen Wolfram, wijst niet op een gebrek aan informatie of toeval, maar op de onmogelijkheid om bepaalde systemen samen te persen in een kortere formule dan hun eigen evolutie.
Lange tijd hebben we de wereld gedacht onder een impliciete premisse: als we de wetten kennen die een systeem regelen en zijn begincondities, kunnen we de toekomstige toestand ervan anticiperen. Dit idee structureert niet alleen de klassieke fysica, maar ook een algemene manier om de werkelijkheid te begrijpen: de toekomst als iets dat, in principe, toegankelijk is vanuit het heden.
De onherleidbaarheid introduceert een doorslaggevende nuance. Er zijn systemen waarin die verwachting faalt, niet omdat de regels onbekend of complex zijn, maar omdat er geen manier is om hun evolutie te 'versnellen'. Het systeem tolereert geen kortere wegen. Om te weten wat er op een bepaald punt gebeurt, is het noodzakelijk om alle tussenliggende toestanden te doorlopen die ernaartoe leiden.
Dit impliceert dat kennis van de regel niet gelijk staat aan kennis van het resultaat. Je kunt volledig begrijpen hoe het systeem werkt en toch niet in staat zijn om de toekomstige toestand ervan te anticiperen zonder het stap voor stap uit te voeren. Het proces kan niet worden vervangen door een verkorte voorspelling.
De consequentie is strikt: er zijn processen waarvan de toekomst pas beschikbaar is nadat deze heeft plaatsgevonden. Het is niet dat het systeem onvoorspelbaar is in absolute zin, maar dat het niet herleidbaar is tot een eenvoudigere vorm die anticipatie mogelijk maakt. De enige manier om de evolutie ervan te kennen, is door het zich te laten ontvouwen.
Deze grens is formeel op computationeel gebied, maar introduceert een breder idee: niet elk systeem kan zonder verlies worden samengevat in een eerdere projectie. Er zijn dynamieken waarvan de structuur vereist dat ze worden doorlopen om gekend te worden.
In welke zin is de mens onherleidbaar?
Het overbrengen van het idee van onherleidbaarheid naar de mens vereist een belangrijke precisie: we hebben het niet over een formele eigenschap, zoals in de computationele systemen die door Stephen Wolfram zijn beschreven, maar over een operationele analogie. Er wordt niet beweerd dat de mens onherleidbaar is in dezelfde technische zin, maar dat zijn gedrag vergelijkbare grenzen vertoont als het gaat om het anticiperen of comprimeren in een model.
De mens is geen systeem met expliciete, gesloten en toegankelijke regels. We beschikken niet over een 'overgangsfunctie' die, gegeven bepaalde begincondities, een uitputtende projectie van zijn evolutie mogelijk maakt. In plaats daarvan ontvouwt het menselijk leven zich in een open omgeving: doorkruist door context, taal, geschiedenis, interactie en contingentie. Elke beslissing volgt niet alleen de vorige, maar wijzigt ook de voorwaarden waaronder de volgende zullen plaatsvinden.
In dit kader is de analogie met onherleidbaarheid duidelijk: niet omdat er geen regels of regelmatigheden zouden bestaan, maar omdat het niet mogelijk is om het volledige traject samen te persen in een voldoende eerdere voorspelling.
Dit betekent niet dat menselijk gedrag in het algemeen onvoorspelbaar is. Er zijn stabiele patronen: gewoonten, voorkeuren, sociale dynamieken. Hierop opereren disciplines zoals economie, psychologie en marketing met succes. Het is precies die dimensie die het mogelijk maakt dat voorspellingssystemen functioneren.
Maar dat is niet de totaliteit van het gedrag. Er is altijd een dimensie die niet uitputtend kan worden geanticipeerd: beslissingen die niet direct voortvloeien uit het verleden, koerswijzigingen, onderbrekingen, onverwachte variaties. Niet omdat het systeem geen structuur heeft, maar omdat het er niet volledig in gecomprimeerd is.
De meest precieze formulering zou deze zijn: menselijk gedrag bevat reduceerbare componenten en niet-reduceerbare componenten. Het is geen absoluut chaotisch systeem, maar ook geen volledig modelleerbaar systeem.
Deze grens heeft een direct gevolg voor de ervaring.
We kunnen het toekomstige leven niet organiseren alsof het een beschikbaar object is. We kunnen plannen, projecteren, schatten. Maar geen van deze operaties vangt de totaliteit van wat er zal gebeuren. Elke voorspelling is noodzakelijkerwijs partieel, omdat de ontwikkeling van de ervaring zelf informatie genereert die er voorheen niet was.
Hier wordt de analogie met onherleidbaarheid bijzonder duidelijk: het is niet dat de toekomst volledig onbekend is, maar dat deze niet volledig beschikbaar is voordat deze wordt beleefd.
Deze voorwaarde heeft een tweeledige aard.
Aan de ene kant maakt het het onverwachte mogelijk. Nieuwheid, creativiteit, doorbraken zijn geen afwijkingen, maar gevolgen van het feit dat het traject niet volledig vastligt in een eerdere projectie. Als het leven volledig reduceerbaar zou zijn, zou het ook volledig voorspelbaar en in die zin gesloten zijn.
Aan de andere kant introduceert het een grens aan controle. We kunnen de loop van onze eigen ervaring niet uitputtend anticiperen. Begrip ontstaat na het proces, niet ervoor. Het leven wordt met terugwerkende kracht begrepen, omdat dan pas de informatie beschikbaar is die het proces zelf heeft geproduceerd.
We bewegen ons daarom in een intermediaire ruimte: er zijn regelmatigheden, maar geen afsluiting; er is structuur, maar geen totale voorspelling. Deze spanning – tussen wat kan worden geanticipeerd en wat zich alleen kan ontvouwen – definieert het kader waarin de menselijke ervaring plaatsvindt.
Maar deze grens is niet alleen een theoretische kwestie over de menselijke ervaring. Het heeft een direct gevolg op de plek waar men tegenwoordig systematisch probeert gedrag te anticiperen: aanbevelingsalgoritmen. Begrijpen hoe deze systemen werken, vereist een stap terug en ze plaatsen in het kader waarin ze zin krijgen. Het gaat niet alleen om technologie, maar om een economisch model dat structureel afhankelijk is van het vangen, meten en optimaliseren van aandacht. De vraag is niet langer alleen of ze ons kunnen voorspellen, maar waarom ze dat moeten doen.
Aandacht: de economische basis van het systeem
Aandacht is niet langer alleen een psychologisch of cultureel fenomeen. Het is een centrale economische grootheid. In 2014 bedroeg de wereldwijde advertentiemarkt ongeveer 523 miljard dollar. In 2024 overschreed deze voor het eerst de biljoen, en er wordt verwacht dat deze in 2026 1,24 biljoen zal bereiken. In slechts tien jaar tijd is het systeem vrijwel verdubbeld, met jaarlijkse groeipercentages van ongeveer 6-8% aanhoudend en prognoses van meer dan 10% op korte termijn.
Maar het meest doorslaggevende is niet alleen de groei, maar ook de vorm. Digitale reclame concentreert zich al op meer dan 70% van de wereldwijde investeringen en neemt nog steeds toe. In markten zoals de Verenigde Staten groeit het met bijna 15% per jaar. De hedendaagse advertentie-economie draait niet langer om traditionele media, maar om platforms die in staat zijn om aandacht in realtime vast te leggen, te meten en te optimaliseren.
Bovendien is deze waarde niet verspreid, maar geconcentreerd. Google en Meta veroveren een dominant deel van de wereldwijde markt. In het geval van Google vertegenwoordigt reclame – via Search, YouTube en zijn netwerk – ongeveer 75% van de totale inkomsten, met meer dan 260 miljard dollar per jaar. Meta is nog afhankelijker: meer dan 95% van de inkomsten – meer dan 160 miljard, voornamelijk afkomstig van Facebook, Instagram en WhatsApp – komt van reclame. De recente groei is bovendien ondersteund door gelijktijdige stijgingen van impressies en prijs per advertentie, wat een intensivering van het model weerspiegelt.
Naast deze kern voegen Amazon, dat zijn commerciële ecosysteem heeft omgevormd tot een eersteklas advertentieplatform, en ByteDance – met TikTok – zich toe, die een van de meest effectieve infrastructuren voor het vangen van aandacht in korte video's heeft gebouwd. Het gaat niet om geïsoleerde diensten, maar om een geheel van systemen die een groot deel van de dagelijkse toegang tot informatie, entertainment en consumptie regelen.
Daarom is aandacht zo'n belangrijke economische activa geworden. Elke vastgehouden seconde, elke interactie, elke impressie kan worden omgezet in inkomsten. Het model is direct: aandacht trekken, vasthouden en converteren.
Maar hier verschijnt het structurele probleem. Dit systeem moet gedrag anticiperen om efficiënt te functioneren. En toch is het object waarop het opereert – menselijk gedrag – niet volledig reduceerbaar. Het kan niet worden gecomprimeerd in een betrouwbare, wereldwijde voorspelling.
De consequentie is niet het falen van het systeem, maar de herconfiguratie ervan. Als het de proefpersoon niet als geheel kan voorspellen, moet het het probleem reduceren tot het enige punt waar voorspelling nog steeds levensvatbaar is: het directe heden. Daar vindt de aandachtseconomie haar operationele vorm.
Dit economische systeem is niet neutraal: het hangt af van het reduceren van gedrag tot het heden.
Waarom algoritmen niet voorspellen, maar zich aanpassen
Het economische model dat de aandachtseconomie ondersteunt, vereist iets heel concreets: gedrag anticiperen. Elke impressie, elke vastgehouden seconde, elke interactie heeft waarde omdat het in inkomsten kan worden omgezet. Maar deze eis stuit op een grens die we al hebben beschreven: menselijk gedrag is niet volledig te reduceren.
Dit betekent niet dat er niets voorspeld kan worden. Sterker nog, aanbevelingssystemen werken juist omdat er regelmatigheden zijn. Maar het is ook niet mogelijk om een model te bouwen dat het complete traject van een individu betrouwbaar anticipeert. Je kunt niet met dezelfde mate van precisie weten wat een persoon over een week zal doen als je kunt inschatten wat hij in de komende seconden zal doen.
Dat is het knelpunt. En ook het keerpunt.
Aanbevelingsalgoritmen lossen dit probleem niet op. Ze omzeilen het. In plaats van te proberen de gebruiker als geheel te voorspellen, reduceren ze de reikwijdte van de voorspelling tot het enige niveau waar het nog haalbaar is: het directe heden.
De vraag is niet langer 'wie is deze gebruiker' of 'wat zal hij in de toekomst doen', maar wordt veel specifieker: wat is de kans het grootst dat hij nu zal doen?
Deze verschuiving verandert de aard van het systeem volledig. De analyseenheid is niet langer de persoon als traject, maar de punctuele beslissing: een klik, een pauze, een scroll, een herhaling. Elk van deze acties heeft geen complete theorie van het onderwerp nodig om geanticipeerd te worden. Het is voldoende om te observeren wat er zojuist is gebeurd.
In die zin bouwt het algoritme geen stabiel model van de gebruiker. Het past zich er voortdurend aan aan. Het observeert een actie, wijzigt de omgeving, observeert opnieuw. Het hoeft niet te weten waar de gebruiker heen gaat; het is voldoende om de kans te vergroten dat hij doorgaat.
Hier vindt de doorslaggevende ommezwaai plaats: de wereldwijde voorspelling wordt vervangen door real-time aanpassing. Maar deze reductie is niet alleen tijdelijk. Het is ook een reductie van het niveau waarop gedrag wordt gemodelleerd.
Op lange schalen is wat relevant is meestal het meest complex: persoonlijke geschiedenis, identiteit, culturele context, diepe motivaties. Maar dat alles is moeilijk te parametreren, langzaam te verwerken en vooral instabiel.
Op korte schalen daarentegen verschijnen veel fundamentelere regelmatigheden duidelijker: aandacht voor nieuwheid, herhaling van recente patronen, gevoeligheid voor kleine variaties. Het is niet nodig om de proefpersoon te begrijpen om op deze dynamieken te kunnen opereren. Het is voldoende om te detecteren hoe hij reageert.
Daarom werken algoritmen, zelfs als ze geen expliciete biologie of diepgaande psychologie modelleren, uiteindelijk op dat niveau. Niet omdat het waarachtiger is, maar omdat het voorspelbaarder is.
In de praktijk houdt dit in dat het systeem de gebruiker behandelt als een reeks reacties op directe stimuli. Niet in ontologische zin – het beweert niet dat de mens dat is – maar in operationele zin: het is het enige niveau waarop de voorspelling continu kan worden gehandhaafd.
Dit verklaart de effectiviteit ervan.
Algoritmen werken omdat menselijk gedrag reduceerbare componenten bevat. Er zijn patronen, gewoonten, terugkerende reacties die kunnen worden waargenomen en benut. En op korte termijn zijn deze patronen voldoende stabiel om bruikbare voorspellingen te construeren.
Maar het verklaart ook de grens ervan.
Wat buiten dat model valt, is alles wat niet in dat kader kan worden samengeperst: beslissingen die niet reageren op onmiddellijke optimalisatie, koerswijzigingen, onderbrekingen, variaties die niet direct voortvloeien uit het recente verleden.
De sleutel is dus niet dat de mens in het algemeen onvoorspelbaar is. Het is dat hij niet volledig reduceerbaar is. En aanbevelingssystemen werken juist omdat ze niet proberen alles te omvatten: ze concentreren zich op het deel dat wel gemodelleerd kan worden.
Het resultaat is geen voorspelling van het onderwerp, maar een beheer van zijn aandacht in het heden. Het algoritme hoeft niet te weten wie je bent. Het hoeft te weten wat je waarschijnlijk nu zult doen. En dienovereenkomstig te handelen.
Het algoritme volgen of eruit stappen
Dit alles vindt niet in abstracto plaats. Het manifesteert zich in een zeer concrete en herkenbare ervaring. We openen een platform en voelen dat het algoritme ons kent. Dat het weet wat ons interesseert, wat we leuk vinden, zelfs wat we willen zien voordat we ernaar zoeken. De reeks lijkt verfijnd, bijna persoonlijk. Het is geen willekeurige opeenstapeling van inhoud, maar iets dat ons met griezelige precisie past.
Vanaf dat moment vindt een bijna onmerkbare verschuiving plaats. We houden op het algoritme als middel te gebruiken en beginnen het te bewonen alsof het een ruimte is waar we vinden wat we zoeken. We gaan erin met de verwachting iets interessants te ontdekken, en geleidelijk aan stoppen we met buiten te zoeken. Wat in de feed verschijnt, begint de zoektocht zelf te vervangen. Het is niet dat het algoritme onze vragen beantwoordt, het begint ze te definiëren.
Maar dat gevoel van kennis is bedrieglijk. Het algoritme kent ons niet in de zin zoals we dat gewoonlijk denken. Het weet niet wie we zijn, wat we in existentiële zin willen, of waar we heen willen. Het heeft geen toegang tot die dimensies, noch heeft het die nodig. Het enige wat het kan doen – en met enorme efficiëntie doet – is inschatten wat we waarschijnlijk nu zullen doen.
Het systeem bouwt geen begrip van het onderwerp, maar een continue reactie op onmiddellijk gedrag. Het detecteert wat onze aandacht trekt, wat het vasthoudt, wat ons binnenhoudt, en herorganiseert de omgeving op basis daarvan. Er is geen intentie om ons te begrijpen, alleen om de stroom aan te passen zodat we erin blijven. De ervaring wordt zo een reeks steeds verfijndere stimuli die op onze directe reacties zijn afgestemd.
Daarom is het zo verslavend. Omdat het niet werkt op wie we op lange termijn zijn, maar op wat we op elk moment doen. En op dat niveau is de precisie voldoende om de aandacht gedurende lange perioden vast te houden.
Het probleem ontstaat wanneer die werking de rest van de ervaring begint te koloniseren. De aandacht raakt uitgeput in dat circuit van onmiddellijke respons. Wat daarbuiten valt – wat niet door die continue aanpassing wordt gemedieerd – lijkt langzamer, ondoorzichtiger, minder intens. Er vindt dan een omkering plaats: we beginnen de ervaring te meten aan de hand van de standaard van het algoritme.
We zoeken buiten dezelfde intensiteit die het systeem binnen produceert. We verwachten dat de werkelijkheid met dezelfde directheid reageert, met dezelfde capaciteit om onze aandacht in seconden te vangen, met dezelfde constante opeenvolging van relevante stimuli. En wanneer dat niet gebeurt – wanneer het tijd, moeite, wachten vereist – wordt het als ontoereikend ervaren.
Maar die intensiteit is niet neutraal. Het is opgebouwd volgens een zeer specifieke logica: die van het versterken van datgene wat op korte termijn al kan worden geanticipeerd. Het algoritme vergroot onze ervaring niet, het optimaliseert deze rondom onze onmiddellijke respons. Het geeft ons een versie van onszelf terug die goed functioneert binnen dat systeem.
Onderworpen raken aan het algoritme betekent niet onderworpen raken aan een machine die ons kent, maar aan een systeem dat opereert op het deel van ons dat het gemakkelijkst voorspelbaar is: wat al reageert, wat past, wat herhaald kan worden. In die zin worden we vastgezet in het directe heden, in een logica van stimulus en respons.
Hieruit stappen betekent niet het systeem afwijzen of volledig onvoorspelbaar worden. Het betekent de reikwijdte ervan niet verwarren. Het betekent niet aan het algoritme overlaten wat ons interesseert, wat we zoeken, wat we met onze tijd willen doen.
Want er zijn vragen die het algoritme niet kan beantwoorden – en die het ook niet interesseren –: wie we willen zijn, waar we heen willen, welke zin we geven aan wat we doen als we niet reageren op een stimulus.
Die vragen verschijnen niet in de feed. Ze vloeien niet voort uit een patroon. Ze kunnen niet worden afgeleid uit een pauze of een klik. Ze vragen om een andere relatie met de ervaring, een die niet is samengeperst in het directe heden.
Onvoorspelbaar zijn is in dit verband geen abstract gebaar. Het is een manier om ons niet volledig te laten beperken tot dat deel van ons dat gemodelleerd, versterkt en geëxploiteerd kan worden. Het is het openhouden van de mogelijkheid om af te wijken, te onderbreken, te zoeken zonder dat het antwoord al klaar ligt.
Niet omdat het algoritme onvoldoende is, maar omdat het daar niet voor is ontworpen.
Hoe preciezer het lijkt, hoe meer het ons in het heden fixeert. Hoe beter het werkt, hoe smaller het kader is waarin het ons herkent. Als we die precisie verwarren met kennis, accepteren we uiteindelijk dat wat in de feed verschijnt definieert wie we zijn en wie we kunnen zijn.
Maar het algoritme kent ons niet. Het houdt ons reagerend.
Het voorspelt niet wie we zijn; het optimaliseert wat we nu doen.