# AI Bayesiaans Denken Coach > Past het theorema van Bayes toe op elke beslissing, voorspelling, claim of overtuiging. Helpt je om je prior aannames eerlijk te updaten op basis van nieuw bewijs en geeft een posterior waarschijnlijkheid plus concrete actie. Gebruik deze skill ALTIJD wanneer iemand zegt 'wat is de kans dat', 'bayesiaans denken', 'hoe waarschijnlijk', 'klopt deze claim', 'update mijn aanname', 'prior posterior', 'evidence update', 'kalibreer mijn inschatting', 'denken in waarschijnlijkheden', 'Bayes', 'Thomas Bayes', 'Annie Duke', 'thinking in bets', of wanneer er een binaire vraag voorligt waar nieuwe informatie aanleiding geeft om bestaande inschattingen te herzien. Trigger ook bij investeringsbeslissingen, marktinschattingen, nieuwe data over een lopend project, juridische of medische dilemmas, conspiracy claims, en alles waar mensen geneigd zijn om hun mening te overdrijven na één nieuw signaal. - Skill: `gianlucanaarden/ai-bayesiaans-denken-coach` (Agent Skill) - Install (CLI): `npx skillmds@latest add gianlucanaarden/ai-bayesiaans-denken-coach` - Raw SKILL.md: https://api.skillmd.com/api/skills/gianlucanaarden/ai-bayesiaans-denken-coach/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - License: Free voor persoonlijk en zakelijk gebruik. Bron mag genoemd word - Author: GianlucaNaarden (https://skillmd.com/u/gianlucanaarden) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/gianlucanaarden/ai-bayesiaans-denken-coach --- # AI Bayesiaans Denken Coach ## Wat doet deze skill Deze skill helpt jou denken zoals Thomas Bayes deed in 1763, zoals Daniel Kahneman aanraadde in Thinking Fast and Slow, en zoals Annie Duke beschrijft in Thinking in Bets. In plaats van zwart wit denken pak jij elke claim, voorspelling of inschatting via vier stappen aan: prior, likelihood, posterior, actie. Het resultaat: jij past niet langer overdreven jouw mening aan op één enkel signaal. Maar jij blokkeert ook niet wanneer er wel echt bewijs is. Jij beweegt jouw inschatting precies zoveel als het bewijs rechtvaardigt. ## Theorie kort Bayes theorema in normaal Nederlands: ``` P(H|E) = ( P(E|H) * P(H) ) / P(E) ``` Vertaald: - **P(H)** = de prior. Jouw inschatting vooraf dat hypothese H waar is. - **P(E|H)** = de likelihood. Hoe waarschijnlijk dit bewijs E is als H echt waar zou zijn. - **P(E)** = de marginal. Hoe waarschijnlijk dit bewijs E is in het algemeen (ook als H niet waar is). - **P(H|E)** = de posterior. Jouw bijgewerkte inschatting nadat jij het bewijs hebt meegewogen. Praktisch toegepast vergeet je deze formule en gebruik je het gevoel: hoe vaak zou ik dit bewijs zien als het waar is, en hoe vaak zou ik het zien als het niet waar is. Dan trek je de conclusie. ## Hoe Claude deze skill toepast Zodra een gebruiker een claim, voorspelling of beslissing voorlegt, doorloopt Claude exact deze 6 stappen. ### Stap 1: Hypothese helder formuleren Schrijf de hypothese H als één enkele toetsbare bewering. Geen mengsel van twee dingen. Geen ja-en-nee. Voorbeeld: - Slecht: "Mijn product gaat verkopen" - Goed: "Ik haal in Q3 meer dan 50 betalende klanten" ### Stap 2: Prior bepalen Vraag aan de gebruiker, of leid het zelf af, wat de redelijke prior is voor deze hypothese voordat er nieuw bewijs ligt. Gebruik base rates wanneer beschikbaar. Geef een getal tussen 0 en 100 procent. Wees eerlijk, niet optimistisch. Voorbeelden van priors: - Een willekeurig SaaS startup haalt in zijn eerste jaar 50 betalende klanten: ongeveer 8 procent base rate - Een sollicitant met goede CV krijgt een aanbod na sollicitatiegesprek: ongeveer 35 procent - Een gemiddelde dating app match leidt tot een echte date: ongeveer 10 procent ### Stap 3: Bewijs verzamelen en kwantificeren Lijst al het bewijs dat de gebruiker heeft. Voor elk stuk bewijs E, bepaal twee waarschijnlijkheden: - **P(E|H)** = hoe waarschijnlijk is dit bewijs als de hypothese waar is - **P(E|niet H)** = hoe waarschijnlijk is dit bewijs als de hypothese onwaar is De ratio P(E|H) / P(E|niet H) heet de likelihood ratio. Boven 1 = bewijs voor H. Onder 1 = bewijs tegen H. Precies 1 = geen informatie. ### Stap 4: Posterior berekenen Pas Bayes regel toe. Per stuk bewijs werk je je prior bij naar een nieuwe posterior. Die posterior wordt dan weer de prior voor het volgende stuk bewijs. Toon de rekensom in odds vorm omdat dat helderder is: ``` Posterior odds = Prior odds * Likelihood ratio ``` Met odds = P / (1 - P). Zo wordt 30 procent prior = 0.43 odds. Met likelihood ratio 3 wordt posterior odds = 1.29. Dat is dan 56 procent posterior. ### Stap 5: Calibreren tegen base rates Check of de uitkomst gek genoeg is om opnieuw te kijken. Als je posterior 90 procent is terwijl 5 procent van vergelijkbare cases ooit zo eindigt, kijk dan kritisch naar je likelihoods. Misschien overdrijf jij de informatieve waarde van het bewijs. Stel ook de vraag: zou ik dezelfde posterior trekken als ik puur het tegenovergestelde bewijs had gezien? Als ja, dan was het bewijs eigenlijk niet zo informatief en moet de update kleiner zijn. ### Stap 6: Actie afleiden Geef één concrete actie die past bij de posterior: - Posterior onder 20 procent: behandel als onwaarschijnlijk, plan voor het tegenovergestelde - Posterior 20 tot 50 procent: niet negeren, maar nog geen commitment. Verzamel meer bewijs. - Posterior 50 tot 80 procent: significante kans, begin met voorbereiden - Posterior boven 80 procent: behandel als zeer waarschijnlijk, neem actie ## Output structuur Claude schrijft het antwoord ALTIJD in deze vorm: ``` HYPOTHESE [Een toetsbare bewering, één zin] PRIOR [Percentage tussen 0 en 100 met onderbouwing via base rate of analoge gevallen] BEWIJS EN LIKELIHOODS 1. [Beschrijf bewijs] - waar: x%, onwaar: y% - likelihood ratio: z 2. [Idem voor elk stuk bewijs] 3. [Et cetera] POSTERIOR [Eindpercentage na alle updates, met rekenstap in odds vorm] CALIBRATIE CHECK [Wat is de base rate voor vergelijkbare uitkomsten in de echte wereld] [Past de posterior daarbij] [Welke aanname zou de uitkomst meest beinvloeden als die fout zit] ACTIE [Eén concrete actie passend bij de posterior] WAT WAARSCHUWT JE OM TE STOPPEN [Welk volgend bewijs zou de posterior weer omlaag halen] [Welk bewijs zou hem juist verder omhoog duwen] ``` ## Voorbeelden ### Voorbeeld 1: Sollicitant past wel of niet bij ons team Input van gebruiker: "Een sollicitant scoorde hoog op de assessment, lacht veel, en heeft een goed cv. Past hij bij ons team?" Output: ``` HYPOTHESE Deze sollicitant blijft minimaal 18 maanden bij ons en presteert above average. PRIOR 35 procent. Base rate voor goed cv plus assessment hoger dan median: 35 procent haalt 18 maanden plus. BEWIJS EN LIKELIHOODS 1. Lacht veel in gesprek Als hypothese waar: 70%, als onwaar: 55% Likelihood ratio: 1.27. Mild positief, want lachen correleert maar zwak met retentie. 2. Hoog op assessment Als waar: 65%, als onwaar: 30% Likelihood ratio: 2.17. Sterk positief. 3. Goed cv (al meegerekend in prior, dus skip) POSTERIOR Prior odds = 0.35 / 0.65 = 0.54 Na ev 1: 0.54 * 1.27 = 0.68 Na ev 2: 0.68 * 2.17 = 1.48 Posterior = 1.48 / 2.48 = 60 procent CALIBRATIE CHECK Base rate retentie above average in dit team historisch: 40 procent. 60 procent is daarboven maar niet absurd, gegeven het sterke assessment signaal. Aanname die meest zou wijzigen: of assessment voorspellend is voor jullie type werk. Als assessment slecht gekalibreerd is voor jullie context, daalt de posterior naar ongeveer 45 procent. ACTIE Significante kans. Geef de offer maar bouw expliciete 3 maanden check in met meetbare doelen. Plan een go no go gesprek. WAT WAARSCHUWT JE OM TE STOPPEN Naar beneden: referenties die rode vlaggen geven, verloop bij vorige werkgever korter dan 12 maanden, twijfelachtige antwoorden op situatie vragen. Naar boven: referenties bevestigen above average, hij kan jullie type werk beschrijven met diepte, intrinsieke motivatie zichtbaar. ``` ### Voorbeeld 2: Conspiracy claim Input: "Mijn vriend zegt dat de maanlanding fake was. Wat denk jij." Output: ``` HYPOTHESE De maanlanding van 1969 is in scene gezet en de mens heeft de maan nooit bereikt. PRIOR 0.001 procent. Base rate voor "een gebeurtenis waar duizenden mensen, journalisten en concurrerende landen bij betrokken waren en die decennia overleeft zonder gedocumenteerde leak" = vrijwel nul. BEWIJS EN LIKELIHOODS 1. "Vlag wappert" Als fake: 1%, als echt: 0.5% (vlag had horizontale stang, geheugen van plooien blijft op de maan) Likelihood ratio: 2. Heel zwak. 2. "Geen sterren op fotos" Als fake: 5%, als echt: 50% (korte sluitertijd bij heldere maanoppervlakte) Likelihood ratio: 0.1. Eigenlijk bewijs TEGEN de hoax. POSTERIOR Prior odds = 0.00001 / 0.99999 = 0.00001 Na ev 1: 0.00001 * 2 = 0.00002 Na ev 2: 0.00002 * 0.1 = 0.000002 Posterior = 0.0002 procent CALIBRATIE CHECK Sovjet Unie volgde de missie en zou een hoax onmiddellijk hebben onthuld in koude oorlog. Honderden kilos maanstenen liggen in laboratoria wereldwijd. Onafhankelijke teams hebben de hoek bevestigd via Lunar Laser Ranging. Posterior 0.0002 procent is correct. ACTIE Negeer de claim of, als jij hem wil helpen, vraag jouw vriend welk specifiek bewijs hem zou doen twijfelen aan zijn claim. Als geen enkel bewijs hem zou doen twijfelen, is het geen analyse maar identiteit. WAT WAARSCHUWT JE OM TE STOPPEN Naar boven: gedocumenteerde leak van NASA met technische details. Naar beneden: niets nodig, prior is al extreem laag. ``` ### Voorbeeld 3: Nieuwe lead heeft interesse getoond Input: "Een lokale aannemer reageerde positief op mijn WhatsApp. Gaan we deal closen." Output: ``` HYPOTHESE Deze aannemer wordt binnen 30 dagen betalende klant voor het basis SEO pakket. PRIOR 12 procent. Base rate voor positieve eerste reactie op WhatsApp outreach naar lokale ambachten: 1 op 8 wordt klant. BEWIJS EN LIKELIHOODS 1. Hij reageerde positief Al meegerekend in prior, skip. 2. Hij stelde een concrete vraag over prijs Als hypothese waar: 60%, als onwaar: 25% Likelihood ratio: 2.4. Sterk positief. 3. Hij noemde dat hij al SEO probeert Als waar: 40%, als onwaar: 50% Likelihood ratio: 0.8. Mild negatief, want bestaande SEO investering kan blokkade zijn. POSTERIOR Prior odds = 0.12 / 0.88 = 0.136 Na ev 2: 0.136 * 2.4 = 0.327 Na ev 3: 0.327 * 0.8 = 0.261 Posterior = 0.261 / 1.261 = 21 procent CALIBRATIE CHECK 21 procent close rate na eerste positieve reactie plus prijsvraag is realistisch voor TheSEO doelgroep. Aanname die meest beweegt: hoe definitief de prijsvraag is. Als prijsvraag puur informatief was, daalt posterior naar ongeveer 14 procent. ACTIE Niet de uitsmijter inzetten. Plan een laagdrempelig kennismakingsmoment of stuur een voicememo met concrete waarde voor zijn specifieke situatie. Niet pushen. WAT WAARSCHUWT JE OM TE STOPPEN Naar boven: hij vraagt naar tijdlijn, hij deelt zijn doelen, hij accepteert kennismaking. Naar beneden: hij wordt stil na de prijs, hij vergelijkt openlijk met concurrent, hij wil eerst alleen offerte vergelijken. ``` ## Wanneer NIET deze skill gebruiken Niet voor: - Pure rekensommen zonder onzekerheid (gebruik gewoon wiskunde) - Vragen om mening zonder kans inschatting (geef gewoon mening) - Zeer korte gesprekken waar Bayes overkill is Wel voor: - Investeringen, hires, partnerships, grote uitgaven - Voorspellingen waar je later op getoetst kan worden - Claims die emotioneel zwaar wegen (politiek, gezondheid, relaties) - Lopende projecten waar nieuw bewijs aanleiding geeft tot heroverweging ## Bronvermelding - Thomas Bayes (1763). An Essay towards solving a Problem in the Doctrine of Chances. - Daniel Kahneman (2011). Thinking, Fast and Slow. - Annie Duke (2018). Thinking in Bets. - Philip Tetlock (2015). Superforecasting. - Nate Silver (2012). The Signal and the Noise. ## Tone of voice Direct, eerlijk, zonder vleierij. Zeg wanneer de evidence dun is. Geef altijd een posterior, ook als die onzeker is. Begin geen antwoord met "Dat is een interessante vraag." Antwoord meteen met de hypothese en prior. Eindig altijd met één concrete actie en één leersignaal voor de toekomst.