HR-afdelingen krijgen een sleutelrol bij de invoering van kunstmatige intelligentie op de werkvloer. Nederlandse en Europese organisaties testen nu tools als Microsoft Copilot, ChatGPT van OpenAI en Google Gemini in werving, leren en kantoorwerk. Dat vraagt regie op beleid, vaardigheden en wetgeving, met directe gevolgen voor overheid en bedrijfsleven onder de Europese AI-verordening. Op het moment van schrijven treedt die verordening gefaseerd in werking tot 2026, waardoor keuzes die HR nu maakt extra tellen.
HR leidt AI-verandering
Steeds meer werkgevers draaien pilots met generatieve systemen in recruitment, kennisdeling en administratie. Zonder duidelijke spelregels groeien zulke pilots snel uit tot schaduw-IT en dubbele processen. HR staat op het kruispunt van mens, proces en compliance en hoort daarom de regie te nemen. Dat kan alleen in nauwe samenwerking met IT, juridische zaken en de privacy officer.
De invoering van algoritmen raakt functiedesign, taakverdeling en werkdruk. HR kan doelen koppelen aan concrete uitkomsten, zoals doorlooptijd van vacatures of kwaliteit van leerinterventies. Tegelijk bewaakt HR welzijn en inclusie, zodat productiviteitswinst niet leidt tot ongezonde werkdruk. Daarvoor zijn meetafspraken nodig die verder gaan dan alleen kostenbesparing.
AI komt vaak ingebouwd in bestaande suites als Microsoft 365, Google Workspace, Workday en SAP SuccessFactors. Deze integratie maakt gebruik laagdrempelig, maar vergroot ook het risico op onbedoelde datadeling. HR moet daarom bepalen welke functies wel en niet worden geactiveerd. Duidelijke grenzen voorkomen verrassingen bij audits en bij de ondernemingsraad.
Vier kernvragen voor beleid
Welk doel dient het systeem? Formuleer eerst het probleem en de verwachte waarde, met passende KPI’s. Denk aan minder doorlooptijd van cv‑screening, of betere kwaliteit van vacatureteksten. Zonder heldere doelen is het moeilijk om risico’s te wegen of een pilot eerlijk te beoordelen.
Welke processen en risico’s horen erbij? Breng het werkproces in kaart, inclusief beslismomenten en uitzonderingen. Leg vast waar menselijk toezicht verplicht is en hoe escalatie werkt. Een “mens in de lus” betekent ook: tijd, bevoegdheid en training voor die mens.
Welke data zijn nodig en toegestaan? Benoem herkomst, kwaliteit, bewaartermijnen en rechten, inclusief AVG‑grondslag. Minimaliseer velden die niets toevoegen, en voorkom dat gevoelige kenmerken via omwegen terugkeren. Beschrijf hoe versleuteling, logging en toegangsbeheer zijn ingericht.
Wie beslist en wie is aanspreekpunt? Wijs eigenaarschap toe voor modelkeuze, prestaties, incidenten en updates. Richt een klein governance‑team in met HR, IT, security en privacy. Publiceer een gebruikersgids met do’s en don’ts en plan vaste evaluatiemomenten.
AI-verordening stuurt HR-keuzes
De Europese AI-verordening (AI Act) deelt systemen in risicoklassen in. Toepassingen voor werving, beoordeling en promotie vallen in de categorie hoog risico. Dat vraagt onder meer om risicobeheer, datagovernance, registratie, transparantie en menselijk toezicht. Voor algemene AI‑modellen (GPAI) komen aparte plichten kijken die leveranciers en afnemers raken.
AI voor werving en selectie valt in de Europese AI-verordening in de categorie ‘hoog risico’.
Voor overheidswerkgevers tellen daarnaast aanbestedingsregels en de gevolgen van de Europese AI-verordening voor de overheid. Inkoop moet eisen stellen aan documentatie, modelprestaties en audit‑toegang. Ook moet duidelijk zijn waar data worden opgeslagen en verwerkt. EU‑datagrenzen en verwerkersovereenkomsten horen in het contract.
De AVG blijft leidend bij personeelsdata. Een gegevensbeschermingseffectbeoordeling (DPIA) is vaak verplicht bij geautomatiseerde beoordeling of monitoring. Werkgevers moeten dataminimalisatie toepassen en kandidaten en medewerkers begrijpelijk informeren. Bij besluiten met grote impact horen extra waarborgen en de mogelijkheid tot menselijke herbeoordeling.
In Nederland heeft de ondernemingsraad instemmingsrecht bij regelingen rond personeelsbeoordeling en controle (WOR, artikel 27). Betrek de OR vroegtijdig bij pilots en beleid. Dat voorkomt vertraging en verbetert draagvlak. Neem ook richtlijnen van de Autoriteit Persoonsgegevens mee in het ontwerp.
Datakwaliteit en bias beheersbaar
HR‑data weerspiegelen vaak het verleden, met daarin bewuste en onbewuste vooroordelen. Een model kan die patronen reproduceren of versterken. Dat risico speelt bij cv‑screening, talent ranking en performance‑scores. Daarom begint verantwoord bouwen met een kritische data‑scan.
Opschonen en balanceren van datasets verkleint vertekening. Vermijd proxies voor gevoelige kenmerken zoals postcode of verenigingslidmaatschap. Gebruik eenvoudige uitlegbare kenmerken en toets drempelwaarden op groepsverschillen. Documenteer elke stap zodat audits herhaalbaar zijn.
Start klein met een gecontroleerde pilot en vergelijk uitkomsten met een menselijke referentie. Meet fouten, leg ze vast en stuur bij met duidelijke criteria. Houd een mens aan het roer voor eindbeslissingen. De NVP Sollicitatiecode biedt een nuttig kader voor eerlijke werving.
Werknemers meenemen en trainen
Nieuwe systemen vragen duidelijke werkafspraken. Leg vast welke informatie wel en niet in tools mag, bijvoorbeeld geen medische of vertrouwelijke dossiers. Maak een protocol voor fouten en datalekken, met snelle meldlijnen. Zo blijven veiligheid en vertrouwen op peil.
Investeer in vaardigheden zoals prompten, data‑geletterdheid en kritisch denken. Korte trainingen, checklists en voorbeeldprompts helpen gebruikers op weg. Geef teams tijd om te oefenen en feedback te geven. Koppel leren direct aan het dagelijkse werk.
Wees transparant richting medewerkers en kandidaten als een algoritme wordt ingezet. Geef uitleg in begrijpelijke taal en bied een laagdrempelig bezwaarproces. Betrek vakbonden en de OR bij evaluaties. Dat voorkomt weerstand en vergroot de kwaliteit van besluiten.
Leveranciers streng beoordelen
Veel HR‑platforms leveren al AI‑functies, zoals Workday, SAP SuccessFactors, Oracle en LinkedIn. Vraag leveranciers welke modellen zij gebruiken, bijvoorbeeld GPT‑4o of Gemini 1.5, en hoe die zijn getraind. Leg vast of klantdata worden gebruikt voor modelverbetering. Check waar data staan en of er een EU‑datagrenzebelofte geldt.
Beoordeel beveiliging en privacy praktisch: versleuteling, bewaartermijnen, toegangsbeheer en audit‑logs. Vraag om duidelijke documentatie en testresultaten op bias en nauwkeurigheid. Eist de oplossing een “mens in de lus” en is dat goed ingericht? Zonder dat blijft de inzet juridisch en operationeel kwetsbaar.
Voer eerst een beperkte proef uit met echte, maar geminimaliseerde data. Meet effect, fouttypes en gebruikerstevredenheid tegen vooraf afgesproken KPI’s. Leg exit‑afspraken en dataterughaalbaarheid contractueel vast. Zo voorkomt u lock‑in en kunt u bijsturen als resultaten tegenvallen.
Bij kantoorassistenten zoals Microsoft Copilot en Google Gemini for Workspace hoort een apart besluit. Bepaal per team welke functies nodig zijn en stel standaardinstellingen centraal in. Monitor prompts en uitkomsten op kwaliteit en naleving. Alleen dan levert de investering aantoonbare waarde op met beheersbare risico’s.