AI-screeningtools voor recruitment horen te filteren op kwaliteit. Software engineer Dan Kinsky zette die claim onlangs op de proef. In een uitgebreide analyse op Substack, haalde hij hetzelfde cv door de open-source ATS van HackerRank, en wel 100 keer. De scores liepen van 66 tot 99 op 100. Lag de grens van het bedrijf op 85, dan zakte hij in 65% van de gevallen. Hetzelfde cv. Dezelfde tool. Ander geluk.
Dat is geen filtersysteem. Dat is kop of munt met extra stappen.
De bevindingen gingen binnen een paar dagen na publicatie viraal op Hacker News, LinkedIn en Reddit. Ze bevestigden iets wat recruitmentprofessionals al een tijdje stilletjes vermoedden. AI-screeningtools leveren sterk wisselende resultaten op als ze subjectieve oordelen over kandidaten moeten vellen. Recruitmentleider Greg Savage zag hetzelfde patroon van de andere kant. Zoals gemeld in de trendanalyse 2026 van Recruiterflow, kwam dezelfde AI-screeningtool, twee keer toegepast op identieke kandidaatgegevens, uit op slechts 14% overlap in de shortlist.
Dit zijn geen uitzonderingen. Het is het standaardgedrag van systemen waar duizenden bedrijven op vertrouwen om te bepalen welke kandidaten door de eerste ronde komen.
Waar AI-screeningtools voor recruitment tekortschieten
De analyse van Kinsky liet iets belangrijks zien over waarom AI-screeningtools voor recruitment inconsistente resultaten opleveren. Het komt neer op wat je de AI laat doen.
Technische vaardigheden kregen in 98 van de 100 runs een 8 op 10. Bijna perfecte consistentie. De reden is simpel. Technische vaardigheden zijn een checklist. Iemand kent Python of niet. Er valt voor het model niets subjectiefs te interpreteren.
Bij de projectscores was het een heel ander verhaal. Enorme variatie tussen alle runs. Soms werden dezelfde projecten omschreven als architectonisch te weinig complex. Andere keren kregen ze lof omdat ze echte deployment in de praktijk lieten zien. Het model gooide bij elke beoordeling een dobbelsteen.
De score voor ervaring was de meest zorgwekkende bevinding. Een junior engineer met één stage kreeg 25 van de 25. Een principal engineer met tien jaar ervaring in distributed systems kreeg ook 25 van de 25. De beoordelingsrubriek was twee regels lang, zonder voorbeelden, zonder ijkpunten voor wat een 15 onderscheidt van een 25 en zonder manier voor het model om zinvol onderscheid tussen kandidaten te maken.
Het patroon is duidelijk. AI is uitstekend in gestructureerde extractie en het afvinken van checklists. Bij subjectieve oordelen is het onbetrouwbaar. Een krachtiger model maakte de spreiding in scores iets kleiner, maar loste het fundamentele probleem niet op. De beoordeling van projecten bleef inconsistent, welk model er ook werd gebruikt.
De wetgeving haalt de praktijk in
Het inconsistentieprobleem is niet alleen een kwaliteitskwestie. Het wordt ook een juridische kwestie.
De jury van de discriminatiezaak tegen Workday is in 2026 in een cruciale fase beland. Een federale rechtbank liet de zaak doorgaan en oordeelde dat softwareleveranciers aansprakelijk kunnen worden gesteld als vertegenwoordiger van de werkgever. De tool wees miljarden sollicitaties af. De hoofdeiser werd voor meer dan 100 functies afgewezen, ondanks dat hij gekwalificeerd was. De uitspraak van de rechtbank betekent dat recruitmentbureaus niet zomaar naar de leverancier van de technologie kunnen wijzen als de screeningstool tot discriminerende uitkomsten leidt.
Een aparte class action tegen Eightfold AI, geanalyseerd door Ogletree Deakins, stelt dat het bedrijf persoonsgegevens van meer dan een miljard werknemers heeft gescrapet, sollicitanten een score van nul tot vijf gaf en laag gerangschikte kandidaten afwees voordat een mens hun sollicitatie ooit had bekeken. De zaak is aangespannen door een voormalig voorzitter van de EEOC en stelt niet dat het algoritme bevooroordeeld was. De claim is dat het algoritme in het geheim bestond, en dat is een ander en mogelijk groter juridisch risico.
Tegelijk wordt de regelgeving strenger. AI-bias in recruitment is nu een aandachtspunt voor wetgevers aan beide kanten van de Atlantische Oceaan. Local Law 144 van New York City verplicht al jaarlijkse bias-audits voor geautomatiseerde tools voor wervingsbeslissingen. De EU AI Act classificeert AI-tools voor werving als systemen met een hoog risico. Transparantieregels gaan in augustus 2026 in, en de volledige verplichtingen voor werving gelden vanaf december 2027.
Voor recruitmentbureaus die AI-tools beoordelen, is de vraag niet meer alleen “bespaart deze tool tijd?” De vraag is “kan ik aantonen dat deze tool geen geautomatiseerde beslissingen neemt waardoor mijn bureau aansprakelijk kan worden?”
AI is sterk in vastleggen. Het is onbetrouwbaar in oordelen.
De data uit deze onderzoeken en rechtszaken wijst op een duidelijke scheidslijn in hoe AI in recruitment gebruikt zou moeten worden.
Waar AI goed in is in recruitment
- Een cv of transcriptie omzetten naar gestructureerde velden
- Specifieke datapunten extraheren, zoals salarisverwachting, opzegtermijn en beschikbaarheid
- Trefwoorden en vaardigheden matchen met een checklist van eisen
- Gesprekken nauwkeurig transcriberen in verschillende talen
- Gestructureerde samenvattingen maken van ongestructureerde gespreksdata
- Data-invoer in een ATS automatiseren, zodat recruiters dat niet handmatig hoeven te doen
Waar AI slecht in is in recruitment
- Beoordelen of de ervaring van een kandidaat een bepaalde score “waard” is
- Subjectieve eigenschappen beoordelen, zoals culturele fit, communicatiestijl of motivatie
- Beslissen of een kandidaat wel of niet door mag
- Kandidaten rangschikken op een manier die bij meerdere runs consistente resultaten geeft
- Het oordeel vervangen van een ervaren recruiter die echt met iemand in gesprek gaat
Zoals Kinsky het in zijn analyse zei: laat een LLM een cv omzetten naar gestructureerde data en dat werkt perfect. Laat er een checken of iemand een specifieke programmeertaal kent en ook dat werkt. Laat er een beoordelen of de ervaring van een kandidaat 18 of 24 punten waard is en je krijgt een vibe check. Iets wat HR-teams en bar raisers al tientallen jaren proberen te vermijden.
Dit onderscheid is belangrijk, omdat de recruitmentbranche tegelijk twee heel verschillende kanten op gaat. De ene kant is volledig geautomatiseerde screening, waarbij AI beslist welke kandidaten doorgaan. De andere kant is interview intelligence , waarbij AI de data uit echte gesprekken vastlegt, structureert en ordent, zodat de recruiter met volledige context betere beslissingen kan nemen.
De eerste aanpak levert inconsistente resultaten en een groeiend juridisch risico op. De tweede aanpak gebruikt AI waar het echt goed in is en laat het oordeel waar het hoort.
Waar recruitmentbureaus echt op moeten letten
Volgens data die SSR verzamelde uit het AI Hiring Report 2026 van Greenhouse, heeft 91% van de recruiters en hiring managers misleiding door kandidaten opgemerkt of vermoed. 63% zag cv's die met AI waren opgeklopt. Van 40% van de tech-kandidaten wordt aangenomen dat ze hun cv flink hebben aangedikt, meldt Recruiterflow. Deepfake-interviews worden inmiddels als opkomende dreiging genoemd in het talent acquisition-rapport 2026 van Deloitte.
Als het cv niet volledig te vertrouwen is, wordt het interview het betrouwbaarste signaal in het wervingsproces. Maar alleen als je het goed vastlegt.
De bureaus die het in 2026 goed doen, gebruiken AI niet om het interview te vervangen. Ze gebruiken het om het interview waardevollerte maken. De recruiter praat met de kandidaat, vormt een eigen oordeel op basis van een echt gesprek, en de AI regelt alles wat daarna komt. De transcriptie wordt automatisch gemaakt. Belangrijke datapunten zoals salaris, beschikbaarheid en motivatie worden eruit gehaald en gestructureerd. De samenvatting wordt opgemaakt en zonder handmatige invoer in het ATS gezet.
Het resultaat: recruiters besteden hun tijd aan gesprekken in plaats van admin, en hiring managers krijgen gestructureerde interviewrapporten binnen minuten in plaats van dagen.
Volgens het GRID 2026 Industry Trends Report van Bullhorn, gebruiken de best presterende uitzend- en recruitmentbureaus vier keer vaker AI. Maar het belangrijke detail is waarvoor ze het gebruiken. Het verband met omzet komt van minder admin en meer gesprekken per recruiter per dag, niet van het automatiseren van beslissingen over kandidaten.
De praktische vraag voor elk recruitmentbureau dat AI-tools beoordeelt, is eenvoudig. Neemt deze tool beslissingen over kandidaten? Of legt hij data vast zodat recruiters zelf betere beslissingen kunnen nemen? De tools in de eerste categorie zijn degene met inconsistente scores, rechtszaken en compliancerisico's. De tools in de tweede categorie zijn de tools die de best presterende bedrijven uit het GRID-rapport echt gebruiken.
Het verschil tussen een 66 en een 99 voor hetzelfde cv is geen kleine kalibratiekwestie. Het is een fundamentele ontwerpfout in hoe AI-screeningtools voor recruitment kandidaten beoordelen. Een tool die geen onderscheid kan maken, filtert niet op kwaliteit. Hij filtert alleen. Recruitmentbureaus die dit onderscheid nu begrijpen, vermijden het compliancerisico en de kwaliteitsproblemen die ontstaan als je AI oordelen laat vellen waarvoor het nooit is ontworpen.
