AI in recruitment creëert vaak geen juiste gegevens over sollicitanten. Dat is niet alleen een probleem voor de effectiviteit van je selectie, maar het is vooral ook een juridisch probleem.
Vroeger hadden we de grafologie. Op basis van een handgeschreven motivatiebrief en cv werden persoonlijkheidskenmerken en psychologische eigenschappen afgeleid, zoals extravertie, emotionele stabiliteit en meer.
Dit is een methode zonder wetenschappelijke onderbouwing voor de betrouwbaarheid ervan. Grafologie wordt niet meer ingezet in recruitment. Maar in AI hebben we een moderne grafoloog gevonden.
Met vaak dezelfde ontbrekende wetenschappelijke basis wordt woordkeuze in cv en motivatiebrief in verband gebracht met persoonlijke kenmerken, of worden persoonskenmerken afgeleid uit biometrische gedragsdata zoals stem, gezichtsuitdrukkingen en online gamegedrag.
Waarom juistheid essentieel is
In de recruitmentpraktijk kennen recruiters in recruitmentsystemen labels toe aan sollicitanten op basis van interpretatie van cv en motivatiebrief. Kandidaten worden gescoord als ‘topkandidaat’ of krijgen een ‘matchscore: 60%’, gebaseerd op afgeleide persoonskenmerken zoals vaardigheden of competenties.
Wanneer deze afgeleide gegevens niet kloppen, klopt de matching, score of ranking ook niet. Dat is een probleem voor de effectiviteit van het recruitmentproces, maar vooral ook voor de privacy en transparantie richting kandidaten.
De AVG beschermt de Europese burger hier expliciet. Het beginsel van juistheid vereist dat persoonsgegevens feitelijk correct en nauwkeurig zijn. Dit beschermt betrokkenen tegen de negatieve gevolgen van foutieve informatie over hen. Bij gebruik van algoritmes en profiling, zoals in deze toepassingen het geval is, is accuraatheid cruciaal om discriminatie en onjuiste besluitvorming te voorkomen.
Wanneer zijn gegevens juist, en wanneer niet?
Niet alle gegevens die uit een cv worden gehaald zijn van hetzelfde type. Het is belangrijk onderscheid te maken tussen twee categorieën.
Feitelijke gegevens zijn direct aantoonbaar uit de tekst. Het aantal jaar werkervaring in een functie, de afronding van een opleiding, of de reden die iemand opgeeft gemotiveerd te zijn. Dit zijn gegevens die rechtstreeks uit het cv of de motivatiebrief volgen. Ze zijn in beginsel juist, mits correct overgenomen.
Afgeleide persoonskenmerken ontstaan wanneer een cv-tekst geïnterpreteerd wordt en er een aanname aan wordt verbonden. Staat er dat iemand vijf jaar als front-end developer heeft gewerkt, dan kan de interpretatie zijn dat diegene ‘gemiddelde HTML-ervaring’ heeft. Maar dat is geen feit. De werkelijke HTML-vaardigheid van die persoon kan variëren van zeer laag tot extreem hoog. Dergelijke aannames zijn niet feitelijk onderbouwd en voldoen daarmee niet aan het AVG-beginsel van juistheid.
Twee routes naar aantoonbare juistheid
Afgeleide persoonskenmerken zijn niet per definitie onbruikbaar, maar ze moeten aantoonbaar juist zijn. Daarvoor zijn twee routes: verificatie met de kandidaat, of methodologische onderbouwing van de gebruikte methode.
Verificatie met de kandidaat is de meest directe weg. De afgeleide gegevens worden voorgelegd aan de betrokkene, die ze bevestigt of corrigeert. Dit is transparant, respecteert de autonomie van de kandidaat, en sluit direct aan op het AVG-beginsel van juistheid.
Methodologische onderbouwing is de tweede route. Maar methodologische onderbouwing is geen enkelvoudig begrip. Er bestaat een spectrum aan bewijsvormen met sterk uiteenlopende bewijskracht. Peer-reviewed wetenschappelijk onderzoek en gestandaardiseerde psychometrische normen bieden de sterkste basis. Andere technische of empirische validatie kan, mits juist uitgevoerd, ook volstaan.
Belangrijk om te weten: de conformiteitsbeoordeling die de EU AI Act verplicht stelt voor hoog-risico AI-systemen (waar recruitment expliciet onder valt) toetst op risicobeheer en procesvereisten, niet op de inhoudelijke correctheid van de gegenereerde gegevens. Het is dus geen validatie van juistheid.
Wat dit betekent in de praktijk
De vraag aan een leverancier is niet alleen óf er onderbouwing is, maar welk type onderbouwing, en hoe onafhankelijk die is. Veel leveranciers zullen geen peer-reviewed onderzoek kunnen overleggen. Dat hoeft niet direct diskwalificerend te zijn, maar het verhoogt de bewijslast voor de overige vormen van onderbouwing. Een leverancier die niet naar validatie kan verwijzen, of uitsluitend verwijst naar eigen validatiestudies zonder externe toetsing, biedt onvoldoende zekerheid dat de gegenereerde gegevens juist zijn in de zin van de AVG.
Als HR- of recruitmentbeslisser kun je elke AI-recruitmentoplossing terugbrengen tot drie concrete vragen:
- Betreft het feitelijke of afgeleide gegevens?
- Worden afgeleide gegevens geverifieerd door de betrokkene?
- Hoe wordt de juistheid van afgeleide gegevens gevalideerd — en hoe onafhankelijk is die validatie?
Kan een leverancier deze vragen niet helder beantwoorden, dan is de juistheid van de gegenereerde gegevens niet aangetoond. Dat betekent een reëel risico voor de kwaliteit van je selectie én voor de naleving van de AVG en de EU AI Act.
