Naar inhoud
Scout

Hoe werkt het matchen van kandidaten met AI?

Door Malou Kroon 6 min lezen
Hoe werkt het matchen van kandidaten met AI?

AI matcht kandidaten door grote hoeveelheden profieldata te vergelijken met de vereisten van een vacature, en vervolgens te rangschikken op basis van relevantie. Dat klinkt eenvoudig, maar het verschil met traditioneel filteren zit in de diepte: AI beoordeelt context, combinaties en signalen die een standaard ATS-filter volledig mist. De vragen hieronder leggen stap voor stap uit hoe dat werkt, van databronnen tot het moment dat een kandidaat klaarstaat voor een gesprek.

Welke data gebruikt AI om een kandidaat te beoordelen?

AI gebruikt een combinatie van gestructureerde en ongestructureerde data om een kandidaat te beoordelen. Denk aan werkervaring, functietitels, vaardigheden, opleiding en sector. Maar ook aan signalen zoals de volgorde van rollen, de duur van dienstverbanden, de context van projecten en de manier waarop iemand zijn of haar loopbaan heeft opgebouwd.

Gestructureerde data zijn de harde feiten: functietitels, jaren ervaring, diploma’s. Ongestructureerde data zijn de zachte signalen: de beschrijving van een project op LinkedIn, een bijdrage aan een vaktijdschrift, de combinatie van vaardigheden die op het eerste gezicht niets met elkaar te maken hebben, maar samen een sterk profiel vormen. AI leest beide lagen tegelijk.

Wat AI onderscheidt van een menselijke recruiter is schaal. Waar een recruiter twintig profielen kan vergelijken in een uur, verwerkt een goed ingericht systeem honderden profielen in dezelfde tijd, zonder vermoeidheid en zonder de volgorde van lezen te laten meespelen in de beoordeling. De kwaliteit van de output hangt daarbij sterk af van de kwaliteit van de input: hoe specifieker de functie-eisen zijn gedefinieerd, hoe relevanter de matches.

Hoe verschilt AI-matching van een ATS-filter?

Een ATS-filter werkt op basis van exacte trefwoorden: staat “Python” in het cv, dan passeert de kandidaat. Staat het er niet, dan valt hij af. AI-matching werkt anders. Het systeem begrijpt dat “softwareontwikkeling in Python” en “backend development met scripting” dezelfde competentie kunnen beschrijven, ook als de exacte woorden niet overeenkomen.

Het fundamentele verschil is begrip versus herkenning. Een ATS herkent patronen. AI begrijpt betekenis. Dat klinkt abstract, maar de praktische gevolgen zijn groot. Een kandidaat die vijf jaar ervaring heeft als dataspecialist, maar nooit het woord “data-analist” in zijn profiel heeft gebruikt, valt bij een ATS-filter volledig buiten de boot. Bij AI-matching wordt die kandidaat juist meegenomen in de beoordeling.

Daarnaast werkt een ATS reactief: het filtert wie zich heeft aangemeld. AI-matching kan ook proactief worden ingezet, door kandidaten te identificeren die nog niet hebben gesolliciteerd, maar op basis van hun profiel wel degelijk relevant zijn. Dat opent een veel grotere vijver.

Hoe bepaalt AI of een kandidaat écht geschikt is?

AI bepaalt geschiktheid door meerdere dimensies tegelijk te wegen: de match op harde eisen, de match op context, en de mate waarin het profiel aansluit bij de specifieke situatie van de organisatie. Geen van die dimensies staat op zichzelf. De combinatie bepaalt de score.

In de praktijk werkt dat als volgt. Stel dat een organisatie zoekt naar een logistiek manager met ervaring in e-commerce en affiniteit met procesoptimalisatie. Een kandidaat met tien jaar logistieke ervaring in retail scoort op harde criteria hoog, maar mist e-commercecontext. Een kandidaat met zes jaar ervaring in fulfilment, inclusief een aantoonbaar verbetertraject, scoort op de combinatie van dimensies mogelijk hoger, ook al lijkt het cv op het eerste gezicht minder indrukwekkend.

Goed ingerichte AI-matching houdt ook rekening met wat er niet in een profiel staat. Iemand die recent is overgestapt naar een kleinere organisatie kan bewust hebben gekozen voor meer verantwoordelijkheid in plaats van een hoger salaris. Dat is een signaal, geen tekortkoming. De kwaliteit van de beoordeling hangt af van hoe goed het systeem is getraind om dit soort nuances te lezen.

Wat gebeurt er nadat AI een match heeft gemaakt?

Nadat AI een match heeft gemaakt, begint het proces van contact. De kandidaat wordt benaderd via de kanalen die het meest relevant zijn voor zijn of haar profiel, zoals e-mail, LinkedIn of WhatsApp, altijd in de tone of voice van de opdrachtgever. Het systeem classificeert elke reactie automatisch en bepaalt de vervolgstap.

Dat vervolgproces is geen massabenadering. Kandidaten die niet reageren of negatief reageren, worden niet nogmaals benaderd met hetzelfde bericht. Het systeem past de aanpak aan op basis van het gedrag van de kandidaat. Reageert iemand positief, dan stopt de geautomatiseerde outreach en neemt een recruiter het over voor het echte gesprek.

Binnen talentix verzorgt de module Reach precies dit deel van het proces: multichannel outreach in de merkstem van de klant, met automatische classificatie van reacties. Op het moment dat een kandidaat klaarstaat voor een gesprek, draagt het systeem over aan de mens. De beslissing blijft altijd bij de recruiter.

Kan AI-matching ook passieve kandidaten bereiken?

Ja. AI-matching is juist sterk in het identificeren en benaderen van passieve kandidaten, mensen die niet actief zoeken maar wel openstaan voor een goed aanbod. Dat is de groep die via traditionele werving vrijwel onbereikbaar is, maar via gerichte profilering en proactieve outreach wel degelijk te activeren is.

Passieve kandidaten zijn niet zichtbaar op jobboards. Ze staan niet in de eigen database van de organisatie. Maar ze zijn wel aanwezig op LinkedIn, in sectornetwerken en in andere professionele omgevingen. AI-matching kan op basis van profielkenmerken bepalen wie relevant is, ook als die persoon geen actieve zoekintentie heeft getoond.

De uitdaging bij passieve kandidaten is niet het vinden, maar het aanspreken. Een generiek bericht werkt niet. Relevantie en timing zijn bepalend. AI helpt bij het bepalen van de juiste boodschap op het juiste moment, maar de toon en inhoud van dat contact moeten menselijk en specifiek zijn. Dat is precies waar de combinatie van technologie en recruiterexpertise het verschil maakt.

Hoe voorkom je bias in AI-matching voor recruitment?

Bias in AI-matching ontstaat wanneer het systeem getraind is op historische data die zelf al vertekend zijn. Als een organisatie de afgelopen tien jaar vooral mannen heeft aangenomen voor technische functies, leert een slecht ingericht systeem dat mannen betere kandidaten zijn voor die functies. Dat is geen technisch probleem, maar een ontwerpkeuze.

Voorkomen begint bij bewuste inrichting. Dat betekent:

  • Trainingdata controleren op historische vertekening voordat het systeem live gaat
  • Demografische kenmerken zoals naam, geslacht en leeftijd buiten de scoringslogica houden
  • Regelmatig auditen of de matches die het systeem maakt representatief zijn voor de brede arbeidsmarkt
  • Transparantie over de criteria op basis waarvan kandidaten worden gescoord
  • De recruiter als eindverantwoordelijke voor elke beslissing behouden

Transparantie is hierin niet optioneel. Zeker met de EU AI Act als steeds concreter kader voor organisaties in Nederland en Europa, geldt dat systemen die worden ingezet bij beslissingen over mensen aantoonbaar eerlijk en uitlegbaar moeten zijn. Dat vraagt om systemen die niet als een black box werken, maar waarbij de opdrachtgever precies ziet welke stappen zijn gezet en op basis van welke criteria een kandidaat is geselecteerd of niet.

AI matcht kandidaten op basis van relevantie, niet op basis van toeval of tijdstip van solliciteren. Dat is de belofte. Maar die belofte waarmaken vraagt om bewuste keuzes in ontwerp, inrichting en toezicht. Wil je zien hoe dat er in de praktijk uitziet? Bekijk hoe talentix het volledige matchingproces inricht, van eerste signaal tot geboekte afspraak.

Laatst bijgewerkt: januari 2026