Het grootste knelpunt in behavioural design was altijd tijd. Niet de tijd die het kost om een interventie te ontwerpen, maar de tijd die het kost om te begrijpen wat er werkelijk speelt in iemands hoofd. Zes gedragsinterviews. Transcriptie. Analyse. Patronen herkennen. Pijnen, winsten, comforten en angsten in kaart brengen. In een Behavioural Design Sprint bij SUE kostte die fase alleen al een week. Soms meer.

AI heeft dat veranderd. Niet door het menselijke inzichtwerk over te nemen, maar door het dramatisch te versnellen. Wat vroeger een week kostte, duurt nu een dag. En dat is geen marginale verbetering. Dat is een structurele verschuiving in hoe diep je kunt gaan en hoe snel je kunt handelen op basis van wat je vindt.

Dit artikel gaat over die verschuiving. Niet over de algemene belofte van AI, maar over vijf concrete dingen die AI doet voor gedragsinzichtwerk, en waarom de combinatie van kunstmatige intelligentie en gedragswetenschap krachtiger is dan elk van beide afzonderlijk.

Het inzichtknelpunt

Het SUE Influence Framework begint met een eenvoudige premisse: voordat je gedrag kunt ontwerpen, moet je begrijpen wat het aandrijft. Dat betekent de Job-to-be-Done vinden, de pijnen in huidig gedrag in kaart brengen, de angsten blootleggen die nieuw gedrag blokkeren, de comforten identificeren die mensen gevangen houden, en de winsten begrijpen die hen vooruit kunnen trekken.

Hoe we dit altijd deden, was via diepgaande kwalitatieve interviews. Zes interviews met je doelgroep, zorgvuldig in kaart gebracht en grondig geanalyseerd. De kwaliteit van de analyse bepaalt de kwaliteit van alles wat daarna komt. Een oppervlakkige analyse leidt tot oppervlakkige interventies. Een oppervlakkige interventie verandert niets.

Het probleem was nooit de methode. Het probleem was de enorme hoeveelheid tijd die ze vroeg. Tegen de tijd dat je zes interviews had getranscribeerd, de thema's had gecodeerd, de patronen had herkend en alles had vertaald naar een helder krachtendiagram, was de helft van de sprintweek voorbij. En dat liet minder tijd over voor het belangrijkste onderdeel: het ontwerpen van de werkelijke interventies.

AI lost precies dit op. Niet door de analyse automatisch te maken, maar door de tijdrovende onderdelen snel te maken, zodat je je energie kunt steken waar het er echt toe doet.

Toepassing 1: interviewtranscriptie en eerste analyse

Je voert zes interviews. Elk een uur. Je hebt zes uur aan gesprekken vol signalen over pijnen, angsten, comforten en jobs-to-be-done, begraven onder smalltalk, uitweidingen en mensen die zeggen wat ze denken dat je wilt horen.

Vroeger transcribeerde je dit met de hand. Of je besteedde het uit. Hoe dan ook: traag en duur. Tools als Otter.ai, Whisper of Grain transcriberen audio nu in minuten met een nauwkeurigheid die voor analyse goed genoeg is. Dat alleen al bespaart uren.

Maar de grotere verschuiving zit in wat daarna gebeurt. Je kunt die transcripten in een model als Claude of GPT-4 plakken en het vragen om een eerste gedragsanalyse te doen. Niet "vat dit interview samen." Iets veel specifieker: Breng de pijnen in kaart die de spreker uitdrukt in zijn huidige gedrag. Welke frustraties noemt hij? Wat vermijdt hij? Wat zegt hij dat hij anders zou willen?

Het model zal niet alles goed hebben. Maar het brengt de signalen snel naar boven, en het geeft je een startpunt voor je eigen diepere lezing. Wat vroeger een middag kostte, duurt nu twintig minuten.

Toepassing 2: patroonherkenning over meerdere interviews

Zes interviews produceren veel materiaal. De vaardigheid van een gedragsonderzoeker is het patroon vinden dat door alle zes loopt, niet alleen het luidste thema in het meest memorabele interview.

Dit is waar recency bias en de beschikbaarheidsheuristiek veel schade aanrichten in inzichtwerk. Je sluit je laatste interview af en het verhaal van die persoon is levendig in je geheugen. Zijn angst wordt de angst. Zijn pijn wordt de pijn. De stillere signalen uit eerdere interviews vervagen.

AI heeft geen recency bias. Geef het alle zes transcripten en vraag het de thema's te vinden die in de meerderheid van de gesprekken voorkomen, en het geeft je een echt cross-interview patroon. Het merkt op dat drie mensen dezelfde frictie noemden - terloops, zonder dat het het hoofdonderwerp was. Een menselijke analist zou dat waarschijnlijk missen.

Bij SUE gebruiken we dit om sneller een rijker krachtendiagram op te bouwen. De AI geeft ons een eerste versie van het patroon. Daarna bevragen we dat concept, argumenteren we ertegen, voegen we onze eigen lezing van het materiaal toe. Het resultaat is beter dan wat een van ons alleen zou produceren.

Toepassing 3: hypothesen genereren en stresstesten

Een van de moeilijkste momenten in een Behavioural Design Sprint is de overgang van inzicht naar hypothese. Je hebt een krachtendiagram. Je begrijpt de pijnen en angsten van je doelgroep. Nu moet je hypothetiseren: welke interventie zou de naald werkelijk kunnen bewegen?

Teams raken hier vast. Ze blijven oplossingen produceren die eruitzien als hun bestaande productfuncties in een iets andere verpakking. Of ze springen te snel naar een enkele hypothese en worden er verliefd op voordat ze hem hebben gestrtest.

AI is heel goed in het snel genereren van een breed scala aan alternatieven. Geef het je krachtendiagram en vraag het tien mogelijke interventies te genereren die specifiek de angst aanpakken die je hebt geidentificeerd. Het produceert opties die je zelf niet had bedacht. Sommige zijn nutteloos. Sommige zijn het startpunt voor iets dat oprecht goed is.

Het nog betere gebruik is stresstesten. Je hebt een hypothese die je aanspreekt. Vraag het model er tegenin te argumenteren. Wat zou er waar moeten zijn voor dit om te mislukken? Wat is het sterkste bezwaar dat iemand uit de doelgroep zou opperen? Dit is iets wat teams zelden goed doen als ze emotioneel geïnvesteerd zijn in hun eigen idee. Het model is niet geïnvesteerd. Het argumenteert eerlijk tegenin.

Toepassing 4: gedragswetenschappelijk literatuuronderzoek

Elke Sprint omvat enig deskresearch. Wat weten we al over dit gedrag? Is er bestaand onderzoek naar deze pijn? Zijn er bewezen interventies voor dit type angst?

De gedragswetenschappelijke literatuur is immens. Kahneman, Thaler, Cialdini, Fogg, Ariely, Sunstein, Dolan. Tijdschriften als Behavioural Public Policy, Journal of Behavioral Decision Making, decennia aan nudging-experimenten van de Britse Behavioural Insights Team. Het allemaal bijhouden is onmogelijk.

AI kan deze literatuur snel samenvatten. Niet perfect, en je moet alles wat ertoe doet verifiëren, maar als startpunt voor onderzoek is het oprecht nuttig. Je vraagt: Wat zegt de literatuur over de relatie tussen sociale normen en recyclinggedrag? En je krijgt in twee minuten een gestructureerde samenvatting in plaats van een uur lezen.

Nog nuttiger: je kunt het model vragen relevante gedragsmechanismen voor te stellen voor het specifieke patroon dat je in je interviews hebt gevonden. Het verbindt je empirische bevinding met de theoretische onderbouwing. Die verbinding vereiste vroeger een senior onderzoeker. Nu is het een prompt.

Toepassing 5: snel interventies prototypen

De vijfde toepassing staat het dichtst bij het eigenlijke ontwerpwerk. Zodra je weet welke kracht je wilt aanpakken, moet je de interventie ontwerpen. Hoe ziet de nudge er precies uit? Wat zegt de boodschap? Wat is de keuzearchitectuur?

AI is een snelle partner voor dit soort snel prototypen. Je beschrijft de angst die je wilt wegnemen, de doelgroep, het kanaal, de context. Je vraagt om tien verschillende versies van de interventie op variërende niveaus van directheid. Je krijgt meteen materiaal om op te reageren, in plaats van naar een leeg scherm te staren.

Het sleutelwoord is op te reageren. De output van de AI is ruwe grondstof, geen afgewerkt ontwerp. De vaardigheid van de gedragsontwerper is in het lezen van wat het model produceert en weten welke van de tien opties de juiste psychologische logica heeft, welke de kern missen, welke een kiem van iets oprecht interessants bevatten. Dat oordeel is menselijk. De generatie is AI.

De AI genereert. De gedragsontwerper beoordeelt. Geen van beide alleen is genoeg.

Wat AI niet kan

Er is een ding dat AI in gedragsinzichtwerk werkelijk niet kan vervangen, en het is de moeite waard om specifiek te zijn over wat dat is.

Als je tegenover iemand zit in een gedragsinterview en ze pauzeren voordat ze een vraag over hun gedrag beantwoorden, is die pauze data. Het lichte blosje van schaamte als ze een gewoonte beschrijven waarvan ze weten dat die irrationeel is. Het moment waarop ze zichzelf beginnen te rechtvaardigen zonder dat er om gevraagd is. Het verhaal dat op een bepaalde manier begint en ergens heel anders eindigt. Dit zijn de signalen die de echte onbewuste drijfveer onthullen, de drijfveer waarvan de persoon zelf zich mogelijk niet bewust is.

Geen AI leest dat. Geen AI kan dat. Daarom zijn de zes interviews niet optioneel. Daarom kun je ze niet vervangen door een enquete of een chatbot. Behavioural design begint met het begrijpen van het menselijke wezen achter het gedrag. Dat vereist een mens aan de andere kant van het gesprek.

Wat AI doet, is alles rondom dat gesprek: de voorbereiding, de transcriptie, de analyse, de synthese, het genereren van hypothesen, het literatuuronderzoek, het interventieontwerp. Dat gaat nu allemaal sneller. Het menselijke werk, het echte luisteren, is als gevolg daarvan waardevoller geworden.

Het gecombineerde voordeel

Ik geef al meer dan vijftien jaar Behavioural Design Sprints. De methode is niet veranderd. Je begint nog steeds met de Job-to-be-Done. Je brengt nog steeds de vier krachten in kaart. Je interviewt nog steeds echte mensen. Je ontwerpt nog steeds interventies die de specifieke kracht aanpakken die gedrag op zijn plaats houdt.

Wat is veranderd, is de snelheid waarmee je door elk van die fasen beweegt. En snelheid is in behavioural design niet alleen een operationeel voordeel. Het verandert de kwaliteit van wat je produceert. Als je minder tijd besteedt aan transcriberen en coderen, besteed je meer tijd aan nadenken. Als je in een uur een eerste krachtendiagram hebt in plaats van een dag, heb je meer tijd om het te betwisten. Als je voor de lunch tien hypothesen kunt genereren en stresstesten, ga je 's middags met beter ruwe materiaal aan de slag.

De combinatie van AI en gedragswetenschap gaat er niet over dat AI het gedragsdenken voor je doet. Het gaat erom dat AI het tijdrovende werk doet dat het gedragsdenken ondersteunt, zodat jij meer van het denken kunt doen dat er werkelijk toe doet.

Het inzichtwerk gaat sneller. Het inzicht zelf wordt dieper.

Waar te beginnen

Als je dit wilt gaan toepassen, zou ik beginnen met de interviewanalyse. Voer je volgende ronde kwalitatief onderzoek uit met een transcriptietool. Plak na elk interview het transcript in een taalmodel en vraag het de pijnen en angsten in kaart te brengen die de spreker uitdrukt. Vergelijk zijn analyse met je eigen lezing. Merk op waar het dingen oppikt die jij gemist hebt, en waar jouw lezing dingen oppikt die het heeft gemist.

Die vergelijking is op zichzelf al een leerervaring. Ze leert je wat AI goed ziet, en wat jij goed ziet dat AI niet kan. Zodra je dat onderscheid begrijpt, kun je ze intelligent combineren.

De toepassingen van AI in gedragswerk zijn veel breder dan de meeste mensen al hebben ontdekt. De professionals die zowel de gedragswetenschap als de AI-tools begrijpen, zullen degenen zijn die in de komende jaren het beste inzichtwerk produceren. Niet omdat ze meer data hebben. Omdat ze meer duidelijkheid hebben over wat de data betekent.

PS

Bij SUE hebben we de integratie van AI en gedragswetenschap centraal gesteld in hoe we de Fundamentals Course geven. Niet als aanvulling, maar als onderdeel van de kernmethode. Want de methode wordt aanzienlijk krachtiger als je weet hoe je beide gebruikt. Als je die combinatie in de praktijk wilt ervaren, is de online cursus de snelste manier om er te komen.