Mijn mailbox staat de laatste tijd vol met AI-tools voor recruitment. Nieuwe toepassingen, updates en uitnodigingen voor demo’s. Bijna allemaal met dezelfde belofte: sneller en beter kandidaten matchen.
Handig, absoluut.
Ik gebruik AI zelf ook regelmatig. Om informatie te structureren, verbanden te ontdekken en mijn eigen eerste ideeën kritisch te bekijken.
Maar bij al die beloftes stel ik me steeds dezelfde vraag: wat zijn we precies aan het matchen?
Stel dat een AI-tool twee kandidaten beoordeelt. De ene krijgt een matchscore van 92%, de andere 76%.
Wie nodig je uit?
Waarschijnlijk degene met 92%. Dat lijkt de veiligste keuze.
Maar weet je eigenlijk wat die score vertelt? En misschien nog belangrijker: wat vertelt ze niet?
Wat zegt een AI-matchscore eigenlijk?
AI kan recruitment op verschillende manieren ondersteunen. Sommige tools vergelijken cv’s met functieprofielen. Andere herkennen verwante vaardigheden, analyseren werkervaring of leggen verbanden die je zelf misschien over het hoofd zou zien.
Daar zit absoluut meerwaarde in.
Een AI-matchscore geeft een indicatie van hoe goed een kandidaat volgens de gebruikte tool aansluit op bepaalde criteria. Hoe die score precies wordt berekend, verschilt per systeem.
Maar één ding is belangrijk: een matchscore van 92% betekent niet dat je 92% kans hebt op een succesvolle aanwerving.
De score vertelt iets over de overeenkomst tussen beschikbare informatie en de gebruikte beoordelingscriteria. Niet automatisch over hoe iemand zal functioneren binnen jouw specifieke organisatie.
En daar zit voor mij het risico.
Want wat als de criteria waarop je selecteert niet helemaal overeenkomen met wat je bedrijf werkelijk nodig heeft?
Het probleem begint soms al bij het functieprofiel
AI-matching doet me regelmatig denken aan hoe recruitment vroeger vaak werd georganiseerd.
Een junior recruiter kreeg een functieprofiel en een lijst met eisen. De juiste sector, voldoende jaren ervaring, leidinggevende verantwoordelijkheid, bepaalde talen en liefst nog ervaring in een vergelijkbare organisatie.
Vervolgens ging die recruiter op zoek naar kandidaten die zoveel mogelijk aan die criteria voldeden.
Op zich niets mis mee. De recruiter deed precies wat gevraagd werd.
Alleen had die niet altijd het volledige verhaal meegekregen.
Misschien zat de recruiter niet aan tafel toen de CEO vertelde waar het team al maanden op vastliep. Of waarom de vorige leidinggevende was vertrokken. Of welke veranderingen het bedrijf wilde doorvoeren.
Vandaag gebruiken we steeds vaker AI om die zoektocht sneller en uitgebreider uit te voeren.
De technologie is veranderd. Maar het onderliggende probleem kan hetzelfde blijven.
We kunnen heel goed worden in het vinden van kandidaten die passen bij een functieprofiel, zonder voldoende te begrijpen wie de organisatie écht nodig heeft.
Stel dat een KMO een nieuwe manager zoekt en daarbij sterk focust op sectorervaring.
Tijdens een verdiepend gesprek blijkt echter dat de grootste uitdaging ergens anders ligt. Het bedrijf heeft vooral iemand nodig die moeilijke beslissingen durft te nemen, vertrouwen kan opbouwen en een team door een volgende groeifase kan begeleiden.
Dan is sectorervaring misschien nog steeds waardevol, maar niet noodzakelijk het belangrijkste selectiecriterium.
Een kandidaat uit een andere sector kan plots bijzonder interessant worden.
Alleen moet je die persoon wel de kans geven om dat te laten zien.
Waarom ik soms juist een onverwachte kandidaat wil spreken
Bij executive search kijk ik daarom verder dan functietitels, diploma’s en het aantal jaren ervaring.
Soms kom ik op LinkedIn een profiel tegen dat op het eerste gezicht niet helemaal lijkt te passen.
Toch blijft mijn aandacht ergens hangen.
Een onverwachte loopbaanstap. De keuze om na jaren in een grote organisatie naar een kleinere KMO over te stappen. Of iemand die nauwelijks over persoonlijke prestaties schrijft, maar vooral vertelt wat hij of zij met een team heeft opgebouwd.
Dan word ik nieuwsgierig.
Waarom maakte iemand die keuze? Welke verantwoordelijkheden had die persoon werkelijk? En wat zegt dat over de manier waarop iemand denkt en werkt?
Dat kan je niet altijd uit een cv afleiden.
In een gesprek ontdek je soms dat iemand veel meer verantwoordelijkheid droeg dan de functietitel doet vermoeden. Of dat een loopbaanstap die op papier vreemd lijkt, juist een heel bewuste beslissing was.
Dat bewijst nog niet dat iemand geschikt is.
Maar het geeft mij wel een reden om verder te kijken.
Want goede kandidaatselectie gaat voor mij niet alleen over vaststellen wat iemand al gedaan heeft. Het gaat ook over begrijpen waarom die ervaring relevant kan zijn voor de uitdagingen van jouw bedrijf.
Menselijk oordeel is ook niet onfeilbaar
Betekent dit dat we AI beter kunnen negeren en volledig op ons buikgevoel vertrouwen?
Absoluut niet.
Ook ervaren recruiters kunnen zich vergissen.
Je kan te snel overtuigd raken door iemand met wie het gesprek bijzonder vlot verloopt. Of onbewust meer vertrouwen hebben in een kandidaat die op jezelf lijkt.
Daarom blijven duidelijke selectiecriteria, gerichte vragen en een kritische tweede blik belangrijk.
AI kan daar net bij helpen. Bijvoorbeeld door informatie overzichtelijk te maken, kandidaten op dezelfde relevante criteria te vergelijken of je eigen eerste oordeel kritisch te toetsen.
Maar dat werkt alleen als je blijft begrijpen waarop de beoordeling gebaseerd is.
Want een hoge matchscore kan je ook een gevoel van zekerheid geven dat niet volledig terecht is.
Hoe gebruik je AI bij kandidaatselectie zonder goede kandidaten te missen?
Als je AI inzet bij werving en selectie, zou ik vooral aandacht besteden aan vier zaken.
1. Maak eerst duidelijk wat je écht nodig hebt.
Begin niet alleen bij de vacaturetekst. Welke problemen moet de nieuwe medewerker oplossen? Wat verwacht je van die persoon? En welke kwaliteiten maken het verschil binnen jouw organisatie?
2. Maak onderscheid tussen noodzakelijke criteria en voorkeuren.
Is sectorervaring echt onmisbaar? Moet iemand exact dezelfde functie hebben uitgevoerd? Of kan relevante ervaring ook uit een andere omgeving komen?
Hoe duidelijker je hierover nadenkt, hoe beter je een AI-matchscore kunt beoordelen.
3. Onderzoek waarom iemand hoog of laag scoort.
Een lagere score hoeft niet te betekenen dat iemand minder geschikt is. Misschien ontbreken er gegevens, worden bepaalde criteria te zwaar meegewogen of heeft de kandidaat relevante ervaring die niet direct herkenbaar is.
Gebruik de score daarom als vertrekpunt voor verdere beoordeling, niet als automatisch eindoordeel.
4. Blijf je eigen conclusies kritisch toetsen.
Een persoonlijk gesprek is waardevol, maar een goede klik is geen bewijs van geschiktheid.
Stel gerichte vragen, vergelijk kandidaten op relevante criteria en onderzoek aannames voordat je conclusies trekt.
En werk je met cv’s of andere persoonsgegevens van kandidaten? Controleer dan ook hoe de AI-tool die gegevens verwerkt. Zorgvuldig omgaan met kandidaatdata hoort bij professioneel selecteren.
Wil je binnen je eigen bedrijf duidelijker bepalen wie je zoekt en hoe je geschikte kandidaten herkent? Met mijn HIRE System help ik KMO’s om gerichter kandidaten aan te trekken en beter onderbouwde selectiegesprekken te voeren.
De echte meerwaarde zit ook in het durven afwijken
Er is nog iets wat ik belangrijk vind.
Het is relatief eenvoudig om een klant drie kandidaten voor te stellen die perfect aan het afgesproken functieprofiel beantwoorden.
Iedereen begrijpt waarom die personen geselecteerd zijn.
Maar wat als ik ervan overtuigd ben dat iemand anders minstens zo interessant is?
Iemand met minder sectorervaring. Iemand die de functie nog nooit exact zo heeft uitgevoerd. Of iemand die op papier simpelweg niet de meest logische keuze lijkt.
Dan moet ik kunnen uitleggen waarom ik die kandidaat toch wil voorstellen.
Welke ervaring is relevant? Wat heb ik in het gesprek ontdekt? Welke eigenschappen sluiten aan bij de uitdagingen van het bedrijf? En welke risico’s moeten we nog verder onderzoeken?
Daar zit voor mij een belangrijk deel van de menselijke meerwaarde in recruitment.
Niet alleen kandidaten vinden en gesprekken voeren, maar ook kritisch durven afwijken van het oorspronkelijke profiel. En vervolgens bereid zijn om je eigen professionele oordeel te verdedigen.
Natuurlijk kan ik daarin verkeerd zitten. Daarom blijven vergelijking, onderbouwing en een kritische tweede blik noodzakelijk.
Ik hoop zelfs dat AI steeds beter wordt in het ontdekken van kandidaten die we anders misschien over het hoofd zouden zien.
Misschien blijkt uiteindelijk dat de kandidaat met 92% inderdaad de beste keuze is.
Prima.
Maar ik wil niet dat we de kandidaat met 76% al hebben afgewezen voordat we begrijpen wat die persoon werkelijk zou kunnen bijdragen.
En als ik ervan overtuigd ben dat een minder voor de hand liggend profiel de moeite waard is, wil ik tegen mijn klant kunnen zeggen:
Op papier is dit misschien niet de meest logische kandidaat. Toch denk ik dat je deze persoon moet ontmoeten.
Die zin wil ik voorlopig nog zelf zeggen.