AI-software voor werving verkoop je het makkelijkst door te beloven dat ze menselijke vooroordelen wegneemt.
Het verhaal is snel verteld. Mensen zijn inconsistent. Mensen gaan af op hun buikgevoel. Mensen trekken kandidaten voor die op hen lijken en net zo klinken. Software wordt niet moe en heeft geen favoriete voetbalclub. Vervang de mens door de machine en de vooroordelen verdwijnen.
Het is een sterke belofte. Het is ook een bewering die veel verder gaat dan het bewijs meestal toelaat.
Die vooroordelen zijn er wel degelijk. In een Nederlands veldexperiment met 4.211 fictieve sollicitaties in tien beroepen hadden sollicitanten met een migratieachtergrond een voorspelde kans van 35 procent op een positieve reactie, tegenover 46 procent voor sollicitanten van Nederlandse herkomst (Thijssen, Coenders en Lancee, 2021). Het experiment liet de onderkant van de arbeidsmarkt, zoals magazijn- en schoonmaakwerk, buiten beschouwing. Ook met meer informatie in de sollicitaties werd het verschil niet kleiner.
Dat is belangrijk voor iedereen die wervingstechnologie koopt, en ook voor ons. Laten we het daarom ronduit zeggen, als bedrijf dat deze technologie bouwt: geen enkele wervingstool neemt vooroordelen weg. Ook de onze niet.
Waar ontstaan vooroordelen bij werving?
De meeste discussies over AI-bias in werving gaan over het model. Maar de uitkomsten van werving krijgen al vorm lang voordat er een model draait, en ook nog lang daarna.
Denk aan alles wat bepaalt wie er wordt aangenomen: hoe de functie is omschreven en welke eisen er op papier staan, waar de vacature wordt geplaatst en wie hem ooit te zien krijgt, en welke kandidaten er überhaupt solliciteren. Denk ook aan welke vragen er worden gesteld en wat als een goed antwoord telt, aan hoe recruiters en hiring managers het bewijs interpreteren, aan wat er gebeurt als een kandidaat niet in het plaatje past, en aan de gewoonten en de geschiedenis van de organisatie zelf.
Technologie kan overal in die keten zitten, maar is er slechts één onderdeel van. Een slecht omschreven eis leidt tot oneerlijke uitkomsten, of die nu door een mens of door een machine wordt toegepast. En een proces dat sterk op mensen leunt, is ook niet vanzelf eerlijk.
Wat je moet onderzoeken, is het hele proces, niet de tool.
Wat kan wervingstechnologie aan vooroordelen veranderen?
Technologie is niet onbelangrijk als het om vooroordelen gaat. Ze verandert hoe een proces werkt, en sommige van die veranderingen zijn nuttig.
Technologie kan elke kandidaat voor een vacature dezelfde functierelevante vragen stellen. Ze dwingt af dat de eisen op papier komen, omdat je criteria pas kunt instellen als ze er zijn. Ze legt de antwoorden per eis vast, in plaats van ze in het hoofd van één recruiter te laten zitten. Ze maakt het mogelijk om achteraf te zien waarop een beslissing was gebaseerd en wie die nam. En ze kan recruiters repetitief werk bij het verwerken van sollicitaties uit handen nemen, waardoor er meer tijd kan overblijven voor een zorgvuldige beoordeling.
Dit zijn procesmechanismen. Ze maken sommige vormen van inconsistentie minder waarschijnlijk en andere beter zichtbaar. Maar consistentie is niet hetzelfde als eerlijkheid.
Een proces kan heel consistent zijn en toch problematische uitkomsten opleveren. Als een eis niet echt nodig is voor de functie en je hem op iedereen gelijk toepast, stuit iedereen op dezelfde onnodige drempel. Als een vraag voor sommige groepen moeilijker te beantwoorden is om redenen die niets met de functie te maken hebben, wordt die vraag niet eerlijk doordat je hem consequent stelt.
Het verschil is simpel. Consistentie is een mechanisme: dat kun je inbouwen. Eerlijkheid is een uitkomst: die moet je meten.
Wat het onderzoek wel en niet laat zien
Over discriminatie bij werving in Nederland komt het beste bewijs uit veldexperimenten, waarin onderzoekers gelijkwaardige fictieve sollicitaties naar echte vacatures sturen.
Het onderzoek waarmee dit artikel opent, is er een van. Thijssen, Coenders en Lancee (2021) voerden het tussen oktober 2016 en april 2018 uit, met sollicitanten van 23 tot 25 jaar uit 35 etnische minderheidsgroepen. Het verschil was groter voor niet-westerse dan voor westerse minderheidsgroepen. Het werd ook niet kleiner als er behaalde cijfers, informatie over prestaties, sociale vaardigheden of een foto aan de sollicitaties werden toegevoegd.
Die bevinding is belangrijk, en tegelijk beperkt. Het onderzoek mat de reacties van werkgevers in de sollicitatiefase, met fictieve sollicitaties, en liet de onderkant van de arbeidsmarkt buiten beschouwing. Het zegt dus niet direct iets over werving voor de werkvloer in de logistiek.
De auteurs pleiten voor meer aandacht voor maatregelen zoals het formaliseren van wervingsprocessen, anoniem solliciteren en een sterker antidiscriminatiebeleid, al merken ze op dat er weinig onderzoek is naar de effecten van zulke maatregelen.
Uit Amerikaans onderzoek blijkt wel dat de gemiddelde scoreverschillen tussen groepen bij gestructureerde interviews kleiner zijn dan bij cognitieve capaciteitentests (Sackett en collega’s, 2022). Dat is geen bewijs dat structuur discriminatie bij werving vermindert. En geen enkel onderzoek dat we voor onze whitepaper The Radius Papers 01 hebben bestudeerd, laat zien dat gestructureerde screening of screening met behulp van AI tot minder discriminatie leidt.
Wat vraag je de leverancier van een wervingstool over vooroordelen?
De vraag “Neemt jullie tool vooroordelen weg?” lokt een ja uit, en zo’n ja zegt heel weinig.
Betere vragen laten minder ruimte om te bluffen. Wat beoordeelt het systeem precies, en aan de hand van welke criteria? Wie heeft die criteria opgesteld, en is voor elk criterium te verdedigen dat het functierelevant is? Welk bewijs levert het per kandidaat op, en kan een recruiter dat inzien en aanvechten? Rangschikt het kandidaten of wijst het ze af, of ondersteunt het alleen de beoordeling? En worden de uitkomsten ook echt doorlopend gemonitord, inclusief de verschillen tussen groepen, voor zover dat wettelijk mag? De volledige lijst staat in onze gids over het kiezen van AI-software voor werving.
Sommige dingen moet je gewoon uitsluiten. Sinds 2 februari 2025 verbiedt de Europese AI-verordening (AI Act) AI voor emotieherkenning op de werkplek. Het verbod gaat over het afleiden van emoties uit biometrische gegevens, zoals een gezicht of een stem, met uitzonderingen om medische of veiligheidsredenen. Volgens de richtsnoeren van de Europese Commissie, die niet bindend zijn, geldt het verbod ook voor sollicitanten (C(2025) 5052 final).
Wat Radius Hire doet, en waar het mis kan gaan
Radius Hire stelt elke sollicitant dezelfde gestructureerde vragen, gebaseerd op de eisen die de werkgever vastlegt, en laat de recruiter per eis het bewijs zien, met het label Bewezen, Opgegeven of Ontbreekt. Radius Hire rangschikt geen kandidaten en wijst niemand zelfstandig af. Een recruiter beslist.
Kandidaten antwoorden mondeling, in hun eigen taal, en Radius Hire beoordeelt geen accent, uiterlijk of achtergrond. Die keuzes nemen een aantal bekende bronnen van inconsistentie weg en maken het bewijs zichtbaar. Ze bewijzen niet dat Radius Hire vrij is van vooroordelen, en dat beweren we ook niet. We hebben geen gepubliceerd bewijs dat het eerlijkere uitkomsten oplevert dan welke andere methode ook, en dus ook niet dan een zorgvuldig proces dat mensen zelf uitvoeren.
Ons product brengt ook eigen risico’s mee. Spraakherkenning maakt bij sommige accenten en dialecten meer fouten dan bij andere (Koenecke en collega’s, 2020), waardoor een transcriptie een deel van het werkelijke antwoord kan missen. Een vraag die in meerdere talen wordt gesteld, moet in elke taal hetzelfde betekenen, en bij het vertalen kan de betekenis verschuiven. Beide kunnen een antwoord zwakker laten lijken dan het was. Daarom ziet de recruiter achter elk label het antwoord, niet alleen het label, en daarom behandelen we een transcriptie als bewijs dat je nog moet controleren, niet als eindoordeel.
Hoe ziet verantwoord werven met AI eruit?
Welke tools je ook gebruikt, de praktijk is minder glamoureus dan de marketing. Begin bij functierelevante eisen, opgeschreven in de woorden van de leidinggevenden die het werk aansturen, en vraag er consequent naar. Maak de beoordelingscriteria zichtbaar voor iedereen die ze toepast. Verzamel bewijs in plaats van alleen af te gaan op wat kandidaten zelf zeggen. Zorg dat er voor elke beslissing een aangewezen persoon verantwoordelijk is, met de bevoegdheid om alles wat de tool oplevert aan te vechten en te overrulen.
Doe dan het deel dat de meeste teams overslaan: houd de uitkomsten in de gaten. Kijk wie er doorstroomt, wie er wordt aangenomen en wie er blijft, en neem het proces opnieuw onder de loep als het bewijs een probleem laat zien. Als je uitkomsten tussen groepen vergelijkt, kun je te maken krijgen met bijzondere categorieën van persoonsgegevens, zoals etnische afkomst, die de AVG streng beschermt. De AI-verordening staat het gebruik van zulke gegevens onder strikte voorwaarden toe om bias in AI-systemen op te sporen en te corrigeren. Of het monitoren van je eigen uitkomsten daaronder valt, is een vraag voor je jurist.
Wees ook open tegen kandidaten: de AVG verplicht je om ze te vertellen hoe hun gegevens worden gebruikt. Wat de AI-verordening nu al vereist, en vanaf wanneer, lees je in onze gids over de AI Act bij werving en selectie. En zie dit alles als doorlopend werk, niet als een vinkje bij de aankoop.
Tot slot
De eerlijke belofte van werven met AI is niet “we hebben vooroordelen weggenomen”.
Volgens ons komt die eerder hierop neer: we hebben het proces zo ingericht dat belangrijke beslissingen op duidelijker bewijs rusten, dat mensen verantwoordelijk zijn voor de beslissing en dat de uitkomsten doorlopend worden gemonitord.
Dat is een kleinere belofte. Het is er ook een die je kunt controleren.
Wat het onderzoek naar werven voor de werkvloer laat zien, en wat niet, lees je in The Radius Papers 01: Een nieuwe standaard voor werving en selectie op de werkvloer.