Hoe Spott’s AI-koppeling werkelijk werkt: van intakegesprek tot gerangschikte kandidatenlijst

Spott zet intake-aantekeningen om in zoekcriteria, doorzoekt elk kandidatenprofiel en levert vervolgens een gerangschikte kandidatenlijst op met een begrijpelijke reden voor elke score.

Spott ats Partner Spotlight
Partner Perspectives

This is sponsored content from Spott ATS. Learn here how we stay transparent.

TL;DR

AI-kandidaatmatching is het proces waarbij de mensen die al in je database staan, worden gerangschikt voor een functie op basis van betekenis in plaats van trefwoorden. Spott stelt de zoekcriteria op basis van je intake-aantekeningen op, scant elk kandidaatrecord en levert een gerangschikte shortlist op met voor elk resultaat een schriftelijke toelichting.

Spott leest meer dan alleen het cv. Interviewaantekeningen, samenvattingen van gesprekken, transcripties van vergaderingen, e-mails, geïmporteerde profielen en handmatige notities worden allemaal in dezelfde index opgenomen.

Kandidaten worden gerangschikt op score en per criterium beoordeeld aan de hand van een scorekaart, van zeer sterk tot zwak.

Elk resultaat wordt in duidelijke taal toegelicht, inclusief de negatieve punten. Als iemand overgekwalificeerd is, wordt dat vermeld.

Zoekopdrachten op trefwoorden en met Booleaanse operatoren bestaan nog steeds. Matching is het alternatief, niet de vervanging.

De recruiter neemt nog steeds de beslissing. Matching levert een longlist op die het lezen waard is, geen aanstellingsbeslissing.

Waarom 'AI-matching' een definitie nodig heeft

Bijna elk recruitmentplatform op de markt adverteert tegenwoordig met AI-matching. Maar heel weinig daarvan bedoelen er hetzelfde mee, en een behoorlijk aantal bedoelt eigenlijk: "we hebben een lijst met synoniemen aan onze zoekopdracht op trefwoorden toegevoegd".

Het relevante onderscheid is waar het systeem naar zoekt. Traditionele recruitmentdatabases zijn relationeel: rijen, kolommen, tags en een zoekvak dat zoekt naar de tekenreeks die je hebt ingevoerd. Als er in een record "voetbalcoach" staat en je zoekt naar "voetbal", krijg je niets. Als je consultant iemand vier jaar geleden heeft getagd als "manager bedrijfsontwikkeling" en je zoekt naar "accountmanager", krijg je niets, ook al is het duidelijk dezelfde persoon die je zoekt.

Die tekortkoming heeft een bekend gevolg. Recruiters vertrouwen de database niet meer en gaan terug naar LinkedIn om mensen terug te vinden die het bureau al kent. Een bureaudirecteur met wie we spraken, verwoordde het onomwonden: wanneer er een zoekopdracht binnenkomt, is LinkedIn het eerste aanspreekpunt van de onderzoekers, niet het CRM waarvoor het bureau betaalt. Hij omschreef dat als de omgekeerde wereld, en hij heeft gelijk.

Spott pakt het anders aan. Kandidaatrecords worden gevectoriseerd, wat betekent dat ze op betekenis worden geïndexeerd in plaats van op een exacte tekenreeks. Je beschrijft wat je nodig hebt in gewone zinnen en het systeem redeneert over het volledige record. Dat is het mechanisme achter alles wat hieronder volgt.

Stap 1: De criteria worden opgesteld op basis van de intake, niet vanuit een leeg vak

Matching begint voordat iemand een zoekopdracht invoert.

Wanneer je een intakegesprek voert met een hiringmanager, neemt Spott de vergaderingstakenaar mee, neemt het gesprek op, transcribeert het en maakt het een gestructureerde intakesamenvatting in het sjabloon dat jouw bureau gebruikt. Die samenvatting wordt automatisch aan de vacature en de klantcontactpersoon gekoppeld.

Wanneer je vervolgens de matchingtool opent, stelt Spott de zoekcriteria voor je voor, gebaseerd op de functiebeschrijving en dat intakegesprek. Je krijgt een reeks criteria in natuurlijke taal op het scherm, geen lege zoekbalk.

Vanaf daar bepaal jij. Je kunt elk criterium herschrijven, criteria toevoegen die het systeem heeft gemist, criteria verwijderen die uiteindelijk niet relevant bleken en de weging aanpassen, zodat bijvoorbeeld ervaring in de sector zwaarder meetelt dan anciënniteit. Dit is het onderdeel dat in de meeste demo's wordt overgeslagen, terwijl ervaren recruiters er juist het meeste belang aan hechten: de zoekopdracht wordt opgesteld op basis van onderbouwde criteria die je kunt zien en aanpassen, niet op basis van een verborgen prompt.

De scorekaart wordt gegenereerd op basis van de vacature en het intakegesprek, gegroepeerd in thema's en bewerkbaar.

Stap 2: Beschrijf de functie zoals je die aan een collega zou beschrijven

De criteria zijn zinnen in gewone taal. Bijvoorbeeld:

"Software-engineer met minstens drie jaar praktische ervaring met Java en Python, momenteel gevestigd in België en werkzaam in B2B-software."

Of vier of vijf zinnen waarin je een leiderschapsprofiel beschrijft op de genuanceerde manier waarop een executive-searchconsultant een onderzoeker daadwerkelijk zou briefen.

Je kunt daarbovenop harde filters toepassen voor zaken die echt binair zijn: locatie, beschikbaarheid, recht om te werken en salarisbandbreedte. Semantisch zoeken verwerkt het oordeel; harde filters verwerken de feiten.

Wat je niet langer doet, is Booleaanse zoekreeksen samenstellen. Booleaans zoeken is in Spott nog steeds beschikbaar voor de gevallen waarin het de juiste tool is, en veel recruiters blijven het gebruiken voor snelle zoekopdrachten. Maar voor "vind de mensen in onze eigen database die deze

functie zouden kunnen uitvoeren" is het beschrijven van de functie beter dan het samenstellen van een zoekopdracht.

Stap 3: De scan leest alles wat aan de persoon gekoppeld is

Hier komt de diepgang vandaan, en dit is het onderdeel dat het moeilijkst te reproduceren is als je platform vijftien jaar geleden op een relationele database is gebouwd.

Wanneer de scan wordt uitgevoerd, bekijkt Spott elk stukje context dat aan een kandidaatprofiel is gekoppeld:

  • Het cv, verwerkt tot gestructureerde ervaring en opleiding
  • Profielgegevens die zijn geïmporteerd toen de kandidaat voor het eerst werd toegevoegd
  • Interviewnotities en handmatige notities die door een consultant binnen het bureau zijn geschreven
  • Samenvattingen van telefoongesprekken en transcripties van vergaderingen die door de notulist zijn vastgelegd
  • E-mailcorrespondentie die aan het profiel is gekoppeld
  • Verrijkingsgegevens die aan het profiel zijn toegevoegd

Alles wordt door dezelfde index verwerkt. Daardoor is een detail dat een collega twee jaar geleden tijdens een screeningsgesprek heeft vastgelegd en dat nooit in een gestructureerd veld terechtkwam omdat niemand daar tijd voor had, vandaag nog steeds doorzoekbaar. Dat is het praktische verschil tussen een database en institutioneel geheugen.

Stap 4: Een gerangschikte lange lijst, criterium voor criterium beoordeeld

De scan rangschikt je database aan de hand van de criteria. Elke kandidaat krijgt een totaalscore en een afzonderlijke beoordeling voor elk criterium op het beoordelingskader, van zeer sterk tot zwak.

Dat tweede onderdeel maakt de lijst leesbaar. Eén gecombineerde score zegt bijna niets, omdat twee kandidaten met 75% om compleet verschillende redenen op 75% kunnen uitkomen. Als je de criteria als kolommen ziet, is meteen duidelijk wie overal sterk is en wie achter een redelijk gemiddelde een serieus tekort verbergt.

Een paar zaken zijn belangrijk om te begrijpen bij het lezen van die lijst.

Een zwakke match is nog steeds een match. Het is geen mislukt resultaat, maar een kandidaat die aan een deel van de opdracht voldoet en niet aan de rest. Voor moeilijk in te vullen functies beginnen de interessantste gesprekken vaak juist in de onderste helft van de lijst.

De lijst kan opnieuw worden gerangschikt. Als je bovenaan de lijst kijkt en beseft dat je de opdracht verkeerd hebt gespecificeerd, wat bij echte zoekopdrachten voortdurend gebeurt, pas je een criterium of weging aan en voer je de scan opnieuw uit. De cyclus is snel genoeg om iteratief te zijn in plaats van een eenmalige zoekopdracht.

Het zoekt in je database, niet in een verzameling gescrapete kandidaten. Spott verkoopt je geen ingekochte dump met profielen. Het uitgangspunt is dat het eigen netwerk van het bureau, mits goed geïndexeerd, de waardevolle bron is die momenteel onbenut blijft.

Gerangschikte resultaten op basis van een opdracht met vier criteria (demogegevens). Elke kolom staat voor één criterium, zodat een sterke totaalscore geen zwak criterium kan verbergen.

Stap 5: Elk resultaat legt zichzelf uit

Dit is de functie die bepaalt of een hulpmiddel voor matching wordt gebruikt of stilletjes wordt verlaten.

Klik op een kandidaat en Spott laat je in duidelijke taal zien waarom het systeem die kandidaat op die plek heeft gerangschikt. Het doorloopt het beoordelingskader criterium voor criterium: sterk op dit punt, gemiddeld op dat punt, en dit is het specifieke bewijs in het profiel dat elke beoordeling ondersteunt.

Belangrijk is dat het ook het slechte nieuws vertelt. Als een kandidaat elf jaar ervaring heeft voor een functie waarvoor vijf jaar wordt gevraagd, vermeldt de uitleg dat die persoon mogelijk overgekwalificeerd is. Als de kandidaat wel aan de technische norm voldoet, maar de sector eerder aangrenzend dan exact overeenkomend is, wordt dat ook aangegeven.

Er is geen zwarte doos, en dat is om twee redenen belangrijk naast het vertrouwen van recruiters. Ten eerste moet je een selectie tegenover een klant kunnen onderbouwen, en „het algoritme vond hen goed” is geen onderbouwing. Ten tweede kun je een uitleg die het bewijs laat zien betrappen op fouten.

Elk resultaat legt zichzelf uit. Deze kandidaat scoort 85%, maar het overzicht vermeldt nog steeds dat het Frans beperkt professioneel wordt beheerst en niet op zakelijk niveau.

Stap 6: Accepteren, afwijzen, doorgaan

In de resultatenweergave accepteer je kandidaten voor de vacature en voeg je ze toe aan de pijplijn, of wijs je ze af. Aan de ene kant staat het venster met de onderbouwing en aan de andere kant het volledige profiel. Geaccepteerde kandidaten komen terecht in de workflowfasen die je bureau heeft geconfigureerd. Vanaf daar ga je verder met benadering, screening en presentatie.

De ontwerpintentie van de volledige flow is doelgericht: de recruiter snel naar een verdedigbare selectie leiden, zodat de tijd wordt besteed aan het gesprek met de kandidaat in plaats van aan het zoeken naar die kandidaat.

Wat AI-matching niet doet

Het is belangrijk om eerlijk te zijn over de beperkingen, want overdreven claims zijn precies de reden waarom deze categorie in eerste instantie aan geloofwaardigheid heeft verloren.

Het neemt geen beslissing. Het rangschikt en legt uit. Een recruiter leest, beoordeelt en pakt de telefoon. De uitleg bestaat juist zodat de mens ervan kan afwijken.

Het is slechts zo goed als de context die het heeft. Een bedrijf dat een database met alleen naam- en e-mailgegevens migreert, krijgt een magerder resultaat dan een bedrijf met jarenlang verzamelde interviewnotities die aan profielen zijn gekoppeld. Dit is de eerlijke kanttekening bij elke AI-laag boven op recruitmentgegevens, en daarom is de tool voor het maken van notities net zo belangrijk als de matching-engine. De ene voedt de andere.

Het vervangt actieve werving niet. Als de juiste persoon voor de functie nooit met uw bedrijf heeft gesproken, staat die persoon niet in uw database en kan geen enkele hoeveelheid semantisch zoeken die persoon tevoorschijn toveren. Matching beantwoordt de vraag: "wie kennen we al?", wat een andere vraag is dan: "wie bestaat er?"

Bekijk het in uw eigen database

De bovenstaande beweringen zijn tijdens één gesprek te testen. Boek een demo van Spott van 30 minuten, neem een actuele functie mee en kijk hoe de lange lijst terugkomt, gerangschikt en toegelicht op basis van uw eigen gegevens.

Tycho De Saeytyd
Head of US at Spott. Tycho leads Spott's US business from New York, working with recruiting and staffing firms on how AI is changing the way they source, screen and place candidates. He previously advised companies on strategy and operations at McKinsey.
Follow the author: