AI heeft het cv stukgemaakt, wat nu?
Inzicht in de werkstroom: Traditionele wervingsmethoden geven er de voorkeur aan slechts een klein percentage sollicitanten te screenen, waardoor de meesten buiten beschouwing blijven.
AI-uitdaging: AI-tools verhogen de efficiëntie, maar slagen er tijdens het wervingsproces niet in de daadwerkelijke prestaties van kandidaten doeltreffend te beoordelen.
Sollicitatiekosten: Het gemak waarmee mensen kunnen solliciteren heeft geleid tot grotere aantallen sollicitaties, wat het filterproces ingewikkelder maakt.
Uitholling van signalen: Veelgebruikte signalen bij werving worden minder betrouwbaar, waardoor het moeilijker wordt om gekwalificeerde kandidaten te identificeren.
Focus op vaardigheden: Een vaardigheden-eerst-aanpak kan de werving verbeteren, maar de uitvoering ervan blijft een aanzienlijke uitdaging.
Jarenlang heeft het werkproces binnen de meeste recruitmentteams dezelfde stappen gevolgd. Plaats de vacature, beoordeel de beste sollicitaties, selecteer de sterkste kandidaten en stuur de beste keuzes naar de wervingsmanager.
Het systeem werkte jarenlang als methode om het beste talent voor de organisatie te vinden.
Het probleem, zoals Tim Sackett, CEO van HRUTech.com en auteur van De talentoplossing: een leidersgids voor het werven van geweldig talent, eerder deze maand tijdens Transform uiteenzette, is dat dit grotendeels fictie is.
Create a Free Account to Keep Reading—and Keep Leading Smarter
Unlock this piece and join a community of forward-thinking leaders discovering tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Wanneer een vacature 250 tot 300 sollicitaties oplevert (veel vacatures trekken er aanzienlijk meer), beoordeelt de gemiddelde recruiter er 25, misschien 30. Dat betekent dat slechts 2-3% van de sollicitanten überhaupt in aanmerking komt. De rest verdwijnt.
"We vertellen onze wervingsmanagers dat we op de markt op zoek zijn naar het beste talent," zei hij. "Terwijl in werkelijkheid slechts een klein deel van je sollicitanten daadwerkelijk in het proces terechtkomt."
Die kloof tussen wat recruitmentteams beloven en wat ze daadwerkelijk kunnen doen, bestaat al tientallen jaren. AI heeft die kloof niet gecreëerd. Maar AI heeft het soms aanzienlijk moeilijker gemaakt om die te dichten, en de tools die organisaties haastig inzetten, meten mogelijk precies de verkeerde dingen.
Het meetprobleem dateert van vóór de technologie
Leanne Markus, algemeen directeur bij Centranum Group en organisatiepsycholoog die organisaties helpt met competentiekaders en competentiegerichte beoordeling, maakt een onderscheid dat in de meeste wervingsprocessen op één hoop wordt gegooid. Het gaat om het verschil tussen kwalificaties, kennis en competentie.
Kwalificaties — opleiding, certificeringen, trainingen — wijzen op voorbereiding en potentieel. Kennistoetsen kunnen inzicht geven in begrip. Geen van beide toont betrouwbaar aan of iemand in een echte werkomgeving kan presteren.
"Decennia aan psychologisch onderzoek tonen aan dat functie-specifieke kennis en het vermogen om die kennis op de juiste manier in context toe te passen, de belangrijkste voorspellers van werkprestaties zijn," zegt Markus.
Het cv meet per ontwerp de eerste categorie en geeft min of meer een indruk van de tweede. De derde heeft het nooit gemeten.
Organisaties hebben deze afweging historisch gezien geaccepteerd omdat het cv in elk geval een praktisch filtermiddel was — een manier om van honderden sollicitaties naar een beheersbaar gesprek te gaan, in de veronderstelling dat er tijdens het sollicitatiegesprek een beter signaal naar voren zou komen.
Die veronderstelling begint nu aan beide kanten af te brokkelen.
Wat AI selecteert
Wanneer AI zijn intrede doet in de wervingsfunnel, presenteren voorstanders het doorgaans als een oplossing voor het volumeprobleem. Meer kandidaten sneller beoordelen, met minder menselijke vooroordelen in de vroege fasen. Wat niet verandert, is wat er wordt gemeten met datagedreven wervingsprocessen.
"AI maakt selectie efficiënter, maar verandert niet wat er wordt gemeten," zegt Markus. "De meeste selectiemethoden, waaronder AI-gestuurde gesprekken, zijn gebaseerd op antwoorden. Het gaat allemaal om zelfgerapporteerde informatie. AI kan de verwerking versnellen, maar beoordeelt in wezen hoe goed een kandidaat het werk kan beschrijven, niet of diegene het werk daadwerkelijk succesvol kan uitvoeren."
Dit is belangrijker dan het aanvankelijk lijkt, omdat de trainingsgegevens achter de meeste AI-wervingstools het probleem versterken. Deze systemen leren door input uit sollicitaties en wervingsbeslissingen te correleren met prestatiebeoordelingen. Maar formele prestatiebeoordelingen hebben weinig verband met de daadwerkelijke prestaties op het werk. De AI leert een signaal te reproduceren dat al onbetrouwbaar was.
Het resultaat is een systeem dat kandidaten beloont die werk overtuigend kunnen beschrijven, wat in 2026 betekent: kandidaten die AI kunnen gebruiken om werk overtuigend te beschrijven.
"AI kan patronen versterken die consistent zijn," zegt Markus. "Maar dat betekent niet dat ze valide zijn. In een zwarte doos is het niet duidelijk hoe de verschillende factoren worden gewogen."
Het volumeprobleem blijkt misschien wel het verkeerde probleem om op te lossen.
AI heeft dit probleem versterkt doordat organisaties nog grotere hoeveelheden binnenkomende sollicitanten kunnen verwerken. Maar volume is niet de beperking — toegang wel.
De kosten van solliciteren daalden naar nul
De omvang van wat er aan de kant van kandidaten is gebeurd, wordt door de meeste recruitmentafdelingen nog steeds niet volledig doorgrond. Aaron Wang, CEO van Alex AI, maakte tijdens Transform het structurele punt duidelijk: de marktprijs voor het solliciteren naar een baan is tot bijna nul gedaald.
Een kandidaat met toegang tot een belangrijke AI-tool kan 's nachts op honderden banen solliciteren, waarbij elke sollicitatie wordt afgestemd op de specifieke functieomschrijving, de achtergrond van de wervingsmanager en de door de werkgever gecommuniceerde waarden.
Diezelfde tools kunnen kandidaten begeleiden door elk screeningformat waarmee ze aan de andere kant te maken krijgen, waaronder AI-sollicitatiegesprekken. De trechter die ooit filterde op inzet, filtert nu bijna uitsluitend op volume.
Wang presenteerde dit als een escalatie waar geen van beide partijen zich aan kan onttrekken. Hij beschreef een scenario in de nabije toekomst waarin AI-agenten van kandidaten autonoom onderhandelen over banen en erop solliciteren, terwijl ze aan de andere kant werkgevers-AI-systemen ontmoeten.
"Die toekomst is niet alleen mogelijk, maar waarschijnlijk," zei hij. Wat een dergelijk systeem daadwerkelijk zou meten, is een open vraag.
Voorlopig is het praktische effect dat de sollicitatie nog minder betrouwbaar is geworden als signaal. Kandidaten die het beste bij een functie passen, zijn misschien niet degenen die er op papier het beste uitzien, vooral wanneer dat papier is geoptimaliseerd om de ATS te omzeilen.
Opgevoerde signalen
De aantasting van betrouwbare signalen beperkt zich niet tot sollicitaties. Sabra Sciolaro, directeur Personeelszaken bij FirstUp, wijst op een vergelijkbare afbraak binnen organisaties, die directe gevolgen heeft voor de manier waarop wervingssignalen moeten worden geïnterpreteerd.
In een recent onderzoek van FirstUp onder meer dan 3.000 werknemers in de VS en Canada gaf 75-89% van de werknemers in verschillende functies aan betrokken te zijn. Van diezelfde werknemers zei 40-46% dat ze dit jaar actief overwogen hun baan op te zeggen.
Betrokkenheid is, net als enthousiasme tijdens een sollicitatiegesprek, een signaal dat kan worden opgevoerd. Het voorspelt geen resultaten.
Veel van de signalen waarop bedrijven hebben vertrouwd, zijn gemakkelijk op te voeren, maar voorspellen geen resultaten zoals behoud of prestaties. De signalen die sterker samenhangen met daadwerkelijke prestaties hebben te maken met de manier waarop mensen complexe informatie verwerken en hoe snel ze zich aanpassen wanneer prioriteiten verschuiven — eigenschappen die in de loop van de tijd en in context zichtbaar worden, niet in één AI-ondersteunde interactie.
Die manier van denken geldt ook eerder in het proces. De eigenschappen die iemand tot een sterke werknemer maken, zijn grotendeels dezelfde eigenschappen die bij een kandidaat van belang zijn, en noch een cv noch een gestructureerde AI-screening is goed ontworpen om ze naar boven te halen.
Wat professionals in de praktijk anders doen
Ben Lamarche, algemeen directeur bij Lock Search Group, heeft veranderd op welk moment in het proces hij echte signalen probeert te achterhalen. In plaats van te wachten tot een gepland gesprek begint om een echt gesprek te voeren, verplaatst hij die interactie naar de eerste dag waarop hij contact heeft met een kandidaat.
Een echt gesprek vond vroeger plaats nadat er een sollicitatiegesprek was ingepland. Nu gebeurt dat vaak al op dag één. Het doel is om zo snel mogelijk voorbij de fase van documentbeoordeling te komen en over te gaan tot echte interactie, waar het veel moeilijker is om op een ingestudeerd script te vertrouwen.
Wanneer hij sollicitaties beoordeelt, is zijn methode verschoven naar wat cv's onthullen in de hiaten tussen genoemde prestaties.
AI kan een kandidaat helpen een sterk opsommingsteken te schrijven. Het kan de gelaagdheid van een specifieke ervaring onder druk echter niet gemakkelijk nabootsen.
"Wanneer ik specifieke vragen begin te stellen," zegt Lamarche, "voel ik vrij snel aan of het echt is of ingestudeerd."
Hij wijst ook op een vertekening die AI-screening op grote schaal veroorzaakt: kandidaten die AI gebruiken om hun presentatie te optimaliseren, kunnen juist door de eerste fasen komen omdat ze er gepolijst uitzien, terwijl rustigere, capabelere kandidaten worden uitgefilterd voordat iemand met beoordelingsvermogen hen ziet.
Het signaalprobleem is niet alleen ruis, het is ruis die bepaalde presentatiestijlen systematisch bevoordeelt boven inhoud.
Markus biedt een meer gestructureerd alternatief, dat zij beschrijft als een verschuiving van het voorspellen van prestaties naar het vereisen van bewijs ervan.
De volgorde die zij met klanten hanteert, gaat van een eerste selectie op basis van kwalificaties en wettelijke vereisten naar kennisbeoordeling die specifiek is voor de functie, vervolgens naar gestructureerd bewijs van eerder toegepaste bekwaamheid aan de hand van gevalideerde werkvoorbeelden en een overzicht van uitgevoerde taken, daarna naar gerichte vragen om dat bewijs te valideren, en ten slotte naar bevestiging in de functie tijdens de inwerkperiode en proeftijd.
Die laatste fase is belangrijker dan de meeste organisaties beseffen. Als het doel is om bekwaamheid in de daadwerkelijke context te valideren, is de proeftijd meer dan een formaliteit: het is de meest betrouwbare beoordelingsfase die beschikbaar is, en de meeste bedrijven zijn ermee opgehouden die als zodanig te gebruiken.
Waar vaardigheden vooropstaan
De wervingsbeweging waarbij vaardigheden vooropstaan heeft de afgelopen jaren een aanzienlijk deel van de aandacht van organisaties opgeëist, deels omdat zij een echt probleem aanpakt: diploma's en afkomst zijn zwakke indicatoren van wat iemand daadwerkelijk kan. Lamarche en Markus erkennen beiden dat de richting juist is.
"Het dwingt bedrijven om duidelijker na te denken over wat de functie daadwerkelijk vereist, in plaats van standaard terug te vallen op diploma's of afkomst," zegt Lamarche. "Dat is een positieve verschuiving."
De implementatie is waar het misgaat.
Veel implementaties steunen nog steeds op zeer algemene vaardighedentaxonomieën en zelfverklaring van vaardigheden. Werving waarbij vaardigheden vooropstaan helpt niet tenzij er een duidelijke koppeling is tussen specifieke verantwoordelijkheden van de functie, de competenties die nodig zijn om die uit te voeren, en een manier om die te valideren op het niveau van daadwerkelijke taken. De meeste organisaties hebben die koppeling niet opgebouwd. Ze hebben de ene reeks zwakke indicatoren vervangen door een andere en dat vooruitgang genoemd.
Het volumeprobleem heeft geen eenvoudige oplossing. Duizenden sollicitanten kunnen niet realistisch worden voorgeselecteerd via simulaties of proeven op de werkvloer. Iets moet de instroom eerst filteren, en momenteel is dat óf menselijke beoordelaars die naar een klein percentage van de sollicitaties kijken, óf AI-hulpmiddelen die taalpatronen evalueren. Geen van beide meet wat werving daadwerkelijk zou moeten meten.
Evaluatie met sterke signalen eerder in het proces plaatsen, beoordelingskaders opbouwen die specifiek zijn voor de functie, en de fase van documentbeoordeling behandelen als de fase met weinig signalen die zij is — niets daarvan is technisch moeilijk.
Het is gewoon langzamer en weloverwogener dan een vacature plaatsen en een ATS de resultaten laten sorteren. In een omgeving waarin snelheid de standaardmaatstaf voor wervingsefficiëntie is geworden, is weloverwogen te werk gaan moeilijk te verkopen. Op dit moment is het bovendien de enige manier om erachter te komen of de persoon die je aanneemt het werk daadwerkelijk kan doen.
