AI sourcing in detachering: wat werkt in de praktijk en wat niet

AI sourcing belooft je in minuten een shortlist waar een recruiter een halve dag over doet. Voor een deel van dat werk klopt dat. Voor een ander deel levert het zelfverzekerd klinkende ruis op die je kandidaatmerk beschadigt en je domein verbrandt. Hieronder: vijf losse lagen AI sourcing, wat elke laag een detacherings- of werving & selectie-bureau echt oplevert, waar het stukloopt, en hoe AVG en de AI Act erin zitten.

AI sourcing is geen product, het zijn vijf losse functies

Leveranciers verkopen AI sourcing als één knop. Onder de motorkap zitten vijf functies die technisch weinig met elkaar te maken hebben en die sterk verschillen in betrouwbaarheid. Gooi je ze op één hoop, dan koop je de zwakste laag mee.

• Vinden en rangschikken van profielen in externe bronnen.
• Verrijken en dedupliceren van data tegen je eigen database.
• Opstellen van gepersonaliseerde eerste berichten.
• Screenen en scoren van binnengekomen sollicitanten.
• Heractiveren van kandidaten die al in je bestand zitten.

Laag 2 en 5 geven de meeste leverage bij het minste risico. Laag 1 en 3 zijn wisselvallig. Laag 4 vraagt de meeste voorzichtigheid.

Waar de winst echt zit

Verrijken en dedupliceren tegen je eigen database

Saai werk, en precies daarom geschikt voor automatisering. Titels normaliseren, dubbele records samenvoegen, dode e-mailadressen markeren, losse cv-uploads koppelen aan bestaande kandidaten. Er zit geen oordeel over een mens in, de uitkomst is objectief controleerbaar en de winst is direct meetbaar: geen twee consultants meer die dezelfde kandidaat bellen voor dezelfde opdracht.

Je bestaande kandidatenpool heractiveren

De goedkoopste kandidaat is de kandidaat die je al kent. AI herkent welke oude profielen matchen met een openstaande opdracht en schrijft een aanzet voor een bericht dat teruggrijpt op jullie eerdere gesprek. Dat laatste werkt alleen als die gespreksnotities er ook echt staan: zonder brondata verzint het model context.

Rekenvoorbeeld. Stel: je bestand telt 12.000 records, waarvan er na opschoning 8.000 bruikbaar zijn. Je selecteert daaruit 2.000 profielen en gaat uit van 3% respons. Dat zijn 60 gesprekken. Reken je met 1 plaatsing per 10 gesprekken, dan zijn dat 6 plaatsingen. De percentages zijn aannames, geen benchmark: vul je eigen cijfers in en de uitkomst verandert. Zonder opgeschoonde data kun je die rekensom niet eens maken.

Waar het zelfverzekerd klinkende ruis wordt

Vinden en rangschikken

Zoeken werkt aardig zolang het profiel zich in woorden laat vangen. De rangschikking is het probleem: modellen rangschikken op de aanwezigheid van woorden, niet op vermogen. Wie zijn LinkedIn goed heeft ingericht klimt naar boven; wie twee jaar hetzelfde vak uitoefende zonder het op te schrijven zakt weg. Bij schaarse profielen zit je beste kandidaat vaak in die tweede groep. Behandel de score dus als leesvolgorde, niet als oordeel.

Gepersonaliseerde eerste berichten

Hier gaat het het vaakst mis. Modellen schrijven vlot Nederlands, dus op je eigen scherm ziet het er goed uit. Maar kandidaten in schaarse vakgebieden krijgen tien van die berichten per week en herkennen het patroon binnen twee regels: een compliment over hun ervaring, een vage verwijzing naar hun werkgever, een vrijblijvend kopje koffie.

Personalisatie op basis van databasevelden is geen personalisatie, het is invullen. Echt persoonlijk wordt het met informatie die alleen jij hebt: wat er in dat eerdere gesprek gezegd is, welke opdrachtgever je in gedachten hebt. Laat AI de eerste versie schrijven en laat een mens die ene zin toevoegen die niet uit een veld komt.

Screenen en scoren

Automatisch scoren voelt als de grootste tijdwinst en is de riskantste laag. Een model dat leert van je eigen aannamehistorie leert ook je eigen voorkeuren: welke opleidingen je vaker doorliet, welke postcodes, welke loopbaanonderbrekingen je stilzwijgend afwaardeerde. Dat komt er niet als vooroordeel uit, maar als een net getal met twee decimalen.

“Een model dat je eigen aannamehistorie napraat, is geen objectief filter. Het is je eigen voorkeur, sneller en met meer gezag uitgesproken.”

Gebruik scoring hooguit om volgorde aan te brengen, nooit om af te wijzen. Iedere afwijzing die niemand heeft gezien, is een afwijzing die je niet kunt uitleggen.

De vier faalmodi die je het meest kosten

• Volumeschade aan je domein. Meer versturen dan je kunt opvolgen levert spamklachten en bounces op. Dat raakt ook je gewone e-mail naar opdrachtgevers.
• Merkschade in een kleine markt. In een niche kent iedereen elkaar. Drie herkenbaar generieke berichten en je staat bekend als het bureau dat bulkt.
• Ranking op trefwoorden in plaats van vermogen. Je shortlist wordt een lijst van mensen die goed schrijven over hun werk.
• Onzichtbare bias in scores. Zonder periodieke controle op de uitkomsten merk je pas dat er iets scheef zit als iemand klaagt.

AVG en de AI Act: wat er wel en niet klopt

Twee regimes lopen naast elkaar en stellen andere vragen. Onder de AVG gaat het om je grondslag en je bewaartermijn. Profielen scrapen en verrijken is verwerking van persoonsgegevens, ook als de bron openbaar is: je hebt een grondslag nodig, je moet betrokkenen kunnen informeren en je moet kunnen uitleggen waar een gegeven vandaan komt. De Autoriteit Persoonsgegevens hanteert als richtlijn: sollicitatiegegevens weg binnen vier weken na afronding, of maximaal een jaar met toestemming. Artikel 22 AVG speelt zodra een besluit met aanmerkelijke gevolgen volledig geautomatiseerd valt — een automatische afwijzing valt daar snel onder.

De AI Act is Europese productwetgeving en werkt anders. AI-systemen bedoeld voor werving en selectie — gericht vacatures plaatsen, sollicitaties filteren, kandidaten beoordelen — vallen in de hoog-risicocategorie. Het merendeel van de verplichtingen ligt bij de aanbieder, niet bij jou. Jouw plichten draaien om menselijk toezicht, gebruik volgens de instructies, de kwaliteit van je invoerdata, logging en het informeren van betrokkenen. Twee dingen gelden al langer: je medewerkers moeten voldoende AI-geletterd zijn, en systemen die emoties afleiden op de werkvloer zijn verboden — beoordeling van sollicitanten op emotie in video valt daaronder.

De gefaseerde invoering van de hoog-risicoverplichtingen is politiek meermaals aangepast. Neem geen datum aan op het woord van je leverancier: vraag schriftelijk in welke categorie hij zijn systeem plaatst en welke documentatie hij levert. Laat een jurist naar de contracten kijken in plaats van naar een blogartikel — ook dit artikel.

Wat je onder alle omstandigheden menselijk houdt

De lagen die je uitbesteedt zijn de lagen zonder oordeel. Alles met een oordeel of een verkoop erin blijft van een mens.

• De intake bij de opdrachtgever. Wat in de vacaturetekst staat is zelden wat de manager écht zoekt. Dat haal je alleen boven met doorvragen.
• Het kwalificatiegesprek met de kandidaat. Motivatie, opzegtermijn, wat er bij de vorige werkgever misging: dat vertelt niemand aan een formulier.
• De sell. Een kandidaat een goede baan laten verruilen voor een betere is overtuigingswerk, geen informatievoorziening.

Zorg wel dat de output van je sourcinglaag netjes in je systemen landt, anders raak je de winst kwijt op de overdracht. Hoe je die keten sluitend maakt, staat in ons artikel over het koppelen van ATS en CRM.

Checklist: zo beoordeel je een AI sourcing tool

• Welke van de vijf lagen doet dit product écht, en welke koop ik er ongewild bij?
• Waar komen de profielen vandaan en op welke grondslag zijn ze verzameld?
• Kan ik op veldniveau zien waaróm een kandidaat hoog scoort, en die verklaring narekenen?
• Wordt mijn kandidaatdata gebruikt om modellen van de leverancier te trainen?
• Ziet een mens elk uitgaand bericht voordat het weggaat, of alleen een steekproef?
• Welke documentatie levert de leverancier op papier over classificatie onder de AI Act?
• Wat gebeurt er met mijn data als ik opzeg, en in welk formaat krijg ik die terug?
• Meet ik het resultaat op plaatsingen, of alleen op verstuurde berichten en gevonden profielen?

Die laatste vraag ontmaskert de meeste tools. Een dashboard dat pronkt met duizenden gevonden profielen meet moeite, geen resultaat.

Conclusie: gebruik AI voor het saaie werk, niet voor het oordeel

AI sourcing is geen hype meer en ook geen wondermiddel. Het verdient zijn geld terug op data-opschoning, deduplicatie en het heractiveren van je eigen bestand, en het kost je geld zodra het het oordeel en het eerste contact overneemt. Meet op plaatsingen en houd intake, kwalificatie en sell bij je consultants. Verdiep je verder in de rol van AI in recruitment marketing.

Binnen JAM zetten we AI sourcing in als één onderdeel van kandidaatwerving, naast advertenties en vacaturedistributie — met een mens op het eerste contact. Wil je nuchter doorrekenen wat dat voor jouw bureau oplevert? Plan een gesprek en neem je eigen cijfers mee.