Als iemand tegenwoordig “Ai” zegt, bedoelt hij bijna altijd een chatbot. Vraag ChatGPT wie het WK wint, en je krijgt een vlot, zelfverzekerd antwoord. Klaar. Dus toen ik footballoracle.nl bouwde, een site die de kansen voor elk WK-duel van 2026 voorspelt, lag de makkelijke route voor de hand: gooi de wedstrijden in een taalmodel en print het antwoord.

Ik heb bewust het tegenovergestelde gedaan. Onder de motorkap van footballoracle.nl zit geen taalmodel dat voetbal “aanvoelt”, maar ouderwetse, saaie, betrouwbare statistiek. En dat is precies waarom ik de voorspellingen durf te publiceren met de kansen erbij. Dit stuk gaat over waarom klassieke wiskunde hier een chatbot verslaat, en wat dat betekent voor de vraag die elke ondernemer zich zou moeten stellen: wanneer heb ik echt Ai nodig, en wanneer een rekenmachine met discipline?

Waarom geen taalmodel?#

Een taalmodel is briljant in taal. Het voorspelt het meest waarschijnlijke volgende woord. Maar “wie wint het WK” is geen taalvraag, het is een kansvraag. En daar wringt het. Als je een chatbot vraagt naar de winkans van Spanje, krijg je een getal dat plausibel klínkt, maar dat nergens op gebaseerd is dat je kunt controleren. Vraag het morgen opnieuw en je krijgt een ander getal. Er zit geen consistent, toetsbaar model achter. Het is een welbespraakte gok.

Voor een voorspelsite is dat dodelijk. Mijn bezoekers gebruiken die kansen om keuzes te maken, bijvoorbeeld voor een voetbalpool. Ze verdienen een getal dat ergens vandaan komt, dat morgen hetzelfde is als de omstandigheden hetzelfde zijn, en dat ik achteraf kan toetsen aan de werkelijkheid. Dat kan een taalmodel niet leveren. Klassieke statistiek wel.

Wat er dan wél onder de motorkap zit#

Het hart van footballoracle.nl is een combinatie van drie beproefde technieken die elkaar aanvullen.

De basis is een Elo-ratingsysteem, hetzelfde idee dat schakers al decennia gebruiken om speelsterkte in één getal te vangen. Elk land heeft een rating die stijgt na een goede prestatie en daalt na een slechte. Ik weeg mee hoe zwaar een wedstrijd telde: een WK-duel weegt zwaarder dan een oefenpotje, en er zit een correctie in voor thuisvoordeel. Zo krijg je een eerlijke inschatting van hoe sterk elk team echt is.

Bovenop die ratings ligt een Dixon-Coles-model, een klassieker uit 1997 die speciaal ontworpen is om voetbaluitslagen te voorspellen. Dat model is er goed in om de kansen op precieze scores te schatten, en het corrigeert een bekende zwakte van simpelere aanpakken: die onderschatten stelselmatig de kans op uitslagen als 0-0 en 1-1. Alles wat de site toont, van winkans tot verwachte score, komt uit dat ene consistente model, zodat de getallen onderling nooit tegenspreken.

En dan de Monte Carlo-simulatie. Het WK is een toernooi met groepsfases, knock-outs en een boom aan mogelijke uitkomsten. Om te weten hoe vaak een land kampioen wordt, speel ik het hele toernooi niet één keer maar tienduizenden keren na, met het complete format van 2026: 48 landen in twaalf groepen. Voor de belangrijke pagina’s draai ik tot honderdduizend simulaties. Als Spanje in 36,7 procent van al die doorgespeelde toernooien wint, dan is dat de winkans. Niet een gevoel, maar een geteld resultaat.

De eerlijkheidstoets: kalibratie en Brier#

Een model dat mooie getallen produceert is nog geen goed model. De vraag is of die getallen kloppen. Daarvoor doe ik twee dingen die een chatbot fundamenteel niet kan.

Ten eerste kalibreer ik tegen de wedkantoren. Bookmakers zijn niet onfeilbaar, maar hun odds zijn een van de scherpste kansinschattingen die er bestaan, simpelweg omdat er geld op het spel staat. Ik reken hun odds terug naar zuivere kansen, waarbij ik de ingebouwde marge van het wedkantoor eruit haal, en gebruik die als ijkpunt. Wijkt mijn model structureel af van de markt, dan is dat een signaal dat er iets mis is, niet dat ik het slimmer weet.

Ten tweede meet ik de kwaliteit met de Brier-score, een standaardmaat die beloont hoe dicht je kansvoorspelling bij de werkelijke uitkomst zat. Elke voorspelling wordt gelogd en achteraf getoetst. Zo weet ik niet alleen dát het model voorspelt, maar ook hóé goed. Dat is de kern: bij een statistisch model kun je de prestatie meten en verbeteren. Bij een welbespraakte gok kun je alleen maar hopen.

Ik heb de concurrentie bekeken#

Ik heb dit niet in een vacuüm bedacht. Voor het WK van 2026 keek ik rond naar wat er speelt. En het valt op: de populairste nieuwe voorspellers zijn juist wél taalmodel-arena’s, waar meerdere chatbots naast elkaar voorspellingen doen met een live scorebord erbij. Dat trekt veel aandacht, en het is vermakelijk. Er zijn ook zwaargewichten die precies doen wat ik doe: honderdduizend simulaties, baseline-ratings per team, nadruk op kansen in plaats van één stellige winnaar. En er zijn academische modellen die in eerdere toernooien de bookmakers wisten te verslaan met een slimme mix van data.

De rode draad in alles wat het goed doet is niet “gebruik het nieuwste taalmodel”. De rode draad is transparantie en het live bijhouden van hoe accuraat je bent. Mensen vertrouwen een voorspelling waarvan ze de aannames en de trackrecord kunnen zien. Precies daarin is een statistisch model sterk: ik kan mijn databronnen, mijn aannames en mijn prestaties tonen, want ze bestaan als toetsbare cijfers. Een chatbot kan alleen zeggen “vertrouw me”.

Wat een MKB-lezer hieruit haalt#

De belangrijkste les van footballoracle.nl heeft niets met voetbal te maken. Het is deze: Ai is niet hetzelfde als een chatbot, en de dure, indrukwekkende oplossing is lang niet altijd de beste.

Voor een meetbaar, terugkerend probleem, met cijfers die je kunt verzamelen en een uitkomst die je achteraf kunt controleren, is klassieke statistiek vaak beter, goedkoper én beter uit te leggen dan een taalmodel. Denk aan het voorspellen van vraag, het inschatten van klantverloop, het herkennen van afwijkingen in je cijfers, het bepalen van de beste prijs. Dat zijn kansvragen, geen taalvragen. Daar wil je een model dat consistent is, dat je kunt meten en verbeteren, en dat morgen hetzelfde antwoord geeft bij dezelfde invoer.

Dat betekent niet dat taalmodellen waardeloos zijn, integendeel. Ik gebruik ze volop, maar voor waar ze goed in zijn: dingen bouwen, teksten schrijven, code opstellen, systemen bewaken en uitleggen. Het rekenwerk zelf, het voorspellen van kansen, laat ik aan de statistiek. Het is verleidelijk om overal je nieuwe hamer op los te laten, maar de kunst zit in het kiezen van het juiste gereedschap. Een chatbot die zelfverzekerd een percentage noemt, is nog geen voorspelling. Een getal dat je kunt narekenen en toetsen, dat is er wel een.

De volgende keer dat iemand voorstelt om een probleem op te lossen door “het gewoon aan ChatGPT te vragen”, is de scherpste vraag die je kunt stellen: kunnen we dit antwoord meten en controleren? Zo niet, dan heb je misschien geen chatbot nodig, maar een model.

Zelf aan de slag#

Nadenken over welk gereedschap bij welke taak hoort, en wat je wel en niet aan een geautomatiseerd systeem uit handen geeft, is precies waar mijn Ai-stoplicht je bij helpt. Dat en ander gratis materiaal vind je bij de downloads.

Twijfel je of een bepaald vraagstuk in jouw bedrijf om een chatbot vraagt of juist om een meetbaar model? Kijk dan op de consulting-pagina. Ik help je liever de goede vraag stellen dan de duurste oplossing verkopen.