Het is een zomerse ochtend. Peter wrijft de slaap uit z’n ogen en loopt de keuken in. Z’n moeder staat aan het aanrecht en maakt het ontbijt klaar. Vader zit aan de eettafel en leest de Arts en Auto. Tijdens het ontbijt zegt vader tegen Peter: “Ik rij vandaag met de cabrio naar m’n werk, wil je een lift?” Peter gaat graag op het aanbod in en iets later rijden ze samen van huis. Vlak buiten het dorp slaat het noodlot toe. Een vrachtwagenchauffeur neemt een bocht te ruim en botst frontaal op de cabrio.

Het ambulance team dat ter plaatse komt constateert dat vader ter plekke is overleden. Zijn verwondingen zijn te ernstig. Peter is zwaargewond. Hij heeft ernstig hersenletsel en moet spoed geopereerd moet worden. De ambulance rijdt met gillende sirenes naar het dichtstbijzijnde traumacentrum. Vanaf de spoedeisende hulp wordt hij direct overgebracht naar de operatiekamers waar de neurochirurg klaar staat. Op het moment dat hij de operatiekamer wordt opgereden roept de chirurg: Peter, m’n zoon! Ik kan dit niet, ik kan mijn eigen zoon niet opereren!

Onbewuste vooroordelen

Onbewust zijn onze breinen een beetje gebiast. We gaan er bij een chirurg snel van uit dat het een man zal zijn. Ditzelfde geldt voor leiders. Terwijl de wetenschap laat zien dat vrouwelijk leiderschap net zo effectief is als mannelijk leiderschap, benoemen zowel mannen als vrouwen vaak onbewust meer ‘mannelijke’ eigenschappen als ze de eigenschappen van een goed leider moeten noemen. Dit is iets om rekening mee te houden

Deze simulatie laat het effect van deze onbewuste bias zien op promoties. Stel: Om de top van een bepaald bedrijf te bereiken moet je acht opvolgende carrièrestappen nemen. In de eerste laag beginnen vijftig mannen en vijftig vrouwen. Bij elke promotieronde is er 1% positieve bias voor mannelijke eigenschappen. Een minimaal verschil in beoordeling. In de eerste ronde zal die ene procent weinig uitmaken maar aan de top van de organisatie is nog maar 35% vrouw. In de VS is slechts 20% van de bestuurders in de top1000 bedrijven is vrouw. In kleine bedrijven is dit aantal nog lager.

Google laat in deze training zien wat onbewuste bias precies is, welke effecten het heeft en hoe je er mee om kunt gaan.

Invloed van onbewuste vooroordelen op innovatie

De ontwikkelingen op het gebied van ICT kunnen als het gaat om onbewuste vooroordelen zowel een vloek als een zegen zijn. Technologische vooruitgang raakt beroepen waar mannen traditioneel dominant zijn het hardst. Denk bijvoorbeeld aan analytische, individuele beroepen zoals IT en productiewerk maar ook chauffeurs en controlers. Beroepen waar EQ en samenwerken belangrijker zijn zullen minder snel overgenomen worden door slimme robots. Vanzelf zullen eigenschappen waar vrouwen hoger op scoren (empathie, compassie, betrokkenheid) belangrijker worden.

Slimme computers leren van ons. Als wij ze volstoppen met onze onbewuste bias, zal dit blijven voortleven in onze systemen. Machine learning gebruikt enorme bestaande datasets. Maar hoe komen we aan die data? Goede databestanden zijn duur. Vaak heeft er bias plaatsgevonden in het bouwen van een dataset.

Technologie verandert hoe we denken en werken. We kunnen techniek inzetten als kracht. Techniek kan helpen om bijvoorbeeld (onbewuste) discriminatie te voorkomen. Tegelijkertijd kan een met bias geladen algoritme enorme negatieve impact hebben op ons. Dat lukt ons alleen als wij ons bewust zijn van onze eigen bias en voorkomen dat we die bias in onze systemen vastleggen.