De makkelijkste manier om AI-wervingssoftware te verkopen, is door te beloven dat ze menselijke vooroordelen wegneemt.
Het verhaal verkoopt zichzelf. Mensen zijn inconsequent. Mensen gaan af op hun onderbuikgevoel. Mensen trekken kandidaten voor die net zo klinken en er net zo uitzien als zijzelf. Software wordt niet moe en heeft geen favoriete voetbalclub. Vervang de mens door de machine en vooroordelen verdwijnen.
Het is een krachtige belofte. Maar het is ook een veel grotere claim dan het bewijs doorgaans kan onderbouwen.
Die vooroordelen zijn reëel. In een Nederlands veldexperiment met 4.211 fictieve sollicitaties in tien beroepen, exclusief de laagste segmenten van de arbeidsmarkt, zoals magazijn- en schoonmaakwerk, 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 toevoegen van meer informatie aan de sollicitaties verkleinde dat verschil niet.

Dit is belangrijk voor iedereen die wervingstechnologie inkoopt, en het is belangrijk voor ons. Laten we het daarom klip-en-klaar zeggen, als bedrijf dat deze technologie bouwt: geen enkele wervingstool neemt vooroordelen weg. Ook de onze niet.
Waar beginnen vooroordelen bij werving?
De meeste gesprekken over AI-bias bij werving gaan over het model. Maar de uitkomst van een wervingsproces wordt al lang voor en lang na de inzet van een model bepaald.
Denk aan alles wat bepaalt wie er uiteindelijk wordt aangenomen. Hoe de functie is gedefinieerd en welke eisen er op papier staan. Waar de vacature wordt uitgezet en wie hem überhaupt te zien krijgt. Welke sollicitanten überhaupt reageren. Welke vragen er worden gesteld en wat als een goed antwoord geldt. Hoe recruiters en hiring managers de onderbouwing interpreteren, wat er gebeurt als een kandidaat niet in het standaardprofiel past, en de gewoontes en geschiedenis van de organisatie zelf.
Technologie kan op elk punt in die keten zitten, maar is slechts één onderdeel. Een slecht gedefinieerde eis leidt tot oneerlijke uitkomsten, of die nu door een mens of een machine wordt toegepast. En een proces dat sterk op mensen leunt, is evenmin automatisch eerlijk.
Je moet kijken naar het complete proces, niet naar de afzonderlijke tool.
Wat kan wervingstechnologie veranderen aan vooroordelen?
Technologie is niet irrelevant als het om bias gaat. Ze verandert hoe een proces verloopt, en sommige van die veranderingen zijn waardevol.
Ze kan elke kandidaat voor een functie dezelfde functiegerichte vragen stellen. Ze dwingt af dat eisen worden vastgelegd, want criteria moeten bestaan voordat je ze kunt instellen. Ze legt antwoorden vast tegenover die eisen, in plaats van ze over te laten aan het geheugen van één recruiter. Ze maakt het mogelijk om achteraf te zien waarop een besluit was gebaseerd en wie het heeft genomen. En ze haalt repetitief werk van het bureau van recruiters, waardoor er meer tijd overblijft voor een zorgvuldige beoordeling.
Dit zijn procesmechanismen. Ze maken bepaalde vormen van inconsistentie minder waarschijnlijk en andere makkelijker zichtbaar. Maar consistentie is niet hetzelfde als eerlijkheid.
Een proces kan uiterst consistent zijn en toch problematische uitkomsten opleveren. Als een eis niet echt nodig is voor het werk, werpt de gelijke toepassing ervan voor iedereen dezelfde onnodige drempel op. Als een vraag voor bepaalde groepen lastiger te beantwoorden is om redenen die losstaan van de functie, maakt het consistent stellen van die vraag het nog niet eerlijk.
Het verschil is simpel. Consistentie is een mechanisme: dat kun je inrichten. Eerlijkheid is een resultaat: dat moet je meten.
Wat het onderzoek ons wel en niet vertelt
Het beste bewijs over discriminatie bij werving in Nederland is afkomstig uit veldexperimenten, waarbij onderzoekers vergelijkbare fictieve sollicitaties naar echte vacatures sturen.
Het onderzoek uit de inleiding is daar een van. Thijssen, Coenders en Lancee (2021) voerden dit uit tussen oktober 2016 en april 2018, met sollicitanten tussen de 23 en 25 jaar uit 35 etnische minderheidsgroepen. Het verschil was groter voor niet-westerse dan voor westerse minderheidsgroepen. Het toevoegen van cijfers, prestatiegegevens, sociale vaardigheden of een foto aan de sollicitaties maakte dat verschil niet kleiner.
Die bevinding is belangrijk, maar ook specifiek. Er werd gemeten wie werd uitgenodigd in de eerste sollicitatiefase, met fictieve sollicitaties, en de laagste segmenten van de arbeidsmarkt bleven buiten beschouwing. Het beschrijft werving op de werkvloer in de logistiek dus niet rechtstreeks.
De auteurs pleiten voor meer aandacht voor interventies zoals het formaliseren van selectieprocessen, anoniem solliciteren en een strenger antidiscriminatiebeleid, waarbij ze opmerken dat onderzoek naar de effecten van dergelijke maatregelen schaars is.
Onderzoek uit de Verenigde Staten laat wel kleinere gemiddelde scoreverschillen tussen groepen zien bij gestructureerde gesprekken dan bij cognitieve vaardigheidstesten (Sackett en collega’s, 2022). Dat is geen bewijs dat structuur discriminatie bij werving vermindert, en geen enkel onderzoek dat is bekeken voor The Radius Papers 01: Een nieuwe standaard voor werving en selectie op de werkvloer toont aan dat gestructureerde of AI-ondersteunde screening dat wél doet.
Wat moet je een wervingstool vragen over vooroordelen?
“Neemt jullie tool vooroordelen weg?” lokt een ja uit, en die ja zegt vrijwel niets.
Betere vragen zijn lastiger te omzeilen. Wat beoordeelt het systeem precies, en aan de hand van welke criteria? Wie heeft die criteria opgesteld, en kun je elk criterium verdedigen als relevant voor de functie? Welke onderbouwing levert het voor elke kandidaat op, en kan een recruiter die inzien en betwisten? Rangschikt of wijst het kandidaten zelf af, of ondersteunt het puur de beoordeling? En worden uitkomsten, inclusief verschillen tussen groepen waar dat wettelijk is toegestaan, daadwerkelijk gemonitord door de tijd heen? De volledige lijst vind je in onze gids voor het kiezen van AI-recruitmentsoftware.
Sommige zaken moeten simpelweg worden uitgesloten. Sinds 2 februari 2025 verbiedt de Europese AI-verordening het gebruik van AI die emoties op de werkplek afleidt. Dit verbod geldt voor het afleiden van emoties uit biometrische gegevens zoals een gezicht of stem, met uitzonderingen om medische of veiligheidsredenen. Volgens de richtsnoeren van de Europese Commissie, die niet bindend zijn, geldt dit 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 stelt, en toont de recruiter het bewijs achter elke eis, gelabeld als Aangetoond, Opgegeven of Ontbreekt. Het kent geen rangorde toe aan kandidaten en wijst niemand zelfstandig af. De recruiter beslist.
Kandidaten antwoorden via spraak, in hun eigen taal, en Radius Hire beoordeelt geen accent, uiterlijk of achtergrond. Deze keuzes nemen een aantal bekende bronnen van inconsistentie weg en maken de onderbouwing inzichtelijk. Ze bewijzen niet dat Radius Hire vrij is van vooroordelen, en dat beweren we ook niet. We hebben geen gepubliceerd bewijs dat het tot eerlijkere uitkomsten leidt dan welke andere methode dan ook, inclusief een zorgvuldig menselijk proces.
Ons product brengt ook eigen risico’s met zich mee. Spraakherkenning maakt bij bepaalde accenten en dialecten meer fouten dan bij andere (Koenecke en collega’s, 2020), waardoor een transcriptie een deel van een echt antwoord kan missen. Een vraag die in meerdere talen wordt gesteld, moet in elke taal exact hetzelfde betekenen, en een vertaling kan subtiel verschuiven. Beide kunnen een antwoord zwakker doen lijken dan het was. Daarom ziet de recruiter het antwoord achter elk label en niet alleen het label zelf, en beschouwen we een transcriptie als te verifiëren bewijs, niet als een oordeel.
Hoe ziet verantwoorde AI-werving eruit?
Welke tools je ook gebruikt, de praktijk is minder glamoureus dan de marketing. Vertrek vanuit functiegerichte eisen, geformuleerd in de woorden van de mensen die de leiding hebben op de werkvloer, en vraag hier consistent naar. Maak de beoordelingscriteria inzichtelijk voor iedereen die ze toepast. Verzamel feitelijke onderbouwing in plaats van alleen af te gaan op beweringen. Zorg dat een met naam genoemd persoon verantwoordelijk blijft voor elke beslissing, met de bevoegdheid om elke uitkomst te betwisten en te overrulen.
Doe vervolgens het deel dat de meeste teams overslaan: houd de resultaten in de gaten. Kijk wie er doorgaat in het proces, wie er wordt aangenomen en wie er blijft, en herzie het proces zodra de feiten op een probleem wijzen. Het vergelijken van uitkomsten tussen groepen kan bijzondere categorieën persoonsgegevens betreffen, zoals etnische afkomst, die streng worden beschermd door de AVG. De AI-verordening staat dergelijke gegevens onder strikte voorwaarden toe om bias in AI-systemen op te sporen en te corrigeren. Of dat ook geldt voor je eigen resultatenmonitoring, is een vraag voor je juridisch adviseur.
Wees ook open naar kandidaten: de AVG verplicht je om hen te vertellen hoe hun gegevens worden gebruikt. Wat de AI-verordening nu al vereist en vanaf wanneer, lees je in onze gids over de Europese AI-verordening en recruitment. En beschouw dit alles als een doorlopend proces, niet als een eenmalig vinkje bij aanschaf.
Tot slot
De eerlijke belofte van AI-werving is niet: “we hebben vooroordelen weggenomen”.
In onze ogen ligt het dichter bij dit: we hebben het proces zo ingericht dat belangrijke beslissingen steunen op duidelijkere onderbouwing, met mensen die verantwoordelijk zijn voor het besluit en uitkomsten die doorlopend worden gemonitord.
Dat is een bescheidenere belofte. Maar wel een die je kunt controleren.
Lees The Radius Papers 01: Een nieuwe standaard voor werving en selectie op de werkvloer om te zien wat het onderzoek naar werving op de werkvloer aantoont, en wat niet.
