Applying Artificial Intelligence and Big Data Analytics in Forecasting the Effectiveness of Managerial Strategic Decision Making

In de moderne zakenwereld staan leiders voor een constante uitdaging: het nemen van beslissingen met hoge inzet in een landschap dat sneller verandert dan één enkel persoon kan bijhouden. Om hierin te navigeren, wenden veel organisaties zich tot kunstmatige intelligentie en big data-analyse. Dit zijn niet slechts hulpmiddelen voor het sorteren van bestanden; het zijn systemen die zijn ontworpen om patronen te vinden in enorme hoeveelheden informatie die een menselijk brein zouden overweldigen. Er blijft echter een cruciale vraag bestaan: kunnen deze digitale systemen beslissingen nemen die niet alleen slim zijn, maar ook juridisch sluitend en strategisch effectief? Het antwoord is niet eenvoudig. Een beslissing kan efficiënt zijn maar een regel overtreden, of het kan de wet volgen maar een zakelijk doel niet halen. Onderzoekers proberen nu een brug te slaan tussen de ruwe kracht van data-analyse en de strikte grenzen van juridische naleving, waarbij ze de vraag stellen of een computer kan leren om het belang van een zakelijk doel af te wegen tegen het risico op een juridische sanctie.

Een onderzoeker aan de Tay Do Universiteit in Vietnam zette zich af om dit idee te testen door een digitaal systeem te bouwen dat ontworpen is om te simuleren hoe een manager strategische keuzes zou maken. Ze creëerden een virtuele omgeving waarin een kunstmatige intelligentie-agent een complex pakket regels moest navigeren op basis van informatie technologie-wetten. Het doel was om te zien of het systeem kon voorspellen hoe goed een beslissing zou presteren, gemeten aan de hand van een standaard zakelijke score die bekend staat als een Key Performance Indicator. Om dit te doen, voerde de onderzoeker niet alleen ruwe cijfers in de computer. In plaats daarvan ontwierp de onderzoeker het systeem om vijf specifieke manieren na te bootsen waarop een menselijk brein informatie verwerkt: het vermogen om middelen te beheren, de capaciteit om over het eigen denken na te denken, de vaardigheid om te focussen op wat belangrijk is, de snelheid van het leren van nieuwe regels, en het vermogen om sociale en organisatorische normen te begrijpen. Deze vijf mentale vaardigheden werden behandeld als de bouwstenen voor het besluitvormingsproces van de computer.

De onderzoeker construeerde een enorme digitale pijplijn om hun idee te testen. Eerst verzamelde het systeem tekst uit diverse documenten, zoals juridische rapporten en beleidspapieren, en reinigde deze zodat de computer ze kon lezen. Vervolgens vertaalde het de geschreven regels naar een formaat dat de machine kon begrijpen, waarbij gewichten werden toegekend aan verschillende vereisten zoals gegevensprivacy of directie-afstemming. Vervolgens genereerde het systeem een gesimuleerde dataset van 1.500 verschillende besluitvormingsscenario's. In elk scenario moest de computer de vijf cognitieve vaardigheden afwegen tegen de juridische regels om een uiteindelijke score te produceren. Deze score vertegenwoordigde hoe succesvol de beslissing zou zijn, variërend van nul tot honderd. De onderzoeker trainde vervolgens een machine learning-model op deze data, waarbij de computer werd geleerd om naar de vijf cognitieve vaardigheden te kijken en te voorspellen wat de uiteindelijke score zou zijn. Ze gebruikten een methode die veel kleine beslisbomen opbouwt om patronen te vinden, in de hoop dat de computer de verborgen verbanden tussen hoe een systeem denkt en hoe goed het presteert, zou kunnen leren.

Toen de onderzoeker hun model testte, onthulden de resultaten een harde waarheid over de huidige staat van deze technologie. Het systeem was in staat om het hele proces soepel te doorlopen, van het lezen van de documenten tot het genereren van een definitieve lijst met voorspelde scores. Echter, toen de onderzoeker controleerde hoe nauwkeurig de voorspellingen waren, bleek dat het model moeite had met het vatten van de werkelijke complexiteit van het probleem. De gokken van de computer waren vaak aanzienlijk afwijkend, en in sommige statistische maten presteerde het model slechter dan simpelweg het gemiddelde score voor elke situatie raden. De data toonden aan dat de werkelijke uitkomsten in twee duidelijke groepen vielen — beslissingen die zeer laag scoorden en beslissingen die zeer hoog scoorden — terwijl de voorspellingen van de computer de neiging hadden om in het midden te clusteren, waardoor de extremen volledig werden gemist. Dit suggereert dat hoewel het systeem de informatie kon verwerken, het de diepere context miste die nodig is om onderscheid te maken tussen een veilige, gemiddelde keuze en een strategie met een hoog risico en een hoog rendement.

De studie concludeert dat hoewel het raamwerk voor het combineren van kunstmatige intelligentie met juridisch bestuur haalbaar is, de technologie nog niet klaar is om het menselijk oordeel in deze complexe gebieden te vervangen. De onderzoeker stelde vast dat de huidige modellen niet volledig rekening konden houden met de verborgen variabelen die een beslissing in de categorieën "hoog risico" of "hoog rendement" duwen. De onderzoeker merkte op dat het systeem het beste functioneerde wanneer het in het middengebied bleef, waarbij de meest extreme uitkomsten werden vermeden, wat een veilige maar beperkte aanpak is voor strategische planning. De onderzoeker stelt dat toekomstig werk zich moet richten op het toevoegen van meer gedetailleerde informatie aan het systeem, zoals betere manieren om de specifieke juridische context van elke beslissing te meten, en het ontwikkelen van modellen die hun redenering duidelijker kunnen uitleggen. Voor nu dient dit onderzoek als een bewijs van concept, dat aantoont dat het mogelijk is om juridische regels te vertalen naar digitale data, maar ook dat de weg naar werkelijk autonome, conforme strategische besluitvorming veel meer vereist dan alleen rekenkracht.