Waarom zouden we onvoorspelbaar moeten zijn?
Computationele onherleidbaarheid en de grens van voorspelling
We denken dat algoritmes 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.
Algoritmes kennen ons niet. Ze optimaliseren alleen wat we nu doen.
Computationele onherleidbaarheid beschrijft een precieze grens aan voorspelling: er zijn processen waarvan de uitkomst niet bekend kan zijn zonder het proces zelf uit te voeren. Het concept, ontwikkeld door Stephen Wolfram, duidt niet op een gebrek aan informatie of toeval, maar op de onmogelijkheid om bepaalde systemen samen te vatten in een kortere formule dan hun eigen evolutie.
Lange tijd hebben we de wereld benaderd vanuit een impliciete premisse: als we de wetten kennen die een systeem beheersen en de beginvoorwaarden ervan, kunnen we de toekomstige staat ervan voorspellen. Dit idee structurert niet alleen de klassieke fysica, maar ook een algemene manier om de realiteit te begrijpen: de toekomst als iets dat, in principe, toegankelijk is vanuit het heden.
Onherleidbaarheid introduceert een doorslaggevende nuance. Er zijn systemen waarin deze verwachting faalt, niet omdat de regels onbekend of complex zijn, maar omdat er geen manier is om hun evolutie te 'versnellen'. Het systeem accepteert geen snelkoppelingen. Om te weten wat er op een bepaald punt gebeurt, is het noodzakelijk om alle tussenliggende staten die ernaartoe leiden, te doorlopen.
Dit impliceert dat kennis van de regel niet gelijkstaat aan kennis van de uitkomst. Je kunt volledig begrijpen hoe het systeem werkt en toch de toekomstige staat ervan niet kunnen voorspellen 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 niet beschikbaar is voordat deze plaatsvindt. Het is niet zozeer dat het systeem absoluut onvoorspelbaar is, 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 te laten ontvouwen.
Deze grens is formeel in de computationele sfeer, 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 computergestuurde systemen beschreven door Stephen Wolfram, maar over een operationele analogie. Er wordt niet beweerd dat de mens in dezelfde technische zin onherleidbaar is, maar dat zijn gedrag vergelijkbare grenzen vertoont bij 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 omstandigheden waarin de volgende zal plaatsvinden.
In dit kader is de analogie met onherleidbaarheid duidelijk: niet omdat er geen regels of regelmatigheden zijn, maar omdat het onmogelijk is de volledige traject in een voldoende voorafgaande voorspelling samen te vatten.
Dit impliceert niet dat menselijk gedrag in het algemeen onvoorspelbaar is. Er zijn stabiele patronen: gewoonten, voorkeuren, sociale dynamieken. Daarop opereren disciplines als economie, psychologie of marketing met succes. Het is precies die dimensie die het mogelijk maakt dat voorspellingssystemen werken.
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, onvoorziene variaties. Niet omdat het systeem geen structuur heeft, maar omdat het er niet volledig in gecomprimeerd is.
De meest precieze formulering zou zijn: menselijk gedrag bevat reduceerbare en niet-reduceerbare componenten. Het is geen absoluut chaotisch systeem, maar ook geen volledig modelleerbaar systeem.
Deze grens heeft een directe consequentie 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 omvat 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 zozeer dat de toekomst volledig onbekend is, maar dat deze niet volledig beschikbaar is voordat deze wordt geleefd.
Deze voorwaarde heeft een dubbele kant.
Enerzijds maakt het het onverwachte mogelijk. Nieuwheid, creativiteit, doorbraak 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 dus in een tussengebied: er zijn regelmatigheden, maar geen sluiting; er is structuur, maar geen totale voorspelling. Die spanning – tussen wat kan worden geanticipeerd en wat alleen kan worden ontvouwd – definieert het kader waarin de menselijke ervaring plaatsvindt.
Maar deze grens is niet alleen een theoretische kwestie over de menselijke ervaring. Het heeft directe gevolgen voor de plaats waar gedrag tegenwoordig systematisch wordt geanticipeerd: 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 vastleggen, 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 reclamemarkt ongeveer 523 miljard dollar. In 2024 overschreed deze voor het eerst de biljoen, en de verwachting is dat deze in 2026 1,24 biljoen zal bereiken. In slechts een decennium is het systeem vrijwel verdubbeld, met jaarlijkse groeipercentages rond de 6-8% en voorspellingen van meer dan 10% op korte termijn.
Maar het meest doorslaggevende is niet alleen de groei, maar ook de vorm ervan. Digitale reclame concentreert zich al op meer dan 70% van de wereldwijde investeringen en blijft toenemen. In markten zoals de Verenigde Staten groeit het met percentages van bijna 15% per jaar. De hedendaagse reclame-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 verdeeld, maar geconcentreerd. Google en Meta veroveren een dominant deel van de wereldmarkt. In het geval van Google vertegenwoordigt reclame – via Search, YouTube en zijn netwerk – ongeveer 75% van zijn totale inkomsten, met meer dan 260 miljard dollar per jaar. Meta is nog afhankelijker: meer dan 95% van zijn inkomsten – meer dan 160 miljard, voornamelijk afkomstig van Facebook, Instagram en WhatsApp – komt van reclame. De recente groei is bovendien ondersteund door gelijktijdige stijgingen in vertoningen en de prijs per advertentie, wat een intensivering van het model weerspiegelt.
Naast deze kern voegen Amazon, dat zijn commerciële ecosysteem heeft omgezet in een toonaangevend advertentieplatform, en ByteDance – met TikTok – zich toe. Zij hebben een van de meest effectieve infrastructuren voor het vastleggen van aandacht in korte video's gebouwd. Het gaat niet om geïsoleerde diensten, maar om een geheel van systemen dat een groot deel van de dagelijkse toegang tot informatie, entertainment en consumptie organiseert.
Daarom is aandacht een primaire economische activa geworden. Elke vastgehouden seconde, elke interactie, elke vertoning kan worden omgezet in inkomsten. Het model is direct: aandacht trekken, verlengen en omzetten.
Maar hier duikt het structurele probleem op. 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 samengevat in een betrouwbare, globale voorspelling.
De consequentie is niet het falen van het systeem, maar de herconfiguratie ervan. Als het de persoon als geheel niet kan voorspellen, moet het het probleem reduceren tot het enige punt waar voorspelling nog steeds haalbaar is: het directe heden. Dat is waar de aandachtseconomie zijn operationele vorm vindt.
Dit economische systeem is niet neutraal: het hangt af van het reduceren van gedrag tot het heden.
Waarom algoritmes niet voorspellen, maar zich aanpassen
Het economische model dat de aandachtseconomie ondersteunt, vereist iets heel concreets: gedrag anticiperen. Elke vertoning, elke vastgehouden seconde, elke interactie heeft waarde omdat het kan worden omgezet in inkomsten. Maar deze eis stuit op een grens die we al hebben beschreven: menselijk gedrag is niet volledig reduceerbaar.
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 de volledige trajectorie van een individu betrouwbaar anticipeert. Je kunt niet weten wat iemand over een week zal doen met dezelfde precisie waarmee je kunt inschatten wat hij de komende seconden zal doen.
Dat is het knelpunt. En ook het keerpunt.
Aanbevelingsalgoritmes lossen dit probleem niet op. Ze omzeilen het. In plaats van te proberen de persoon als geheel te voorspellen, reduceren ze de reikwijdte van de voorspelling tot het enige niveau waar het nog steeds 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 zal hij waarschijnlijk nu 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 de persoon nodig om te worden geanticipeerd. Het volstaat 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 volstaat om de waarschijnlijkheid te vergroten dat hij doorgaat.
Hier vindt de beslissende wending plaats: globale voorspelling wordt vervangen door realtime aanpassing. Maar deze reductie is niet alleen tijdelijk. Het is ook een reductie van het niveau waarop gedrag wordt gemodelleerd.
Op lange termijn is het complexe meestal relevant: persoonlijke geschiedenis, identiteit, culturele context, diepe motivaties. Maar dat alles is moeilijk te parametriseren, langzaam te verwerken en, vooral, instabiel.
Op korte termijn daarentegen, komen veel fundamentalere regelmatigheden duidelijker naar voren: aandacht voor nieuwheid, herhaling van recente patronen, gevoeligheid voor kleine variaties. Het is niet nodig de persoon te begrijpen om op deze dynamieken in te spelen. Het volstaat om te detecteren hoe deze reageert.
Daarom, hoewel algoritmes de biologie of diepere psychologie niet expliciet modelleren, opereren ze 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 onmiddellijke prikkels. Niet in een ontologische zin – het beweert niet dat de mens dat is – maar in een operationele zin: het is het enige niveau waarop voorspelling continu kan worden gehandhaafd.
Dit verklaart de effectiviteit ervan.
Algoritmes werken omdat menselijk gedrag reduceerbare componenten bevat. Er zijn patronen, gewoontes, terugkerende reacties die kunnen worden geobserveerd en benut. En op korte termijn zijn die patronen stabiel genoeg om nuttige voorspellingen te construeren.
Maar het verklaart ook de beperking ervan.
Wat buiten dat model valt, is alles wat niet in dat kader kan worden gecomprimeerd: beslissingen die niet inspelen 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 alles proberen te omvatten: ze concentreren zich op het deel dat wel gemodelleerd kan worden.
Het resultaat is geen voorspelling van het individu, maar een beheer van zijn aandacht in het heden. Het algoritme hoeft niet te weten wie jij bent. Het moet weten wat jij waarschijnlijk nu zult doen. En dienovereenkomstig handelen.
Het algoritme volgen of ervan losbreken
Dit alles vindt niet plaats in abstracto. 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 sequentie lijkt afgestemd, bijna persoonlijk. Het is geen willekeurige opeenstapeling van content, maar iets dat met ons overeenkomt met een verontrustende precisie.
Vanaf dat moment vindt er een bijna onmerkbare verschuiving plaats. We houden op het algoritme als middel te gebruiken en beginnen het te bewonen als een ruimte waar we kunnen vinden wat we zoeken. We gaan erheen in de hoop iets te ontdekken dat ons interesseert, en geleidelijk aan houden we op 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 waarin we gewoonlijk denken. Het weet niet wie we zijn, noch wat we willen in vitale zin, noch waar we naartoe 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 de persoon op, maar een continue reactie op onmiddellijk gedrag. Het detecteert wat onze aandacht trekt, wat het verlengt, wat ons binnenhoudt, en reorganiseert 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 prikkels die aansluiten bij onze onmiddellijke reacties.
Daarom is het zo meeslepend. Omdat het niet werkt op wie we zijn in de tijd, maar op wat we elk moment doen. En op dat niveau is de precisie voldoende om de aandacht lange tijd 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 reactie. Wat buiten valt – wat niet door die continue aanpassing wordt gemedieerd – lijkt langzamer, ondoorzichtiger, minder intens. Er vindt dan een omkering plaats: we beginnen de ervaring af te meten aan de standaard van het algoritme.
We zoeken buiten dezelfde intensiteit als het systeem van binnenuit produceert. We verwachten dat de realiteit met dezelfde directheid reageert, met hetzelfde vermogen om onze aandacht in seconden vast te houden, met dezelfde constante opeenvolging van relevante prikkels. En wanneer dat niet gebeurt – wanneer het tijd, moeite, wachten vereist – wordt het als onvoldoende ervaren.
Maar die intensiteit is niet neutraal. Het is opgebouwd volgens een zeer specifieke logica: die van het versterken van wat op korte termijn al kan worden geanticipeerd. Het algoritme vergroot onze ervaring niet, het optimaliseert deze rondom onze onmiddellijke reactie. Het geeft ons een versie van onszelf terug die goed functioneert binnen dat systeem.
Vastzitten aan het algoritme betekent niet vastzitten aan een machine die ons kent, maar aan een systeem dat werkt op het deel van ons dat het gemakkelijkst voorspelbaar is: wat al reageert, wat past, wat herhaald kan worden. In die zin zijn we gefixeerd op het onmiddellijke heden, in een logica van stimulus en respons.
Loskomen hiervan betekent niet het systeem afwijzen of volledig onvoorspelbaar worden. Het betekent het bereik ervan niet verwarren. Het betekent niet aan de hand ervan 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 willen we zijn, waar willen we naartoe, welke betekenis geven we aan wat we doen als we niet reageren op een prikkel.
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 vereisen een andere relatie met de ervaring, een die niet is samengeperst in het onmiddellijke heden.
Onvoorspelbaar zijn, in deze context, is geen abstract gebaar. Het is een manier om niet volledig beperkt te blijven tot dat deel van ons dat gemodelleerd, versterkt en geëxploiteerd kan worden. Het is de mogelijkheid openhouden om af te wijken, te onderbreken, te zoeken zonder dat het antwoord al klaarstaat.
Niet omdat het algoritme onvoldoende is, maar omdat het daar niet voor ontworpen is.
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 wat we kunnen zijn.
Maar het algoritme kent ons niet. Het houdt ons reactief.
Het voorspelt niet wie we zijn; het optimaliseert wat we nu doen.