Wat er écht gebeurt achter ‘Items die je misschien leuk vindt’: De twee kanten van AI-aanbevelingen

Binnen vijf minuten browsen had ik al drie items in mijn winkelmandje staan — allemaal dankzij "AI-aanbevelingen". Ik ging alleen voor één simpel shirt, maar "Dit vind je misschien ook leuk" leidde me naar een vest en een sjaal. Als je beseft dat 35% van de omzet van Amazon voortkomt uit aanbevelingsalgoritmes (McKinsey), begint het allemaal logisch te worden, toch?

Hoe algoritmes je gedachten lezen

Waarom voelen AI-aanbevelingen soms zo beangstigend nauwkeurig aan? Leest het je gedachten?

Eigenlijk leest het niet je gedachten — het leest je gedrag.

AI verzamelt drie belangrijke soorten signalen. Ten eerste: gedragssignalen. Waar klik je op, hoe lang blijf je ergens naar kijken, waar zoek je naar en wat koop je uiteindelijk? In slechts één sessie worden er al tientallen datapunten verzameld. Ten tweede: productkenmerken, zoals kleur, materiaal, fit, merk en prijsklasse. Ten derde: contextuele informatie, zoals het tijdstip, het weer, je locatie en het apparaat dat je gebruikt.

Door deze drie factoren te combineren, berekent de AI de kans dat jij een specifiek Item leuk vindt. Het identificeert wat mensen met vergelijkbare gedragspatronen leuk vonden — een proces dat 'collaborative filtering' wordt genoemd.

Onlangs is dit nog verder geëvolueerd door de opkomst van conversationele AI. AI kan nu vragen in natuurlijke taal begrijpen, zoals: "Wat moet ik aan naar een casual brunch in het weekend?", en op basis daarvan contextgerichte aanbevelingen doen. Onderzoek toont aan dat deze aanpak leidt tot een nog hogere klanttevredenheid dan traditionele methoden.

Hoewel de technologie zelf indrukwekkend is, ligt het echte probleem ergens anders.

Het design achter het gemak

Hoe nauwkeuriger de AI-aanbevelingen van webshops worden, hoe meer we kopen. Dit is geen toeval; het is zo ontworpen.

Kijk maar eens naar de belangrijkste graadmeter voor het succes van een aanbevelingsalgoritme: de conversieratio — het percentage aanbevelingen dat leidt tot een aankoop. Het doel van het algoritme is om dit getal omhoog te krijgen. Met andere woorden: het is geoptimaliseerd om jou te laten 'kopen', niet noodzakelijkerwijs om je te vertellen wat je echt nodig hebt.

Er zijn verschillende psychologische tactieken in dit systeem ingebouwd:

De filterbubbel. De AI laat je voortdurend stijlen zien die je al leuk vindt. Hoewel dat comfortabel is, kan het ervoor zorgen dat je stijl stil blijft staan en je minder kansen krijgt om iets nieuws te proberen.

Urgentie creëren. Meldingen als "beperkte aanbieding van 24 uur", "3 mensen bekijken dit nu" of "bijna uitverkocht" dwingen je om snel te beslissen. Items die je misschien had overgeslagen als je de tijd had gehad om na te denken, belanden nu in je mandje door een gevoel van urgentie.

Passieve gegevensverzameling. Er worden gegevens verzameld over alles, van het aantal seconden dat je naar een Item kijkt tot hoe snel je scrolt. Deze data wordt teruggevoerd naar het algoritme om een Feed te creëren die steeds moeilijker te weerstaan is.

Dit is niet per definitie slecht. Goede aanbevelingen kunnen je helpen nieuwe merken te ontdekken of Items te vinden die je oprecht nodig hebt. Er is echter een enorm verschil tussen begrijpen hoe dit systeem werkt en er blind voor zijn.

Als je de mechaniek begrijpt, kun je je eigen filter bouwen.

Je Kledingkast als filter

De AI van een webshop weet wat je hebt 'gekocht', maar niet wat je 'bezit'. Het heeft geen idee hoe vaak je een bepaald kledingstuk hebt gedragen, of je al iets vergelijkbaars hebt, of dat dit nieuwe Item wel echt past bij de rest van je garderobe.

Dit is waar de data van je digitale Kledingkast als filter fungeert.

Wanneer je een aanbeveling ziet, open dan je digitale Kledingkast en vraag jezelf af: "Heb ik al een vergelijkbaar gebreid Item in mijn Kledingkast?" "Als ik dit koop, kan ik dan minstens 3 verschillende Outfits maken met mijn bestaande kleren?" "Heb ik al genoeg van deze Categorie?"

Om deze vragen te beantwoorden, heb je feitelijke data over je garderobe nodig. Als je alleen op je geheugen vertrouwt, trap je makkelijk in de val van de gedachte: "Ik geloof niet dat ik zoiets al heb."

Terwijl de AI van platforms is ontworpen om je te laten 'kopen', is je Kledingkast-data bedoeld om je te helpen 'te bepalen of je het echt nodig hebt.' Wanneer je deze twee samen gebruikt, kun je eindelijk komen tot een bewuste, onafhankelijke manier van consumeren.

Maar om dit elke keer handmatig te doen is een gedoe. Je hebt een meer systematische aanpak nodig.

De 5-secondenregel voor aanbevelingen

Je hebt geen diepgaande analyse nodig voor elke aanbeveling. Probeer gewoon deze check van 5 seconden:

"Denk ik hier over 48 uur nog steeds aan?"

Impulsaankopen kenmerken zich door een gevoel van urgentie in het 'nu'. Door jezelf een afkoelperiode van 48 uur te gunnen, blijven de dingen die je écht nodig hebt in je hoofd hangen, terwijl de impulsen vanzelf vervagen.

Door er nog één stap aan toe te voegen, wordt dit nog effectiever: "Kan ik dit Item combineren met minstens 3 bestaande Items in mijn Kledingkast?" Houd alleen Items over als aankoopkandidaat die voor deze test slagen. Als je niet op minstens 3 Outfits kunt komen, zal dat kledingstuk waarschijnlijk ongedragen in de kast blijven liggen.

Alleen al deze twee stappen — de 48-uurs afkoelperiode en de 3-outfit-test — kunnen het overgrote deel van de onnodige aankopen wegfilteren.

AI-aanbevelingen zijn een geweldig hulpmiddel, maar tools zijn alleen nuttig voor degenen die weten hoe ze ze moeten gebruiken. Wanneer je begrijpt hoe algoritmes werken en je eigen Kledingkast-data als filter gebruikt, is AI niet langer iets dat je 'meer laat kopen', maar iets dat je helpt om 'beter te kopen.'

❓ FAQ

V: Moet ik AI-aanbevelingen volledig negeren?
A: Nee. AI-aanbevelingen zijn handig om nieuwe dingen te ontdekken. Het is echter belangrijk om de gewoonte aan te leren om die aanbevelingen te checken met je Kledingkast-data om te beslissen of je het 'echt nodig hebt'.

V: Hoe ontsnap ik aan de filterbubbel?
A: Zoek af en toe bewust naar stijlen die buiten je gebruikelijke voorkeur vallen, of kijk naar de Outfits van vrienden voor inspiratie. De AI Styling-functie van Acloset gebruiken om suggesties voor nieuwe combinaties te krijgen, is ook een goede manier om je horizon te verbreden.

V: Kan ik AI-aanbevelingen filteren binnen Acloset?
A: Omdat Acloset Outfits aanbeveelt op basis van de Kledingkast die je al hebt, richten de suggesties zich op hoe goed dingen passen bij je bestaande kleren. Dit is fundamenteel anders dan de verkoopgedreven aanbevelingen van de meeste webshops.

Referenties & Bronnen:

McKinsey & Company, "The State of Fashion," 2024-2025
ThredUp, "Resale Report," 2025
WRAP UK, "Valuing Our Clothes," 2023

Gepubliceerd door het Acloset Magazine Team.