Werkzoekenden gebruiken steeds vaker AI zoals ChatGPT, Gemini en Microsoft Copilot om cv’s en brieven te schrijven. Dat maakt solliciteren in Nederland en Europa makkelijker en sneller. Tegelijk zetten werkgevers algoritmen in om enorme aantallen reacties te filteren. Op het moment van schrijven schuurt dit met de Europese AI-verordening en de AVG, omdat de kwaliteit en eerlijkheid van de matching onder druk staan.
Solliciteren wordt laagdrempeliger
Generatieve systemen helpen kandidaten met taal, structuur en toon. Een goede brief staat in minuten, ook voor wie minder schrijfervaring heeft. LinkedIn biedt tekstsuggesties, en vacaturesites sturen gepersonaliseerde prompts. De drempel om te reageren is zo lager dan voorheen.
Bedrijven verwerken die stroom met een applicant tracking system, oftewel ATS, dat reacties ordent en filtert. Nederlandse leverancier Textkernel levert semantische zoek- en matchsoftware aan uitzend- en inhouse-teams. Indeed en LinkedIn Recruiter bieden vergelijkbare AI-functies. Dat versnelt de eerste selectie rondes flink.
Voor sollicitanten pakt dit dubbel uit. De kansen om mee te doen nemen toe, zeker voor starters en carrièreswitchers. Maar doordat meer mensen sneller reageren, wordt het moeilijker om op te vallen. De concurrentie om aandacht verschuift naar de eerste minuten na publicatie.
Brieven gaan op elkaar lijken
Generatieve modellen produceren nette maar vaak soortgelijke teksten. Brieven krijgen dezelfde openingszinnen en trefwoorden. Het onderscheid op taal en stijl vervaagt. Daardoor wordt de inhoudelijke fit moeilijker te beoordelen.
Werkgevers reageren met extra selectiestappen, zoals korte opdrachten of casussen. Dat kan selectie eerlijker maken als het om echte vaardigheden gaat. Maar het kost kandidaten meer tijd, terwijl niet iedereen die tijd heeft. Zo kan een toegangsdrempel terugkeren op een andere plek.
Kleine organisaties hebben minder middelen om dit goed te organiseren. Zij vertrouwen sneller op snelle filters of onderbuikgevoel. Dat vergroot het risico op toevallige of systematische uitsluiting. Juist daar is transparantie over criteria belangrijk.
Recruiters filteren zwaarder met AI
Wervingsafdelingen zetten AI in om te schiften in duizenden profielen. LinkedIn Recruiter AI, Indeed-matching en Textkernel rangschikken kandidaten op basis van vaardigheden en ervaring. Dat bespaart tijd in volumeprocessen. Maar nuttige profielen kunnen onzichtbaar blijven door te strakke filters.
Omdat modellen vaak op trefwoorden leunen, passen kandidaten hun cv’s daarop aan. Het wordt een wedloop van sleutelwoorden, sjablonen en prompts. Het gevolg is meer uniformiteit en minder signaal. De kans op fout-negatieven stijgt, vooral bij atypische loopbanen.
Publieke platforms in Europa gebruiken de ESCO-vaardighedentaxonomie om vraag en aanbod te koppelen. Dat helpt bij overstappen tussen sectoren. De uitkomst hangt wel af van actuele en volledige data. Verouderde profielen leiden tot zwakke matches.
Europese regels zetten grenzen
De Europese AI-verordening plaatst systemen voor werving en selectie in de hoge-risicoklasse. Aanbieders moeten aan eisen voldoen, zoals risicobeheer, datakwaliteit, menselijke controle en logregistratie. Verwachting is dat deze verplichtingen gefaseerd ingaan tot 2026–2027. Werkgevers die inkopen, moeten hier tijdig op toetsen.
De AVG blijft leidend voor persoonsgegevens van kandidaten. Dataminimalisatie, doelbinding en beveiliging zijn verplicht. Gevoelige data, zoals gezondheidsinformatie, horen niet in een cv-screening. En geautomatiseerde beslissingen vragen extra waarborgen.
Automatische afwijzing met rechtsgevolgen is zonder menselijke toets en duidelijke rechten voor de betrokkene niet toegestaan onder artikel 22 AVG.
Voor Nederlandse overheden en semipublieke instellingen weegt dit extra zwaar. Een Data Protection Impact Assessment is meestal nodig. Ook medezeggenschap bij de inzet van nieuwe selectiehulpmiddelen speelt een rol. Inkoopvoorwaarden moeten Europese conformiteit afdwingen.
Impact op gelijke kansen
AI kan historische vooroordelen in data herhalen. Opleidingsnaam, postcode of taalstijl werken dan als indirecte proxies. Kandidaten uit minderheidsgroepen lopen zo onbedoeld achterstand op. Regelmatige bias-tests zijn daarom nodig.
De AI-verordening verbiedt emotieherkenning op de werkvloer en in onderwijs. Tools die gezichtsuitdrukking of stem analyseren bij sollicitaties vallen daarmee buiten de lijntjes in Europa. Dit biedt duidelijkheid aan werkgevers en kandidaten. Video-analyse moet zich richten op inhoud, niet op vermeende emoties.
Verschillende Nederlandse partijen beloven eerlijkere selectie, zoals Equalture (game-based assessments) en Harver (volume-hiring). Zulke claims vragen onafhankelijke validatie. Transparante meetrapporten en externe audits vergroten vertrouwen. Zonder dat blijft het marketingtaal.
Wat organisaties nu kunnen doen
Combineer AI-screening met menselijke beoordeling op duidelijke momenten. Werk met vaardigheidsproeven die de functie echt weerspiegelen. Houd filters breed genoeg om atypische profielen te zien. Evalueer regelmatig op fout-positieven en fout-negatieven.
Wees transparant naar kandidaten over het gebruik van algoritmen. Bied een menselijk contactpunt en een bezwaarroute. Geef feedback waar mogelijk in eenvoudige taal. Dat vergroot vertrouwen en verbetert de datakwaliteit.
Stel leveranciers scherpe vragen: waar komt de trainingsdata vandaan, hoe is bias getest, welke logs en uitleg zijn beschikbaar, en is het systeem klaar voor de Europese AI-verordening. Leg afspraken vast in inkoop- en verwerkerscontracten. Start met een DPIA en betrek de OR tijdig. Zo blijft solliciteren makkelijker, zonder dat de matching verslechtert.