12/11/2025
Afgelopen weekend volgde ik een symposium over knelpunt beroepen in Wintercircus Gent, georganiseerd door ons Rotary district.
We hadden het vooral over de mismatch tussen jobaanbiedingen en de job seekers. Ik kon niet aan de verleiding weerstaan een opmerking te maken over het feit dat HR recruiters teveel vertrouwen op ATS software en hierdoor zeer veel valabele kandidaten over het hoofd zien.
Wat kan eraan gedaan worden? Ik heb er een stukje over geschreven. Zoals immer, dit is een persoonlijke mening en geen partijstandpunt.
👇
De AI-Blinde Vlek: Waarom Unieke Kandidaten Door het ATS-Net Glippen – en Hoe We Dit Oplossen
In de huidige hypercompetitieve arbeidsmarkt vertrouwen recruiters steeds meer op AI-gestuurde Applicant Tracking Systems (ATS) om honderden – of duizenden – cv’s te doorzoeken. Het is efficiënt, schaalbaar en datagedreven. Toch is er een schrijnende mismatch: deze systemen geven vaak voorrang aan starre trefwoordmatches boven holistische excellentie, waardoor ‘unicorn’-profielen – die een ervaren menselijke recruiter direct zou aanwijzen – worden weggefilterd. Ik zie het keer op keer: briljante engineers met onconventionele loopbanen, polymath-marketeers die van sector zijn gewisseld, of visionaire leiders wiens impact niet in bulletpoints te vangen is. Ze worden automatisch afgewezen omdat hun cv de vacaturetekst niet letterlijk weerspiegelt. Hoe zijn we hier terechtgekomen, en belangrijker: hoe optimaliseren we AI zodat deze zeldzame talenten niet langer worden genegeerd?
Het probleem zit hem in de promptontwerp en algoritmische bias. De meeste ATS-systemen werken met simpele instructies zoals “Zoek naar trefwoorden: Python, AWS, 5+ jaar ervaring” of “Rangschik cv’s op exacte zinsdelen uit de vacaturetekst”. Deze trefwoordgerichte aanpak stamt uit vroege ATS-versies, geoptimaliseerd voor snelheid in plaats van nuance. Het werkt prima om duidelijke mismatches uit te sluiten, maar faalt spectaculair bij niet-lineaire loopbanen. Een kandidaat die een startup bouwde met no-code-tools kan een techrol revolutioneren, maar als “SQL” ontbreekt in het cv – weg ermee. Onderzoek van LinkedIn zelf laat zien dat tot 75% van de gekwalificeerde kandidaten al door ATS wordt afgewezen vóór een mens ernaar kijkt, vaak door deze semantische starheid. Mensen begrijpen context, synergie en potentieel; AI, zoals nu geprompt, niet.
Hoe laten we AI dan wél unicorns herkennen? De oplossing begint met slimmere prompt-engineering en hybride mens-AI-workflows.
Hier een blauwdruk:
1. Contextuele Prompts Boven Trefwoordjacht: Train ATS met instructies die semantisch begrip benadrukken. In plaats van “Match trefwoorden”, gebruik: “Beoordeel cv op overdraagbare vaardigheden in softwareontwikkeling, met prioriteit voor aangetoonde impact (bijv. projecten, resultaten) zelfs als tools afwijken van de vacature. Scoor op innovatie, aanpassingsvermogen en leiderschapspotentieel.” Gebruik NLP-modellen zoals GPT-varianten om narratieven te analyseren, niet alleen lijstjes.
2. Multimodale Evaluatie: Integreer diverse bronnen – GitHub-repos, portfolio-links, video-introducies of endorsement-netwerken op LinkedIn. Laat AI: “Kruisverwijs cv-claims met publieke artefacten; verhoog scores voor geverifieerde prestaties buiten traditionele ervaring.”
3. Bias-Audits en Diversiteitsscoring: Bouw prompts in die onconventionele paden signaleren en belonen: “Identificeer niet-traditionele achtergronden (bijv. bootcamps, autodidacten, carrièreswitchers) en geef bonusgewichten als vaardigheden aansluiten bij de rol.” Regelmatige audits met diverse datasets voorkomen een echokamer-filter.
4. Mens-in-de-Lus Feedbackloops: Na initiële AI-screening, stuur de top 20% (inclusief laag-trefwoord maar hoog-potentieel matches) door naar recruiters voor snelle beoordeling. Voed dit terug: “Verfijn het model op basis van menselijke overrides – waarom werd deze unicorn over het hoofd gezien?”
Uiteindelijk gaat AI-optimalisatie niet om het afschaffen van trefwoorden, maar om ze aan te vullen met intelligentie die menselijk oordeel benadert. Laten we prompten voor vooruitgang: unicorns horen niet in de kudde thuis – ze moeten die leiden. Welke AI-aanpassingen heb jij zien werken in werving? Deel hieronder, ik hoor graag van je.