Wat is Causal Inference?

Wat is het verschil met gewone AI?

De meeste AI-systemen die je tegenkomt zijn briljant in het herkennen van patronen. Ze zien dat mensen die veel ijs kopen vaker zonnebrand gebruiken, en kunnen voorspellen: "Als iemand ijs koopt, zal hij waarschijnlijk ook zonnebrand kopen." Dat klopt statistisch — maar het betekent niet dat ijs je een zonnebrand geeft.

Causal inference gaat verder. Het probeert te achterhalen: wat veroorzaakt eigenlijk wat? In dit geval: de zon zorgt ervoor dat mensen ijs willen én dat ze zonnebrand nodig hebben. Die zon is de onderliggende oorzaak. Als je dat begrijpt, kun je niet alleen voorspellen, maar ook ingrijpen: "Als we parasols plaatsen, zullen mensen minder zonnebrand nodig hebben" — zelfs als je AI nog nooit een parasol heeft gezien.

Stel je voor dat een gewoon machine learning-model ziet dat medicijn A vaak wordt voorgeschreven aan mensen die beter worden. Het concludeert: "Dit medicijn helpt." Maar misschien krijgen juist de minst zieke patiënten dat medicijn, en worden zij sowieso sneller beter. Causal inference probeert die verwarring te ontrafelen: helpt het medicijn echt, of lijkt het alleen maar zo?

Hoe werkt het eigenlijk?

Causal inference gebruikt technieken uit de statistiek, economie en computerwetenschappen om echte oorzaken te isoleren. Denk aan:

• Randomized experiments: zoals medicijntests waar je willekeurig mensen in twee groepen verdeelt (met/zonder medicijn). Verschil = effect van het medicijn.

• Causale grafieken: visuele schema's (zoals flowcharts) die laten zien welke variabelen elkaar beïnvloeden. "De zon beïnvloedt ijsverkoop én zonnebrandverkoop, maar ijs beïnvloedt zonnebrand niet."

• Instrumentele variabelen en matching: statistische trucjes om experimenten na te bootsen als je geen controlegroep hebt.

• Counterfactual reasoning: het stellen van "wat als"-vragen. "Wat zou er gebeurd zijn als deze patiënt het medicijn niet had gekregen?"

In traditionele AI stop je data erin en krijg je een voorspelling. In causal inference bouw je een model van hoe de wereld werkt — met pijlen tussen oorzaken en gevolgen — en test je of dat klopt. Dat model helpt je om te begrijpen wat er gebeurt als je iets verandert.

Waarom zou jij hier iets aan hebben?

Voorspellen is handig, maar als je iets wilt veranderen, moet je weten wat je moet aanpakken. Bijvoorbeeld:

• Marketing: gewone AI zegt "mensen die product X kopen, kopen ook Y". Causal inference zegt: "Als we een korting geven op X, zal de verkoop van Y met 12% stijgen" — of juist niet, omdat ze toch al beide kochten.

• Gezondheidszorg: niet "welke patiënten overleven", maar "welke behandeling redt levens".

• Bedrijfsvoering: niet "welke klanten blijven", maar "welke acties zorgen ervoor dat klanten blijven".

Dit maakt het verschil tussen een dashboard met grafieken en een dashboard dat je helpt besluiten waar je energie in moet steken.

Waar kom je het tegen?

Causal inference zit nog niet standaard in tools zoals ChatGPT of Copilot — die zijn gebouwd om patronen te vinden, niet om oorzaken te bewijzen. Maar je ziet het wel in:

• Specialistische AI-platforms: Microsoft's EconML, Uber's CausalML, DoWhy (open source)

• A/B-testing tools: Optimizely, Google Optimize — ze testen of een verandering op je website echt werkt

• Medisch onderzoek en beleidsevaluatie: wanneer onderzoekers willen weten of een nieuwe maatregel effect heeft

• Econometrische modellen: bij banken en verzekeraars om risico's te begrijpen

De meeste bedrijven die dit gebruiken, hebben data scientists die statistiek beheersen. Het is nog geen knop in een gebruiksvriendelijke app.

Waarom hoor je er nu pas over?

Causal inference bestaat al decennia in de wetenschap, maar AI-onderzoekers erkennen steeds vaker dat voorspellen alleen niet genoeg is. Als je een zelfrijdende auto bouwt die leert "bij regen gebeuren meer ongelukken", moet hij ook snappen dat regen gladheid veroorzaakt — niet dat ongelukken regen veroorzaken.

In de praktijk betekent dit: AI-systemen die niet alleen zeggen "dit gaat waarschijnlijk gebeuren", maar ook "als we dit doen, verandert dit daarom". Dat is een stap richting AI die de wereld begrijpt in plaats van alleen statistiek bedrijft.

Wil je hier zelf mee aan de slag? Begin bij het herkennen van de vraag: "Wil ik voorspellen, of wil ik weten wat werkt?" Bij dat tweede heb je causal inference nodig — en waarschijnlijk hulp van iemand die ermee gewerkt heeft.