AI in recruitment: wat werkt, wat mag en waar de mens beslist
Bij SciSports lieten we algoritmes duizenden wedstrijden doorrekenen. Geen scout kan dat met de hand. Maar een model hoort een transfer niet te beslissen. Een scout gaat kijken, praat met de trainer en belt iemand die de speler kent. Pas dan valt het besluit.
Daar sta ik nog steeds. AI doet het rekenwerk, de recruiter beslist. Recruitment is en blijft mensenwerk, ook als de tools beter worden. Deze pagina laat zien waar AI je werk sneller en beter maakt, waar het fout gaat, wat de wet vraagt en hoe je een tool test voordat je hem op echte kandidaten loslaat.
Inhoud
- Waar AI in het wervingsproces zit
- Wat werkt: rekenwerk, structuur en snelheid
- Wat misgaat: bias, schijnprecisie en oude data
- Wat mag: AI Act, AVG en de ondernemingsraad
- Waar de mens beslist
- Generatieve AI in je dagelijkse werk
- Kandidaten gebruiken ook AI
- Een AI-tool kiezen: tien vragen aan de leverancier
- Een AI-tool testen op bias: stappenplan
- Tools en verder lezen
- Veelgestelde vragen
Waar AI in het wervingsproces zit
AI vormt geen aparte stap in je proces: het zit verstopt in bijna elke tool die je al gebruikt. Loop je funnel van begin tot eind langs, dan kom je het op zeven plekken tegen.
Sourcing. Zoekmachines als Juicebox (PeopleGPT) laten je in gewone taal beschrijven wie je zoekt. Platforms als hireEZ, SeekOut en Findem verzamelen profielen van het open web en verrijken die. Welke categorieën er zijn en wat ze waard zijn, staat in AI-sourcingtools vergeleken.
Cv-parsing en matching. Textkernel leest cv’s uit en zet ze om in gestructureerde velden; talent intelligence-platforms als Eightfold AI matchen op vaardigheden. Zie ook cv-parsing en matching in de woordenlijst.
Vacatureteksten. Textio en Datapeople analyseren je tekst op taal die bepaalde groepen afschrikt. Generatieve AI schrijft er een eerste versie bij. Wat dat voor Nederlandse teksten waard is, lees je in vacatureteksten verbeteren met tools.
Interviewnotities. Metaview en BrightHire nemen gesprekken op, maken samenvattingen en zetten die in je ATS. Meer in een AI-notulist bij het sollicitatiegesprek.
Chatbots en screening. Conversational AI zoals Paradox beantwoordt vragen van kandidaten, stelt screeningsvragen en plant afspraken. Bij volume hiring doet Fountain iets vergelijkbaars voor frontlinefuncties.
Scheduling. GoodTime en ModernLoop plannen interviewrondes met meerdere interviewers. Dit is de minst spannende toepassing en vaak de nuttigste; zie interviewplanning automatiseren.
Assessment. Platforms als HireVue en Harver combineren video, games en tests. Hier zit het grootste juridische risico, omdat de tool rechtstreeks een oordeel over een mens geeft.
Wat werkt: rekenwerk, structuur en snelheid
AI is goed in veel data doorzoeken, patronen vinden en saai werk overnemen. Dat is precies het deel van recruitment waar mensen slecht in zijn of geen tijd voor hebben. In de praktijk levert dat vier voordelen op.
Het eerste voordeel is bereik. Neem sourcing. Een recruiter die met de hand zoekt, kijkt in LinkedIn en in zijn eigen netwerk. Een tool kijkt in veel meer bronnen tegelijk. Daarmee wordt de vijver groter, en dat is waar de beste kandidaten vaak zitten. Bij SciSports vonden we zo spelers die geen scout op zijn lijstje had, omdat ze bij een kleine club op de bank zaten.
Het tweede voordeel is structuur. Onderzoek naar selectie laat al decennia zien dat vaste regels beter voorspellen dan een totaaloordeel op gevoel. Een meta-analyse van Kuncel en collega’s (2013) vond dat mensen die selectiedata met een vaste formule combineren, betere voorspellingen doen dan mensen die dezelfde data holistisch wegen. Een algoritme dwingt je om vooraf te bepalen wat je meet en hoe zwaar het weegt. Dat is winst, ook als je de formule zelf in een spreadsheet zet.
Het derde voordeel is tijd. Planning, notities, eerste versies van berichten en samenvattingen kosten recruiters uren per week. Die uren kun je beter besteden aan gesprekken met kandidaten en hiring managers.
Een vierde voordeel krijg je alleen als je er moeite voor doet: matchen op vaardigheden in plaats van op functietitels. Een tool die een cv leest als een verzameling vaardigheden, kan een docent herkennen als kandidaat voor een trainersrol, of een monteur als kandidaat voor een technische binnendienst. Dat werkt alleen als jij vooraf vastlegt welke vaardigheden de functie vraagt. Zonder die definitie zoekt de tool naar mensen die lijken op wie je vroeger aannam, en dan wordt de vijver juist kleiner. Meer daarover in skills-based hiring.
Al deze voordelen werken het best bij taken waar je een fout makkelijk herstelt. Een gemiste kandidaat in een zoekopdracht vind je met een tweede zoekopdracht alsnog. Een verkeerd ingeplande afspraak verzet je. Een onterechte afwijzing herstel je meestal niet, want die kandidaat solliciteert niet opnieuw. Hoe dichter een toepassing bij een oordeel over een mens komt, hoe voorzichtiger je moet zijn.
Wat misgaat: bias, schijnprecisie en oude data
Het bekendste voorbeeld is Amazon. Het bedrijf bouwde een model dat cv’s scoorde, getraind op tien jaar aan sollicitaties. Omdat die sollicitaties vooral van mannen kwamen, leerde het model cv’s van vrouwen lager te waarderen. Volgens Reuters stopte Amazon met de tool. Amazon was geen uitzondering. Elk model leert van het verleden, en het verleden van de meeste organisaties is niet neutraal.
Onderzoeksjournalist Hilke Schellmann testte voor haar boek The Algorithm een reeks AI-wervingstools zelf en liet zien waar ze falen. Cathy O’Neil beschreef in Weapons of Math Destruction al eerder hoe algoritmes bestaande ongelijkheid versterken, met voorbeelden uit werving. Lees die twee boeken voordat je een contract tekent.
Naast algoritmische bias zie ik in de praktijk twee andere problemen. Het eerste is schijnprecisie. Een match van 87 procent voelt exact, maar niemand kan je vertellen wat het verschil met 84 procent betekent. Het tweede is oude data. Een profiel op het open web is soms jaren oud. De tool zegt dat iemand bij bedrijf A werkt, terwijl die persoon al twee banen verder is.
Er is nog een derde, menselijk probleem: automation bias. Als de tool een kandidaat bovenaan zet, kijken we minder kritisch. Dan beslist de tool alsnog, alleen heeft niemand het zo afgesproken.
Wat mag: AI Act, AVG en de ondernemingsraad
AI Act
De AI-verordening noemt AI-systemen voor werving en selectie expliciet in bijlage III, punt 4: systemen voor het gericht plaatsen van vacatures, het analyseren en filteren van sollicitaties en het beoordelen van kandidaten. Die gelden als hoog risico.
Twee regels gelden al. Sinds 2 februari 2025 is emotieherkenning op de werkplek verboden, en dus ook in sollicitatiegesprekken. Een tool die uit je stem of gezichtsuitdrukking afleidt hoe enthousiast je bent, mag je niet gebruiken. Sinds dezelfde datum moet je zorgen dat de mensen die met AI werken voldoende AI-geletterd zijn.
De zware eisen voor hoog-risicosystemen zijn uitgesteld. Door de Digital Omnibus, sinds 27 juli 2026 in werking, gelden ze voor bijlage III vanaf 2 december 2027 in plaats van 2 augustus 2026. Leveranciers moeten dan onder meer een risicobeheersysteem, datakwaliteit, logging, documentatie en menselijk toezicht kunnen aantonen. Als werkgever ben je gebruiksverantwoordelijke: je gebruikt het systeem volgens de instructies, regelt menselijk toezicht door mensen met de juiste kennis, bewaart logs minstens zes maanden en informeert kandidaten en werknemersvertegenwoordigers. De uitwerking staat in de AI Act voor werving.
AVG artikel 22
De AVG verbiedt in beginsel besluiten die uitsluitend op geautomatiseerde verwerking berusten en iemand in aanmerkelijke mate treffen. Een automatische afwijzing van een sollicitant valt daar al snel onder. Laat een mens elke afwijzing bekijken, en zorg dat die mens het oordeel van de tool ook kan overrulen. Een vinkje “gezien” is geen menselijke tussenkomst. Bij een nieuwe AI-selectietool hoort ook een DPIA.
De ondernemingsraad
De WOR geeft de ondernemingsraad instemmingsrecht bij regelingen over personeelsbeoordeling, sollicitatiebeleid en de verwerking van persoonsgegevens (artikel 27). Een AI-tool in je selectie raakt alle drie. Betrek de OR voordat je tekent, niet erna. Hoe je dat aanpakt, lees je in de OR en je recruitmenttool.
Waar de mens beslist
Ik werk met een eenvoudige verdeling in drie fases. Ik gebruik die bij Akela, mijn eigen bedrijf, maar je kunt hem op elk proces toepassen.
In de eerste fase zoek je professionele data die relevant is voor de vacature. Daar mag de machine breed gaan: meer bronnen, meer profielen, minder blinde vlekken. In de tweede fase selecteer je met de hand en verrijk je gericht. Je haalt pas extra gegevens op over mensen die een recruiter al relevant vond, en niet over iedereen die toevallig in de zoekresultaten stond. Dat is beter voor de kwaliteit en beter voor de AVG. In de derde fase laat je AI analyseren en samenvatten, en het eindoordeel ligt bij de recruiter.
Een regel die ik daar altijd aan toevoeg: weet de tool het niet zeker, dan moet hij dat zeggen. “Geen bron gevonden” is een bruikbaar antwoord. Een gok die als feit wordt gepresenteerd, is gevaarlijk.
Concreet beslist de mens over vier dingen: wie er op de shortlist komt, wie er wordt afgewezen, wat er in een gesprek wordt gevraagd en wie er een aanbod krijgt. De tool mag voorstellen doen bij alle vier. Hij mag er geen enkele zelf nemen.
Generatieve AI in je dagelijkse werk
Veel recruiters gebruiken AI zonder speciale tool, via een algemeen taalmodel in de browser. Ze laten een vacaturetekst herschrijven, een sourcingbericht opzetten, een zoekstring bouwen of een lange notitie samenvatten. Dat is nuttig, en het is ook een plek waar makkelijk fouten ontstaan, omdat er geen leverancier, geen contract en geen DPIA tussen zit.
Drie afspraken die ik iedereen aanraad.
Geen persoonsgegevens in een publieke tool. Een cv, een gespreksverslag of een referentie plak je niet in een gratis chatbot. Je weet niet waar die gegevens blijven en of ze worden gebruikt om het model te trainen. Gebruik een zakelijke versie waarvoor je organisatie een verwerkersovereenkomst heeft, of haal namen en herkenbare details eerst weg.
Controleer elke bewering. Een taalmodel vult gaten op met wat waarschijnlijk klinkt. In een vacaturetekst wordt dat een thuiswerkregeling die je niet hebt. In een samenvatting van een gesprek wordt het een uitspraak die de kandidaat nooit deed. Lees alles na wat naar een kandidaat of hiring manager gaat.
Laat het model niet oordelen. “Welke van deze vijf kandidaten is het beste?” is een vraag die je niet aan een chatbot stelt. Het model kent je criteria en je context niet, en het draagt geen verantwoordelijkheid. Laat het ordenen, samenvatten en formuleren. Het oordeel blijft bij jou.
Hoe je generatieve AI inzet voor vacatureteksten, staat in vacatureteksten verbeteren met tools. Voor sourcingberichten: zie een sourcingbericht schrijven.
Kandidaten gebruiken ook AI
Ook aan de andere kant van de tafel zit AI. Kandidaten laten motivatiebrieven schrijven, cv’s herschrijven op de woorden uit je vacature en oefenen sollicitatiegesprekken met een chatbot. Dat is hun goed recht, en het verandert wat je kunt afleiden uit wat ze insturen.
Een motivatiebrief zegt daardoor minder over hoe iemand schrijft of denkt. Een cv dat perfect aansluit op je vacaturetekst kan een goede match zijn, of een goede prompt. Tools die cv’s scoren op overeenkomst met de vacature, trappen daar makkelijker in.
Wat helpt, is selecteren op dingen die moeilijk na te maken zijn. Een werkproef waarin iemand een echte taak uitvoert. Een gestructureerd interview waarin je doorvraagt op concrete voorbeelden tot je weet wat iemand zelf deed. Een referentiecheck bij iemand die met de kandidaat werkte. Een motivatiebrief kun je beter vervangen door één gerichte vraag in het sollicitatieformulier, of helemaal weglaten.
Wees ook eerlijk naar kandidaten over wat je van hen verwacht. Mag een kandidaat AI gebruiken bij een thuisopdracht? Zeg het vooraf. Spreek je een regel niet uit, dan kun je hem achteraf ook niet handhaven.
Een AI-tool kiezen: tien vragen aan de leverancier
Een demo laat zien wat een tool kan als alles meezit. Deze vragen laten zien wat er gebeurt als het tegenzit.
- Welke beslissing neemt de tool, en welke laat hij aan de gebruiker?
- Op welke data is het model getraind, en uit welke landen en sectoren komt die?
- Werkt de tool op Nederlandse teksten, en is dat getest of vertaald?
- Welke bias-tests heb je gedaan, en kan ik de resultaten per groep zien?
- Kan een recruiter elke score zien, begrijpen en overrulen?
- Waar worden de gegevens van kandidaten opgeslagen, hoe lang, en wordt ermee getraind?
- Is er een verwerkersovereenkomst, en wie zijn de subverwerkers?
- Hoe bereid je je voor op de hoog-risico-eisen van de AI Act?
- Welke logs bewaart de tool, en kan ik die exporteren?
- Welke klanten in Nederland kan ik bellen?
Een leverancier die vragen 4, 5 en 8 ontwijkt, kun je beter laten lopen. Een overzicht van Nederlandse aanbieders staat in Nederlandse recruitment tech, en hoe je een ATS kiest waarin zo’n tool past, lees je in een ATS kiezen.
Een AI-tool testen op bias: stappenplan
Je hoeft geen data scientist te zijn om een tool te testen. Je moet wel de tijd nemen voordat je hem inzet.
- Vraag de documentatie op. Waarop is het model getraind, welke kenmerken gebruikt het, en welke bias-tests deed de leverancier? Vraag de resultaten per groep, niet alleen een geruststellende zin. Een leverancier die dit niet kan leveren, is vanaf december 2027 sowieso een probleem.
- Leg vast wat de tool moet voorspellen. Koppel elke score aan een criterium uit je scorecard. Kun je niet uitleggen wat een hoge score betekent voor het werk, gebruik hem dan niet.
- Draai een schaduwtest. Laat de tool een paar honderd historische of lopende sollicitaties beoordelen zonder dat de uitkomst iets beslist. Vergelijk zijn oordeel met dat van je recruiters en met wie er later goed presteerde.
- Meet de selectieratio per groep. Bereken per stap welk deel van elke groep doorgaat. Ligt de ratio van een groep onder 80 procent van de groep met de hoogste ratio, dan is dat volgens de vier-vijfde-regel een signaal van adverse impact. Hoe je dat rechtmatig meet, staat in adverse impact meten.
- Doe een paartest. Stuur twee identieke profielen in die alleen verschillen in naam, leeftijd of een gat in het cv. Krijgen ze een andere score, dan weet je genoeg.
- Check wat er bij twijfel gebeurt. Kijk hoe de tool omgaat met onvolledige profielen of zij-instromers. Zakken die systematisch weg, dan sluit je precies de mensen uit die je vijver groter maken.
- Regel het menselijk toezicht. Spreek af wie de uitkomsten controleert, hoe vaak, en hoe een recruiter een score overrulet. Leg dat vast.
- Herhaal het. Modellen en kandidatenstromen veranderen. Plan de test elk halfjaar opnieuw.
Een uitgewerkte versie met rekenvoorbeeld staat in een AI-tool testen op bias.
Tools en verder lezen
De hele categorie staat in onze tooldatabase onder AI, en het bredere overzicht in recruitmenttools. Bruikbare methodieken naast AI zijn het gestructureerde interview en mechanisch combineren van selectiedata.
Verder lezen op recruitment.news:
- AI-sourcingtools vergeleken
- Vacatureteksten verbeteren met tools als Textio en Datapeople
- Een AI-notulist bij het sollicitatiegesprek
- Een AI-tool testen op bias
- De AI Act voor werving
- Je voorspelt de potentie van een mens
- Wet- en regelgeving voor recruiters
Boeken: The Algorithm van Hilke Schellmann, Weapons of Math Destruction van Cathy O’Neil en Noise van Kahneman, Sibony en Sunstein.
Veelgestelde vragen
Mag ik AI gebruiken om cv’s te screenen?
Ja. Zorg wel dat een mens elke afwijzing beoordeelt (artikel 22 AVG), dat je een DPIA doet en dat de OR heeft ingestemd. Vanaf 2 december 2027 gelden daarnaast de hoog-risico-eisen van de AI Act.
Welke AI-toepassingen in werving zijn nu al verboden?
Emotieherkenning op de werkplek, inclusief het afleiden van emoties uit video of stem in sollicitatiegesprekken. Dat verbod geldt sinds 2 februari 2025.
Is een AI-notulist ook hoog risico?
Een tool die alleen notuleert en samenvat, beoordeelt geen kandidaten. Gaat hij scores of aanbevelingen geven, dan schuift hij richting bijlage III. Wat de tool feitelijk doet, telt zwaarder dan de naam die de leverancier eraan geeft.
Hoe weet ik of een tool discrimineert?
Meet de selectieratio per groep in een schaduwtest en doe paartesten met identieke profielen. Vraag de leverancier om zijn eigen testresultaten per groep.
Moet ik kandidaten vertellen dat ik AI gebruik?
Ja. De AVG verplicht je om kandidaten te informeren over hoe je hun gegevens verwerkt, en bij geautomatiseerde besluitvorming ook over de logica daarachter. Onder de AI Act moeten gebruikers van hoog-risicosystemen vanaf 2 december 2027 ook de mensen over wie het systeem beslist daarover informeren. Zet het in je privacyverklaring voor sollicitanten en noem het in de vacature of de bevestigingsmail.
Neemt AI het werk van recruiters over?
Het neemt taken over: zoeken, plannen, samenvatten. Het gesprek met de kandidaat, het oordeel over karakter en de afweging met de hiring manager blijven bij jou.
Bronnen
- Dastin, J. (2018). Amazon scraps secret AI recruiting tool that showed bias against women. Reuters.
- Kuncel, N. R., e.a. (2013). Mechanical versus clinical data combination in selection and admissions decisions. Journal of Applied Psychology.
- Verordening (EU) 2024/1689 (AI Act), EUR-Lex.
- Europese Commissie: AI Act, toepassingstijdlijn en AI Omnibus in werking.
- Verordening (EU) 2016/679 (AVG), EUR-Lex.
- Wet op de ondernemingsraden, wetten.overheid.nl.
- Uniform Guidelines, 29 CFR 1607.4(D) (vier-vijfde-regel).