Nederlandse werkgevers merken dit jaar dat kunstmatige intelligentie het werven van personeel vertraagt. Automatische cv‑screening en chatbots leveren extra werk op door verplichte controles. De Europese AI‑verordening (AI Act) en de AVG zetten vooral bij overheid en grote bedrijven de rem op snelheid. Organisaties voegen daarom meer menselijke stappen toe om fouten, vooringenomenheid en privacyrisico’s te beperken.
AI voegt stappen toe aan selectie
Veel organisaties gebruiken een applicant tracking system (ATS, een systeem dat sollicitaties beheert) met algoritmes voor rangschikking en matching. Voorbeelden in Nederland zijn Recruitee, SAP SuccessFactors, Workday en Greenhouse, vaak met cv‑parsing van Textkernel. Deze systemen geven snelle voorselecties, maar HR‑teams controleren de uitkomsten handmatig. Dat kost extra tijd en voegt een ronde toe vóór het eerste gesprek.
Kandidaten zetten zelf generatieve modellen in, zoals ChatGPT, Microsoft Copilot en Gemini, om brieven te schrijven. Daardoor lijken motivatiebrieven en cv’s vaker op elkaar. Werkgevers wijken uit naar vaardigheidstests of proefopdrachten om echte skills te toetsen. Die extra toets vertraagt de doorlooptijd, maar moet de foutkans verlagen.
Sommige aanbieders bieden video‑interviews met automatische analyse, zoals HireVue of Harver. In Europa schakelen werkgevers beoordelingsscores uit of laten ze die dubbel controleren. Ze willen het risico op onjuiste afwijzingen en juridische claims beperken. Ook dat maakt het proces trager, maar beter uitlegbaar.
Menselijke controle blijft verplicht
De AVG verbiedt in principe volledig geautomatiseerde beslissingen met grote impact op mensen, zoals afwijzing zonder menselijk oordeel. Artikel 22 eist een mogelijkheid tot menselijke tussenkomst en uitleg. Werkgevers bouwen daarom een reviewstap in waarbij een recruiter of commissie de algoritme‑uitkomst bekijkt. Dat is zorgvuldig, maar kost dagen extra bij veel sollicitanten.
Voor kandidaten betekent dit meer transparantie, maar soms ook langere wachttijden. Organisaties leggen nu vaker uit hoe selectie werkt, welke gegevens worden gebruikt en hoe bezwaar mogelijk is. Ze bewaren beoordelingslogboeken, zodat beslissingen achteraf zijn na te lopen. Deze documentatie helpt bij klachtenprocedures en interne audits.
Publieke werkgevers en uitvoeringsinstanties voegen nog een laag toe. Zij registreren gebruikte systemen in een algoritmeregister en betrekken de functionaris gegevensbescherming. Dat is goed voor toezicht, maar vraagt tijd voor afstemming, training en procesaanpassing.
AI‑verordening en AVG sturen tempo
In de EU vallen AI‑systemen voor werving en selectie in de hoogrisicoklasse van de AI‑verordening. Dat brengt plichten mee: risicobeheer, datakwaliteit, menselijke toezichtmaatregelen en duidelijke documentatie. De regels treden gefaseerd in werking; voor hoogrisico‑toepassingen gelden de zwaarste eisen naar verwachting vanaf 2026–2027, op het moment van schrijven. Veel HR‑afdelingen bereiden zich hier nu al op voor met extra controles en leveranciersaudits.
Leveranciers als Workday, SAP SuccessFactors, LinkedIn Talent Solutions en Recruitee voegen “model cards”, bias‑tests en auditlogs toe. Werkgevers moeten daarnaast een DPIA (gegevensbeschermingseffectbeoordeling) uitvoeren onder de AVG. Ook versleuteling, dataminimalisatie en beperkte bewaartermijnen zijn nodig. Deze voorbereidingen vertragen implementatie, maar verkleinen juridische risico’s.
AI voor werving geldt in de EU als hoog risico; menselijke controle, datakwaliteit en gedetailleerde documentatie zijn verplicht.
Voor Nederlandse overheden komt daar de inkooprealiteit bij. Contracten vragen nu om EU‑hosting, uitlegbaarheid en exit‑mogelijkheden. Dit beperkt de keuze en verlengt aanbestedingen, maar geeft meer grip op privacy en afhankelijkheid van grote platforms.
Kwaliteit van modellen wisselt nog
CV‑parsers en matchingsmodellen werken beter met standaardprofielen dan met afwijkende loopbanen. Nederlandse functietitels en kwalificaties sluiten niet altijd naadloos aan op internationale taxonomieën zoals ESCO. Daardoor missen systemen soms relevante kandidaten of scoren ze te laag. HR‑teams corrigeren dit handmatig, wat tijd kost maar uitsluiting voorkomt.
Bias‑reductie is een tweede reden voor extra checks. Werkgevers verwijderen gevoelige velden en herschrijven vacatureteksten met tooling zoals Textio of Gender Decoder. Dat verkleint het risico op indirecte discriminatie onder het toezicht van het College voor de Rechten van de Mens. Tegelijk daalt de voorspellende kracht van sommige modellen, waardoor meer menselijke selectie nodig blijft.
Generatieve chatbots in het sollicitatieproces beantwoorden snel vragen van kandidaten. Toch geven ze soms onvolledige of verouderde informatie over arbeidsvoorwaarden. HR voegt daarom vaste sjablonen en menselijke eindredactie toe. Dat verbetert de kwaliteit, maar maakt de doorlooptijd minder kort dan gehoopt.
Werkgevers zoeken nieuw evenwicht
Steeds meer organisaties sturen op “zorgvuldig en uitlegbaar” boven “zo snel mogelijk”. Ze combineren algoritmes met vaardigheidstesten, zoals Equalture of Codility, en heldere feedbackmomenten. Dit maakt selectie eerlijker en voorspelbaarder voor kandidaten. De prijs is een paar extra dagen per vacature, vooral in latere rondes.
Een pragmische aanpak is het beperken van AI tot ondersteunende taken. Denk aan het opschonen van data, het plannen van gesprekken en het opstellen van gespreksgidsen. Beslissingen zelf blijven bij mensen, met het model als checklist. Zo voldoen processen eerder aan de AVG en de AI‑verordening, zonder complexe herkeuring van elk algoritme.
Tot slot verschuift de inkoop naar Europese of lokaal te hosten oplossingen. Leveranciers als Textkernel bieden on‑premise of EU‑cloudopties, wat DPIA’s vereenvoudigt. Werkgevers stellen daarnaast prestatie‑ en foutmarges vast voordat ze opschalen. Dat houdt verwachtingen realistisch en beperkt vertraging bij onverwachte modeluitkomsten.