Pareto-efficiëntie: de grens waarbij niemand er nog op vooruit kan gaan zonder een ander te benadelen

Bijgewerkt: 27 augustus 2026 · 6 min leestijd

Stel je voor: twee huisgenoten hebben samen een fruitmand met appels en bananen. De een houdt vooral van bananen, de ander vooral van appels, maar toevallig heeft ieder de helft van beide gekregen. Als ze hun fruit ruilen — appels naar de appelliefhebber, bananen naar de bananenliefhebber — worden ze allebei blijer, zonder dat iemand er iets bij inschiet. Zodra ze zo geruild hebben dat er geen enkele ruil meer over is die de een beter maakt zonder de ander slechter te maken, zitten ze in wat economen een Pareto-efficiënte situatie noemen.

Dat klinkt misschien als een open deur, maar het is een van de meest gebruikte maatstaven in de economie, de speltheorie en steeds vaker ook in kunstmatige intelligentie en techniekontwerp. Overal waar meerdere doelen of partijen tegelijk spelen — snelheid versus veiligheid, winst versus milieu, behulpzaamheid versus voorzichtigheid van een chatbot — helpt het begrip om te zien of er nog "gratis winst" te behalen valt, of dat elke verbetering voortaan ergens anders pijn doet. Het artikel op deze site waarin de term voorkwam, verwijst naar precies dat soort afweging: een situatie waarin ontwerpers of algoritmes moeten kiezen tussen concurrerende belangen.

Wat is het precies?

Het begrip is vernoemd naar de Italiaanse econoom Vilfredo Pareto (1848-1923), die rond 1900 als eerste systematisch beschreef wanneer een verdeling van middelen niet meer te verbeteren valt zonder iemand te schaden. Om het stap voor stap op te bouwen, zijn er een paar bouwstenen nodig.

Een Pareto-verbetering is elke verandering waarbij minstens één partij erop vooruitgaat en niemand erop achteruitgaat. In het fruitvoorbeeld hierboven was de ruil zo'n verbetering. Zolang zulke verbeteringen mogelijk zijn, is de huidige situatie per definitie niet efficiënt: er ligt nog waarde "op straat".

Een situatie heet Pareto-efficiënt (of Pareto-optimaal) zodra er geen enkele Pareto-verbetering meer mogelijk is. Let op: dit zegt niets over of de verdeling eerlijk is. Een wereld waarin één persoon alles bezit en de rest niets, kan technisch gezien Pareto-efficiënt zijn, want je kunt niemand meer beter maken zonder de rijke iets af te pakken. Pareto-efficiëntie is dus een uitspraak over verspilling, niet over rechtvaardigheid.

In techniek en kunstmatige intelligentie wordt het begrip vaak gebruikt bij het afwegen van meerdere doelen tegelijk, bijvoorbeeld de nauwkeurigheid van een algoritme versus de rekentijd die het kost. Als je alle mogelijke ontwerpen naast elkaar zet en alleen die overhoudt waarbij geen enkel doel beter kan zonder een ander doel te verslechteren, dan houd je een verzameling over die de Pareto-grens of Pareto-front wordt genoemd. Ontwerpers kiezen daarna, op basis van hun prioriteiten, één punt op die grens.

Wat wil men ermee bereiken?

Het grote voordeel van Pareto-efficiëntie als maatstaf is dat je er geen waardeoordeel voor nodig hebt over hoe belangrijk het ene doel is ten opzichte van het andere. Je hoeft niet te beslissen of veiligheid tien keer zo belangrijk is als snelheid; je kunt alleen al vaststellen welke opties sowieso zinloos zijn omdat er een betere optie bestaat die niemand benadeelt.

In de economie gebruikt men het begrip om te beoordelen of markten en beleidsmaatregelen middelen goed benutten: verspilt een systeem grondstoffen, arbeid of geld, of wordt alles zo goed mogelijk ingezet gegeven de bestaande verdeling? In techniekontwerp en kunstmatige intelligentie helpt het om enorme aantallen mogelijke ontwerpen terug te brengen tot een overzichtelijke lijst van "redelijke" opties, in plaats van blind te zoeken naar hét ene beste ontwerp dat vaak niet bestaat omdat doelen elkaar tegenwerken.

Er zit ook een belangrijke beperking aan vast: Pareto-efficiëntie zegt niets over rechtvaardige verdeling, zoals het fruitvoorbeeld met de extreme ongelijkheid al liet zien. Wie het begrip gebruikt in beleid of algoritmeontwerp, moet dus apart nadenken over eerlijkheid; Pareto-efficiëntie ruimt alleen de overduidelijke verspilling op en laat de morele afweging tussen de overgebleven opties aan mensen over.

Voorbeelden uit de praktijk

Het concept is verre van abstract gebleven en duikt op in uiteenlopende, concrete toepassingen.

Nieruitwisselingsprogramma's. Econoom Alvin Roth ontwikkelde samen met collega's als Tayfun Sönmez en Utku Ünver in de vroege jaren 2000 wiskundige methoden om nierdonoren en -ontvangers efficiënter te koppelen, ook als de donor en ontvanger van een koppel medisch niet bij elkaar passen. Dit werk lag mede aan de basis van echte uitwisselingsprogramma's zoals het National Kidney Registry in de Verenigde Staten. Roth ontving hiervoor in 2012 samen met Lloyd Shapley de Nobelprijs voor de Economie.

Frequentieveilingen. Sinds de eerste grote Amerikaanse spectrumveiling in 1994 ontwerpen economen veilingsystemen waarmee telecomfrequenties zo worden verdeeld dat er zo min mogelijk waarde blijft liggen. Paul Milgrom en Robert Wilson kregen hiervoor in 2020 de Nobelprijs voor de Economie, onder meer voor nieuwe veilingformats die dichter bij een efficiënte uitkomst komen.

Multidoel-optimalisatie in techniek. Het algoritme NSGA-II, gepubliceerd in 2002 door Kalyanmoy Deb en collega's, is een van de meest gebruikte methoden om automatisch een Pareto-front te vinden bij ontwerpen met tegenstrijdige eisen, bijvoorbeeld bij het vormgeven van vliegtuigonderdelen of antennes.

Zuinige neurale netwerken. Onderzoekers van Google publiceerden in 2018 MnasNet, een methode om automatisch neurale netwerken te ontwerpen die zowel nauwkeurig als snel genoeg zijn voor mobiele telefoons. Het zoekproces houdt expliciet een Pareto-front bij van nauwkeurigheid tegenover rekentijd, zodat ontwikkelaars kunnen kiezen hoeveel snelheid ze willen inruilen voor extra precisie.

Afstemmen van taalmodellen. Bij het trainen van chatbots met menselijke feedback botsen "behulpzaam zijn" en "geen schadelijke informatie geven" soms met elkaar. Onderzoekers, onder meer bij Anthropic in een veelgeciteerd rapport uit 2022 over het trainen van een behulpzame en onschadelijke assistent, beschrijven deze afweging expliciet in termen van een Pareto-grens tussen behulpzaamheid en onschadelijkheid.

Hoe ver is de techniek?

Pareto-efficiëntie zelf is geen nieuwe technologie maar een meer dan honderd jaar oud wiskundig begrip; in die zin is er niets aan "onrijp". Wat wél volop in ontwikkeling is, zijn de rekenmethoden om Pareto-fronten te vinden in ingewikkelde, hedendaagse problemen.

Bij twee of drie doelen tegelijk — zeg, kosten, snelheid en veiligheid — lukt het redelijk goed om een volledig Pareto-front te berekenen of te benaderen. Zodra het aantal doelen groeit, bijvoorbeeld bij het afstemmen van een groot taalmodel op tientallen gedragsregels tegelijk, wordt het exponentieel lastiger om alle relevante afwegingen in kaart te brengen; onderzoekers spreken dan van "many-objective optimization" en dat blijft een actief onderzoeksgebied.

Een tweede obstakel is dat Pareto-efficiëntie ervan uitgaat dat je de doelen goed kunt meten. In de economie is dat lastig genoeg — hoe meet je exact iemands "welzijn"? — en bij AI-systemen is het nog moeilijker om bijvoorbeeld "schadelijkheid" of "eerlijkheid" in getallen te vangen. Zolang die metingen onnauwkeurig zijn, is ook het berekende Pareto-front maar zo goed als de aannames erachter. Marktontwerp op basis van dit concept werkt bovendien het best in gecontroleerde omgevingen zoals veilingen; in de rommelige praktijk van echte markten en menselijk gedrag gelden de nette wiskundige aannames minder strikt.

Wie werken eraan?

Het fundamentele economische werk wordt van oudsher gedreven door universiteiten met sterke marktontwerp-groepen, zoals Stanford University, waar zowel Alvin Roth als Paul Milgrom en Robert Wilson actief zijn of waren. Toezichthouders zoals de Amerikaanse telecomwaakhond FCC passen deze inzichten direct toe bij het ontwerpen van spectrumveilingen, en vergelijkbare regelgevers in Europa en elders volgen soortgelijke principes.

Op het gebied van multidoel-optimalisatie in de techniek zijn onderzoeksgroepen in de evolutionaire algoritmen actief, met het Indian Institute of Technology Kanpur (waar Kalyanmoy Deb werkzaam was) als een van de bekendere centra. In de kunstmatige intelligentie werken grote onderzoekslaboratoria als Google DeepMind, Google Research en Anthropic aan het afwegen van conflicterende doelen bij het trainen van modellen, terwijl academische AI-veiligheidsgroepen aan universiteiten dit soort afwegingen ook conceptueel blijven onderzoeken.