Uniper versnelt werving met AI-agent

Uniper zet een AI-agent voor werving in productie en verkort daarmee volgens Celonis de gemiddelde tijd tot ondertekening met 27 dagen en de screeningfase met 13 dagen.

Voor een Nederlandse organisatie verschuift hiermee de rol van een AI-agent: van een losse vraagbaak naar software die actuele procesinformatie gebruikt om werk zichtbaar te maken en acties voor te bereiden. De winst zit in minder wachten tussen recruiter, manager en kandidaat, zolang de agent geen selectieoordeel overneemt. Dat sluit aan op een workflow waarin AI vacatureteksten, cv-samenvattingen en gespreksvoorbereiding doet terwijl een mens elk afwijsmoment beoordeelt.

Context maakt het verschil

Uniper bouwde de agent met Microsoft Copilot Studio en koppelde hem aan het Celonis Context Model. Het systeem geeft hiring managers zicht op openstaande aanvragen en kandidaten op een shortlist, markeert urgente en verlopen taken en kan e-mails aan collega’s en kandidaten opstellen en versturen.

Voor de proef draaide het team dezelfde opdrachten twee keer. Eerst kreeg de agent alleen ruwe gegevens uit het HR-systeem, daarna ook de operationele context uit het procesmodel. De eerste versie kwam uit op algemene antwoorden als versnipperde data en overbelaste managers. Met context kon de agent een concreet knelpunt aanwijzen: 27 kandidaten stonden bij verschillende vacatures langer dan veertien dagen op de shortlist.

Dat verschil verklaart ook de gerapporteerde tijdwinst. De gemiddelde tijd tot ondertekening daalde met 27 dagen en de gemiddelde screeningfase met 13 dagen. Celonis zegt dat de agent daarna volledig in productie is genomen. Dat zijn resultaten uit één enterprise-case, geen benchmark voor iedere organisatie.

De agent blijft binnen een grens

De relevante automatisering zit hier in het volgen van het proces, niet in het beoordelen van mensen. De agent kan managers herinneren aan nieuwe kandidaten, recruiters helpen hun taken over meerdere vacatures te overzien en mogelijke vervolgstappen klaarzetten. Volgens Diginomica praat de agent niet met kandidaten en selecteert hij geen mensen. De medewerkers houden het oordeel en de verantwoordelijkheid.

Dat maakt de opzet bestuurbaar en reproduceerbaar langs drie voorwaarden:

• Een afgebakende taak. Begin met signaleren, samenvatten en voorbereiden. Leg vast welke acties de agent niet uitvoert, zoals kandidaten rangschikken of afwijzen.
• Een proceslaag met betekenis. De agent moet weten welke stap bij welke rol hoort, wanneer een taak te lang openstaat en welke bron actueel is. Alleen een koppeling met ruwe HR-data levert die betekenis niet vanzelf.
• Een vaste vergelijking. Test dezelfde opdrachten met en zonder procescontext, zoals Uniper deed. Dan zie je of de context antwoorden concreter maakt voordat je een bredere uitrol als succes bestempelt.

Voor werving is die afbakening ook juridisch relevant. De AI Act noemt systemen voor recruitment en selectie, waaronder het analyseren en filteren van sollicitaties, als hoog-risico. De verordening maakt ruimte voor voorbereidende taken die de uitkomst niet wezenlijk beïnvloeden, maar profilering blijft altijd hoog-risico. De beoogde taak en de feitelijke invloed op beslissingen bepalen dus hoe een pilot moet worden beoordeeld.

De kern van Unipers case is daardoor niet dat een taalmodel ineens beter kan werven. De verschuiving zit in een agent die weet waar werk in het proces blijft liggen, daar een mens op attendeert en het oordeel niet ongemerkt naar de machine verplaatst.