Wervings-AI: waarom het biasrisico in het MKB juist groter is

Er zit in vrijwel elke moderne recruitmenttool een knop die belooft wat elke ondernemer wil: „rangschik deze kandidaten”. Je uploadt vijftig cv’s, de software zet er een score naast, en binnen een minuut heb je een shortlist. Het voelt als pure tijdwinst, en deels is het dat ook. Maar onder die knop zit een stille aanname: dat een machine die consequent oordeelt, ook eerlijker oordeelt dan een mens die dat niet doet. Die aanname is verkeerd, en ze is voor jou als kleiner bedrijf gevaarlijker dan voor de HR-afdeling van een concern.

Mijn stelling: wervings-AI bespaart echt tijd, maar het biasrisico dat ze meebrengt is voor het MKB juist groter dan voor corporate HR. De winst zit daarom niet in een betere tool, maar in een betere ontwerpkeuze: automatiseer de taak, niet het oordeel.

De belofte is echt

Laat ik eerlijk zijn over wat werkt. AI is uitstekend in het voorwerk van werving. Cv’s parsen en samenvatten, gesprekken inplannen, afwijzings- en uitnodigingsmails opstellen, kandidaten zoeken op vaardigheden in plaats van losse trefwoorden. Dat is repetitief, tijdrovend werk waar je als ondernemer zelden aan toekomt, en het automatiseren ervan levert direct rust op. Daar is niets mis mee.

Het addertje zit in de volgende stap. Zodra de tool niet alleen voorbereidt maar ook beoordeelt, rangschikt en afwijst, verschuift er iets fundamenteels. Dan neemt het systeem geen taak meer over, maar een oordeel. En oordelen is precies waar bias binnensluipt.

Consistentie is geen eerlijkheid

Het verleidelijke argument voor wervings-AI is dat een algoritme niet moe wordt, geen slechte dag heeft en niet onbewust afgaat op een naam of een foto. Een mens is inconsistent bevooroordeeld; een machine is consistent. Maar consistentie is geen eerlijkheid. Een filter dat structureel de verkeerde mensen wegstreept, doet dat bij elke vacature, voor elke kandidaat, zonder dat iemand het merkt.

Dat is geen theorie. Een grootschalig, gerandomiseerd experiment met vijf toonaangevende taalmodellen liet zien dat ze bij identieke kwalificaties systematisch vrouwen hoger scoorden en zwarte mannen lager. De vertekening volgde een vaste rangorde: zwarte vrouwen kregen gemiddeld de hoogste score, daarna witte vrouwen, dan witte mannen, en zwarte mannen het laagst, los van het vakgebied of de functie. Het ging niet om één ontspoord model van één leverancier, maar om hetzelfde patroon bij vijf modellen van verschillende makers. De bias zit dus niet in een foutje, maar in de bouwstenen.

Het bekendste voorbeeld is inmiddels jaren oud: Amazon schroefde een eigen wervingstool af toen bleek dat die cv’s met het woord „vrouwen” erin stelselmatig lager waardeerde, omdat het model had geleerd van een mannelijk verleden. Een AI-systeem verzint geen vooroordelen; het leert ze uit data, en daarna schaalt het ze op.

Waarom dit het MKB harder raakt

Hier wijkt mijn analyse af van het gangbare verhaal, dat vooral over grote werkgevers gaat. Het biasrisico van wervings-AI is asymmetrisch: een klein bedrijf heeft minder verdediging én een grotere relatieve impact dan een concern. Een corporate HR-afdeling koopt dezelfde modellen, maar bouwt er een controlelaag omheen. Een MKB-bedrijf klikt op „rangschik”. Vier redenen waarom dat verschil ertoe doet:

• Geen controlelaag: een groot bedrijf heeft juristen, een compliance-team, een DPIA-proces en budget voor bias-audits. Jij hebt jezelf en een volle agenda.
• Kleine aantallen, grote afdruk: een vertekend filter over vijf aannames vormt je hele team en cultuur, terwijl het bij vijfduizend aannames eerder uitmiddelt tot een corrigeerbaar patroon.
• Te weinig data om het te zien: ongelijke uitkomsten („adverse impact”) meet je over honderden sollicitanten. Over twaalf kandidaten is discriminatie statistisch onzichtbaar, ook als ze er is.
• Geërfde bias: je draait een model dat grotendeels op Amerikaanse data is getraind, met Amerikaanse vooroordelen die in een Nederlandse context onvoorspelbaar uitpakken.

De optelsom is ongemakkelijk: degene met de minste middelen om bias te detecteren, leunt er het zwaarst op.

„Maar de AI Act is toch uitgesteld?”

Hier komt de valse geruststelling. Dat de hoog-risico-regels voor AI in werving en HR zijn uitgesteld tot eind 2027 klinkt als ademruimte. De zwaarste AI Act-verplichtingen voor zelfstandige hoog-risicosystemen gaan inderdaad pas op 2 december 2027 in, niet komende zomer, en het Europees Parlement verzwakte een aantal rechtenwaarborgen nog voordat ze van kracht werden.

Maar het uitstel gaat over de AI Act, niet over discriminatie. Het verbod op discriminatie bij sollicitaties geldt nu al, AI of niet. Het College voor de Rechten van de Mens is helder dat de werkgever verantwoordelijk blijft voor wervingssoftware die mensen ongelijk behandelt, en dat een afgewezen kandidaat mag vragen of er software is gebruikt en hoe die werkt. Een selectie moet inzichtelijk, controleerbaar en systematisch zijn, ook als een algoritme hem maakt. „De tool deed het” is geen verweer. Het venster dat het uitstel biedt is dus een venster om je AI Act-huiswerk te doen, met een praktisch stappenplan om je AI-systemen in kaart te brengen en aan de wet te voldoen, niet een venster waarin je niet aansprakelijk bent.

De sterkste tegenwerping

De eerlijkste tegenwerping is deze: een mens is óók bevooroordeeld, en een goed ontworpen algoritme kan bias juist verminderen. Dat klopt. Een gestructureerd systeem dat blind is voor naam, leeftijd en foto kan eerlijker zijn dan een recruiter die op onderbuikgevoel afgaat. Het probleem is niet AI op zich, maar AI zoals ze in de praktijk bij kleine bedrijven landt: een kant-en-klare blackbox, zonder blinde test, zonder audit, met een leverancier die niet kan of wil uitleggen waarom kandidaat A boven kandidaat B staat. Een consistent systeem zonder correctie schaalt de schade in plaats van haar weg te nemen. Het verschil tussen eerlijke en oneerlijke wervings-AI zit niet in het kopen, maar in het ontwerpen.

Automatiseer de taak, niet het oordeel

Daarmee kom ik bij de enige vraag die echt telt. Niet óf je AI inzet in werving, maar waar je het laat ophouden. Net als bij de vraag waar je een AI-agent in je ERP wél en niet laat beslissen, is het antwoord een grens, geen aankoop.

Concreet betekent dat: laat AI het voorwerk doen, maar bouw expliciete menselijke beslissingspunten in op elk moment waarop een kandidaat afvalt. Geen automatische afwijzing. Een mens die de shortlist ziet, de afgevallenen kan terugzien en kan uitleggen waarom iemand het niet werd. Dat vraagt ook iets van je mensen: de verplichting om je team AI-geletterd te maken, waarvan de deadline al achter je ligt, is er precies om te voorkomen dat iemand een modelscore voor een feit aanziet.

Wervings-AI is geen knop die je indrukt, maar een grens die je trekt. De bedrijven die hier goed uitkomen, zijn niet degene met de duurste tool, maar degene die helder hebben besloten welk werk de machine mag dragen en welk oordeel een mens houdt. Die keuze maak je niet bij de aanschaf. Je maakt hem in het ontwerp, en je bent er zelf verantwoordelijk voor.