Wat een paar Cybertrucks mij leerden over statistiek, AI en logisch denken

Tijdens een roadtrip door Californië begonnen mijn kinderen Cybertrucks te tellen. Die ogenschijnlijk simpele observatie laat zien waarom goed denken belangrijker is dan snelle conclusies.

Een opvallende telling

Tijdens onze roadtrip door Californië begonnen mijn kinderen Tesla Cybertrucks te tellen, niet omdat daar een serieuze onderzoeksopzet achter zat, maar simpelweg omdat het zo’n opvallende auto is dat je hem bijna niet kunt missen zodra er een voorbijrijdt. In San Francisco en de Bay Area zagen we er ongeveer tien, rond Santa Barbara en Los Angeles een stuk of vijf, maar bij Lake Tahoe ineens tientallen. Dat verschil viel op, en precies daar begon voor mij het interessante deel: niet de telling zelf, maar de vraag wat zo’n ogenschijnlijk toevallige observatie zou kunnen betekenen.

Eerst twijfel

Natuurlijk is dit geen representatieve steekproef. We reden niet overal even lang, bezochten geen willekeurig geselecteerde gebieden en hielden niet systematisch bij hoeveel auto’s er in totaal voorbijreden. Het kan dus heel goed toeval zijn. Misschien kwamen we bij Lake Tahoe simpelweg op plekken waar veel Cybertrucks rijden, misschien spelen koopkracht en tweede huizen een rol, of misschien past een grote pick-up daar praktisch beter bij de omgeving dan in een stedelijk gebied. Al die verklaringen zijn plausibel, en juist daarom is het interessant om niet meteen voor één verhaal te kiezen.

Zo begint statistiek

Voor mij begint statistisch denken namelijk niet bij een spreadsheet, een regressiemodel of een significantietoets, maar bij een observatie die je dwingt om betere vragen te stellen. Je ziet iets opmerkelijks, formuleert een eerste hypothese en probeert die vervolgens niet te bewijzen, maar juist onderuit te halen. Welke andere variabelen kunnen hetzelfde patroon verklaren? Is er sprake van selectie? Kijk je naar een specifieke groep mensen? Zit er een derde factor achter het verband? Of zie je gewoon ruis en geef je daar achteraf betekenis aan?

Meer dan een auto

Bij de Cybertruck wordt dat extra interessant, omdat het model cultureel veel meer is dan alleen een elektrische auto. Elektrisch rijden was in de Verenigde Staten jarenlang sterk verbonden met progressieve, stedelijke en overwegend Democratische consumenten, terwijl pick-uptrucks juist een veel sterkere culturele relatie hadden met conservatiever en Republikeinser Amerika. De Cybertruck brengt die twee werelden opvallend bij elkaar: elektrische technologie uit Silicon Valley, verpakt in een extreem uitgesproken Amerikaanse truck.

Tesla veranderde mee

Tegelijkertijd is ook de betekenis van Tesla veranderd. Door de steeds zichtbaardere politieke positionering van Elon Musk is het merk voor verschillende groepen iets anders gaan vertegenwoordigen. Republikeinse kiezers zijn positiever geworden over Musk en Tesla, terwijl het merk onder een deel van de Democratische achterban juist aan aantrekkingskracht heeft verloren. Daardoor wordt de Cybertruck interessant als mogelijke proxy voor een bredere culturele verschuiving: elektrisch rijden is niet langer vanzelfsprekend verbonden met één politieke identiteit.

Een proxy

Dat betekent natuurlijk niet dat iemand die in een Cybertruck rijdt automatisch Republikein is, net zomin als een woningprijs exact vertelt hoeveel iemand verdient. Maar proxies werken juist doordat ze indirect iets laten zien wat moeilijker rechtstreeks te meten is. Zoekgedrag kan bijvoorbeeld iets zeggen over consumentenvertrouwen, vacaturegroei over economische verwachtingen en woningprijzen over de sociaaleconomische ontwikkeling van een wijk. Een goede proxy is nooit de werkelijkheid zelf, maar kan wel een signaal zijn van een onderliggende beweging.

Van signaal naar onderzoek

Dat is ook waarom zo’n onschuldige telling voor mij interessant wordt. Niet omdat tientallen Cybertrucks rond Lake Tahoe bewijzen dat de politieke markt voor elektrische auto’s verschuift, maar omdat de observatie een hypothese oproept die je vervolgens met betere data zou kunnen onderzoeken. Je zou kunnen kijken naar regionale verkoopcijfers, politieke voorkeur per county, inkomen, voertuigtype, stedelijkheid, tweede-huisbezit en andere kenmerken om te zien welke verklaring overeind blijft zodra je alternatieven controleert.

Minder slechte verklaringen

Precies daar zit voor mij de charme van statistiek. Niet in het produceren van één definitief antwoord, maar in het systematisch verkleinen van de ruimte voor slechte verklaringen. Een goede analyse laat je niet alleen zien wat waarschijnlijk waar is, maar ook waarom andere verklaringen minder waarschijnlijk zijn. Dat vraagt discipline, omdat de eerste verklaring vaak het meest aantrekkelijk voelt, zeker als die mooi aansluit bij het verhaal dat je al in je hoofd had.

AI maakt dit belangrijker

Met AI wordt dat alleen maar belangrijker. AI kan razendsnel patronen vinden, datasets combineren en plausibele verklaringen formuleren, maar juist doordat die verklaringen zo overtuigend kunnen klinken, neemt ook het risico toe dat we een goed verhaal verwarren met een goede analyse. Een correlatie is nog geen causaliteit, een patroon is nog geen mechanisme en een voorspelling is nog geen verklaring. AI verandert die statistische basisregels niet; het maakt vooral duidelijker hoe belangrijk ze zijn.

Beter leren denken

Daarom zie ik statistiek en AI uiteindelijk vooral als instrumenten om beter te denken. Ze produceren niet automatisch de waarheid, maar helpen ons om scherpere hypothesen te formuleren, alternatieve verklaringen te zoeken en systematisch te testen welke interpretatie het meest logisch is. Soms begint dat met miljoenen datapunten in een model, en soms begint het gewoon met twee kinderen op de achterbank die ineens zeggen: “Papa, daar rijdt alweer een Cybertruck.”

Misschien is het toeval. Misschien ook niet. En precies tussen die twee mogelijkheden begint analyse.