Kort samengevat

  • Functietitels geven zelden betrouwbare informatie over de werkelijke span of control; teamgrootte varieert in de praktijk van 2 tot meer dan 100 medewerkers onder dezelfde functienaam.
  • AI Sourcing modellen kunnen direct onderscheid maken tussen directe rapportages (direct reports) en indirecte rapportages via tussenlagen.
  • Een rekenvoorbeeld toont aan dat geautomatiseerde extractie bij 1.500 profielen per maand meer dan 69 uur handmatige cv-screening bespaart.
  • Leadstars levert ingerichte AI Sourcing workflows met een vaste doorlooptijd via de 7-daagse leveringsgarantie.

Voor recruitment- en detacheringsbureaus die bemiddelen in management-, directie- of operationele leidinggevende functies is de functietitel een van de meest onbetrouwbare filters. Een kandidaat met de titel Operations Manager bij een mkb-bedrijf stuurt wellicht 3 medewerkers aan, terwijl dezelfde titel bij een logistieke dienstverlener verantwoordelijkheid over 120 fte inhoudt. Handmatige screening van cv's om de werkelijke span of control te achterhalen kost recruiters tientallen uren per week. AI teamgrootte extractie lost dit knelpunt op door ongestructureerde werkervaringstekst automatisch om te zetten in harde, filterbare data.

Waarom traditionele functietitelfilters falen bij leiderschapsprofielen

In traditionele boolean search en ATS-zoekopdrachten zijn recruiters afhankelijk van functietitels en trefwoorden. Dit leidt tot twee structurele problemen in de sourcing-pipeline:

  • Valse positieven: kandidaten met een zware managementtitel die in werkelijkheid meewerkend voorman zijn of slechts één stagiair begeleiden.
  • Valse negatieven: ervaren leidinggevenden met generieke titels zoals Consultant, Projectmanager of Senior Specialist die feitelijk projectteams van 15 tot 30 specialisten aansturen.
  • Verkeerde senioriteitsinschatting: het onvermogen om snel onderscheid te maken tussen operationeel leidinggeven (directe rapportages) en strategisch leidinggeven (aansturen van managers).

Door AI in te zetten voor entiteit- en getal-extractie binnen de werkervaring, ontstaat direct inzicht in de werkelijke organisatorische footprint van een kandidaat per carrièrestap.

Hoe AI teamgrootte en span of control herkent

AI teamgrootte extractie maakt gebruik van natuurlijke taalverwerking (NLP) en getrainde Large Language Models (LLM's) om semantische structuren in cv-teksten en LinkedIn-samenvattingen te analyseren. Het model herkent zinsconstructies waarin leiderschap, teamomvang en organisatiestructuur naar voren komen.

Het extractiemodel zoekt niet enkel naar getallen naast het woord 'team', maar analyseert de grammaticale context. Voorbeelden van patronen die het model structureert:

  • Directe span of control: 'Verantwoordelijk voor de dagelijkse aansturing van 8 software engineers' wordt geëxtraheerd als direct_reports: 8.
  • Gelaagde managementstructuur: 'Aansturing van 4 teamleiders en een totale afdeling van 55 fte' resulteert in direct_reports: 4 en total_team_size: 55.
  • Projectmatige teamgrootte: 'Leidinggegeven aan multidisciplinaire projectteams van 6 tot 12 specialisten' leidt tot project_team_min: 6 en project_team_max: 12.
  • Groei en schaalvergroting: 'Het team uitgebouwd van 5 naar 24 medewerkers in 18 maanden' wordt gelabeld als team_growth: 19 fte.

Directe versus indirecte rapportagelijnen structureren

Een cruciaal kwaliteitsverschil bij leiderschapssourcing is het onderscheid tussen directe rapportages (hiërarchisch leidinggevende) en indirecte rapportages (totale scope). Een kandidaat die 50 mensen direct aanstuurt heeft een compleet ander profiel en competentieset dan iemand die 50 mensen aanstuurt via 4 teammanagers.

Met een goed geconfigureerde AI Sourcing parser worden deze gegevens gestructureerd opgeslagen in afzonderlijke datavelden. Hierdoor kunnen recruiters binnen het ATS of sourcing-platform uiterst precieze zoekopdrachten uitvoeren, zoals: toon alle kandidaten met minimaal 3 jaar ervaring in een rol met een span of control van minimaal 15 fte en minimaal 2 indirecte rapportagelagen.

Rekenvoorbeeld: Tijdsbesparing bij management recruitment

Stel dat een werving- en selectiebureau gespecialiseerd is in productiemanagement en maandelijks 1.500 potentiële kandidaten screent voor diverse opdrachten. In een traditionele werkwijze besteedt een sourcer gemiddeld 3 minuten per cv aan het handmatig doornemen van werkervaring om de teamgrootte te verifiëren. Dit staat gelijk aan 75 uur handmatig werk per maand.

Wanneer AI teamgrootte extractie wordt toegepast tijdens de initiële verrijking van de kandidatendatabase, classificeert het systeem de profielen direct in categorieën (bijvoorbeeld 1-5 fte, 6-20 fte, 21-50 fte en 50+ fte). Van de 1.500 profielen vallen er in dit rekenvoorbeeld 120 profielen binnen de exacte zoekcriteria van de actieve vacatures. De sourcer hoeft alleen deze 120 gekwalificeerde profielen grondig te beoordelen. Bij 3 minuten per profiel kost dit 6 uur, wat een netto besparing van 69 uur per maand oplevert.

Stappenplan voor implementatie in de sourcing workflow

Om teamgrootte extractie succesvol in te richten binnen een recruitmentorganisatie, worden de volgende stappen doorlopen:

  1. Definieer datavelden: Bepaal welke velden essentieel zijn voor jouw niches, zoals direct_reports, total_org_size en management_type (hiërarchisch, functioneel, projectmatig).
  2. Koppel dataverrijking aan sourcing flows: Integreer een AI-parsinglaag op inkomende cv-stromen, LinkedIn-sourcinglijsten en bestaande slapende databases.
  3. Stel validatieregels in: Laat het model betrouwbaarheidsscores (confidence scores) toekennen aan de geëxtraheerde getallen. Profielen met een lage score worden gemarkeerd voor snelle handmatige check.
  4. Verrijk outreach-templates: Gebruik de geëxtraheerde teamgrootte direct in gepersonaliseerde benaderingsberichten (bijvoorbeeld: 'Gezien je ervaring met het aansturen van teams van 20+ fte...').

Hoe Leadstars dit voor je oplost

Leadstars helpt uitzend-, detacherings- en werving & selectiebureaus bij het opzetten van geavanceerde sourcing- en marketinginfrastructuur. Met onze AI Sourcing oplossingen en de Job Acquisition Machine (JAM) automatiseren we het kwalificeren en segmenteren van kandidaten op basis van harde criteria zoals span of control, certificeringen en vaardigheden. Hierdoor spreken je recruiters alleen kandidaten die exact aansluiten op het profiel van je opdrachtgevers.

We werken met een transparante maandelijkse of jaarlijkse retainer inclusief resultaatgarantie op het afgesproken aantal leads en een leveringsgarantie van 7 dagen voor de initiële implementatie. Plan vandaag nog een vrijblijvend strategiegesprek in om te ontdekken hoe AI Sourcing jouw plaatsingssnelheid vergroot.

Wil je verder lezen? Bekijk ook recruitment marketing bureau en onze recruitment marketing begrippenlijst en onze recruitment marketing diensten.

Veelgestelde vragen

Functietitels zijn binnen het bedrijfsleven niet gestandaardiseerd. Een Teamlead bij een start-up stuurt vaak slechts 1 of 2 junior krachten aan, terwijl een Teamlead bij een multinational verantwoordelijk kan zijn voor 30 fte verdeeld over meerdere locaties. AI teamgrootte extractie kijkt voorbij de functietitel naar de daadwerkelijke operationele verantwoordelijkheid in de functiebeschrijving.

Leadstars lost dit voor je op

Meer kandidaten of meer opdrachtgevers nodig? Wij bouwen je acquisitiemachine in één pakket met een vaste BDR die zowel kandidaten als klanten opvolgt, met levering binnen 7 dagen. Plan een vrijblijvend strategiegesprek en we laten precies zien hoe.