Kan AI voorspellen welke medewerkers het bedrijf gaan verlaten?

Verloop kost geld. Een vertrekkende medewerker kost een organisatie gemiddeld tussen de zes en negen maanden salaris aan wervings- en inwerktijd. Toch reageren de meeste HR-afdelingen pas als iemand zijn of haar ontslag al heeft ingediend. De vraag is: kan AI dat kantelpunt eerder signaleren? En wat doe je dan met die informatie?

• AI kan verloop voorspellen op basis van gedragspatronen en werkdata, maar de voorspelling is zo sterk als de data waarop het model is getraind.
• Ethische risico’s zijn reëel: voorspellingsmodellen kunnen leiden tot discriminatie of een vertrouwensbreuk als medewerkers het gevoel krijgen dat ze worden gemonitord.
• De echte waarde zit in combinatie: AI-inzichten zijn pas nuttig als ze worden vertaald naar concrete actie door leidinggevenden en HR.

Wat is predictive analytics in HR en hoe werkt het?

Predictive analytics in HR is het gebruik van historische en actuele werkdata om toekomstig gedrag van medewerkers te voorspellen, waaronder de kans dat iemand de organisatie verlaat. Het systeem analyseert patronen in bestaande data en vergelijkt die met profielen van medewerkers die eerder vertrokken. Op basis daarvan berekent het een risicoscore per medewerker.

Het principe is niet anders dan bij kredietscoring of medische risicomodellen. Het systeem leert van het verleden om uitspraken te doen over de toekomst. In HR-context betekent dat: welke combinatie van factoren ging historisch gezien vooraf aan vrijwillig vertrek?

De input varieert per organisatie en platform, maar typische databronnen zijn:

• Salarisdata en promotiegeschiedenis
• Resultaten van medewerkerstevredenheidsonderzoeken
• Verzuimpatronen en verlofregistratie
• Prestatiescores en beoordelingsdata
• Tijd in huidige functie en loopbaanmobiliteit
• Betrokkenheidsdata uit interne systemen

Het model trekt verbanden tussen deze datapunten en identificeert welke combinaties statistisch samenhangen met vertrek. Dat levert geen zekerheid op, maar wel een kansschatting die HR in staat stelt gerichter te handelen.

Welke signalen gebruiken AI-modellen om verloop te voorspellen?

AI-modellen voor verloopvoorspelling kijken naar signalen die individueel weinig zeggen, maar in combinatie een patroon vormen. De sterkste voorspellers zijn: een lange periode zonder promotie of salarisverhoging, lage betrokkenheidscores na een reorganisatie, een mismatch tussen de functie en de vaardigheden van de medewerker, en een leidinggevende met een hoog verlooppercentage in het team.

Naast deze structurele signalen kijken geavanceerdere modellen ook naar gedragsveranderingen in de tijd. Denk aan:

• Een plotselinge daling in deelname aan interne projecten of vergaderingen
• Minder gebruik van interne communicatietools
• Een toename van verlofaanvragen op maandag of vrijdag
• Veranderingen in het LinkedIn-profiel van de medewerker, zoals het activeren van “Open to Work”

Dat laatste punt raakt aan een interessant gegeven: kandidaten die actief openstaan voor nieuwe kansen zijn zichtbaar in de markt. Platforms die werken met meerdere databronnen, zoals de Scout-module van talentix die meer dan 130 databronnen combineert, gebruiken precies dit soort signalen om kandidaatbereidheid te meten. Hetzelfde principe geldt intern: gedragsdata vertelt een verhaal voordat iemand het zelf uitspreekt.

Hoe nauwkeurig zijn AI-voorspellingen over personeelsverloop?

AI-voorspellingen over verloop zijn in de praktijk redelijk nauwkeurig voor het identificeren van risicogroepen, maar minder betrouwbaar voor het voorspellen van individueel gedrag. De meeste volwassen modellen halen een nauwkeurigheid van 70 tot 85 procent op groepsniveau. Dat betekent dat ze consistent beter presteren dan buikgevoel, maar geen zekerheid bieden over wie er daadwerkelijk vertrekt.

De kwaliteit van een voorspellingsmodel hangt sterk af van drie factoren:

1. Datakwaliteit: Incomplete of verouderde HR-data leidt tot onbetrouwbare uitkomsten.
2. Historische diepte: Een model heeft voldoende historische vertrekdata nodig om patronen te herkennen. Kleine organisaties of snelgroeiende teams hebben die data vaak niet.
3. Contextgevoeligheid: Een model dat is getraind op data uit 2019 houdt geen rekening met de effecten van hybride werken, inflatie of een krappe arbeidsmarkt in 2026.

De conclusie: gebruik AI-voorspellingen als signaal, niet als vonnis. Een hoge risicoscore is een aanleiding voor een gesprek, geen reden om iemand al te behandelen als vertrekker.

Wat zijn de risico’s en ethische bezwaren van AI-verloopanalyse?

De grootste risico’s van AI-verloopanalyse zijn discriminatie, privacyschending en een vertrouwensbreuk met medewerkers. Als een model historische data gebruikt die al ongelijkheid weerspiegelt, versterkt het die ongelijkheid. Medewerkers uit bepaalde demografische groepen kunnen systematisch hoger scoren als risicogroep, niet omdat ze vertrekwilliger zijn, maar omdat het model bias heeft geabsorbeerd uit het verleden.

Daarnaast speelt de AVG een directe rol. Medewerkers hebben het recht om te weten welke data over hen wordt verzameld en hoe die wordt gebruikt. Geautomatiseerde besluitvorming die significant effect heeft op een medewerker, zoals het onthouden van een promotie of ontwikkelsbudget, vereist een expliciete grondslag en transparantie.

Praktische ethische risico’s zijn onder meer:

• Medewerkers die zich gemonitord voelen, wat juist leidt tot lagere betrokkenheid
• Leidinggevenden die AI-scores gebruiken als excuus om moeilijke gesprekken te vermijden
• Een self-fulfilling prophecy: iemand die als hoog risico wordt gezien, krijgt minder aandacht en vertrekt alsnog

De EU AI Act, die in 2026 steeds meer tanden krijgt, classificeert HR-toepassingen van AI als hoog-risico. Dat betekent strengere eisen aan transparantie, uitlegbaarheid en menselijk toezicht. Organisaties die nu investeren in AVG-conforme AI-toepassingen, bouwen een voorsprong op ten opzichte van partijen die dit later moeten rechtzetten.

Wanneer is AI inzetten voor verloopvoorspelling zinvol?

AI inzetten voor verloopvoorspelling is zinvol wanneer een organisatie beschikt over voldoende historische HR-data, een duidelijk verloopprobleem heeft in specifieke teams of functies, en de capaciteit heeft om op basis van de inzichten daadwerkelijk actie te ondernemen. Zonder die drie voorwaarden levert het model ruis in plaats van richting.

Voor de meeste Nederlandse organisaties in de categorie van 200 tot 1000 medewerkers geldt: de meerwaarde zit niet in het voorspellen van wie er morgen vertrekt, maar in het herkennen van structurele patronen. Welke afdelingen hebben consistent een hoger verloop? Welke leidinggevenden verliezen meer mensen dan gemiddeld? Welke functies kennen een kort gemiddeld dienstverband?

Die vragen zijn ook zonder geavanceerde AI te beantwoorden, maar een goed ingericht analysemodel maakt het sneller en schaalbaarder. De zinvolle toepassing is dus: gebruik AI als lens op je organisatie, niet als vervanging van het gesprek.

Hoe combineer je AI-inzichten met een actief retentiebeleid?

AI-inzichten combineer je met een actief retentiebeleid door de output van het model te vertalen naar drie niveaus: individuele gesprekken, teamgerichte interventies en structurele aanpassingen in beleid of arbeidsvoorwaarden. De data wijst de richting. De leidinggevende en HR bepalen de stap.

In de praktijk betekent dat een duidelijke werkwijze:

1. Signaleer vroeg: Gebruik de risicoscore als trigger voor een check-in, niet als eindoordeel.
2. Maak het persoonlijk: Een gesprek over loopbaanontwikkeling of werkdruk heeft meer effect dan een generiek retentieprogramma.
3. Kijk naar het systeem: Als meerdere mensen in hetzelfde team hoog scoren, is het probleem zelden individueel.
4. Meet het effect: Houd bij welke interventies werken en pas het model aan op basis van nieuwe data.

Retentie en werving zijn twee kanten van dezelfde medaille. Elke medewerker die je behoudt, is een vacature die je niet hoeft te openen. Maar als er toch een positie vrijkomt, is het zaak om snel en gericht te werven, zonder afhankelijk te zijn van dure bureaus of trage processen. Dat is precies waar een Hiring OS zoals talentix het verschil maakt: niet als vervanging van de recruiter, maar als systeem dat het werk doet zodat de mens de beslissing kan nemen.

AI kan je vertellen wie er misschien vertrekt. Wat je daarna doet, bepaalt de cultuur van je organisatie. De technologie levert het signaal. De mens geeft het antwoord.

Benieuwd hoe talentix werkt als fundament onder je wervingsproces? Bekijk hoe Scout kandidaten identificeert en kwalificeert voor de rollen die je moet invullen.

Laatst bijgewerkt: juni 2026 | Geschreven door het Talentix-redactieteam, gebaseerd op de recruitmentexpertise van Search X