Gebruik je AI om het HR-werk te versnellen, of delegeer je beslissingen aan een algoritme die het nooit zelf zou mogen nemen? Hier wordt de discussieover AI voor HR pas echt serieus. Bij Italiaanse MKB-bedrijven is het niet de vraag of kunstmatige intelligentie nuttig is. Dat is het namelijk wel. Het gaat erom te begrijpen waar het echte waarde oplevert en waar het juist ondoorzichtigheid, vooringenomenheid en regelgevingsrisico’s met zich meebrengt.
Als ondernemer heb ik gezien hoe aantrekkelijk het is om de meest tijdrovende stappen te automatiseren. Als je honderden cv’s moet doorlezen, interne enquêtes moet samenvatten of te maken hebt met medewerkers die steeds dezelfde vragen stellen over verlof en beleid, bespaart AI je meteen tijd. Maar ik heb ook de keerzijde gezien. Een compatibiliteitsscore die door een model wordt gegenereerd, lijkt objectief, en juist daarom kan deze gevaarlijker zijn dan een expliciet subjectieve menselijke beoordeling.
De juiste benadering is niet ‘wel of geen AI’. Het gaat erom het juiste evenwicht te vinden tussen automatisering en menselijke verantwoordelijkheid. Voor wie op zoek is naar een zeer praktische invalshoek met betrekking tot het MKB, raad ik ook ‘AI in HR for SMEs’ aan.
De juiste vraag is niet of AI de HR-afdeling kan helpen. De juiste vraag is of AI daadwerkelijk je volgende talent kan selecteren zonder het proces te verstoren.
Concreet wordt AI vandaag de dag al ingezet bij het screenen van cv’s, interne chatbots, het analyseren van enquêtes, onboarding en het genereren van documenten. Het is vooral een nuttige technologie wanneer de werkdruk hoog is en snelheid direct van belang is. Maar binnen human resources heeft elke keuze gevolgen voor echte mensen, echte carrières en echte rechten. Daarom moet de invoering ervan met een andere benadering worden bekeken dan wanneer je een ‘copiloot’ inzet om e-mails te schrijven of vergaderingen samen te vatten.
Efficiëntie is belangrijk. Bij beslissingen over mensen is snelheid echter niet voldoende.
Op de Italiaanse markt ligt dit nog gevoeliger. De AVG en de Europese AI-wet beperken de foutmarge aanzienlijk wanneer een geautomatiseerd systeem invloed heeft op werving, beoordelingen en personeelsbeheer. Als jeAI voor HR overweegt, is er één eenvoudige regel: automatiseer het routinematige werk, maar laat de besluitvorming bij de mens.
AI in HR is geen sciencefiction. Het is nu al dagelijkse praktijk. Tegenwoordig gebruiken veel bedrijven het om repetitieve taken te verlichten, processen te versnellen en het HR-team meer tijd te geven voor werk dat context en inzicht vereist.
Volgens gegevens van Yomly over het gebruik van AI binnen HR-functies maakt 44% van de bedrijven er al gebruik van bij de werving. AI-tools kunnen de time-to-hire met ongeveer 50% verkorten en bijna 40% van de repetitieve taken automatiseren.
De meest voorkomende toepassing is de eerste selectieronde van sollicitaties. Een LLM leest cv’s en functieomschrijvingen, vergelijkt vaardigheden, ervaringen en semantische signalen, en stelt vervolgens een gerangschikte shortlist op.
In de praktijk werkt het goed als de functie redelijk gestandaardiseerd is. Ik denk dan aan administratieve functies, klantenservice, interne verkoop en softwareontwikkeling met een vastomlijnde stack. Als je de vereisten goed beschrijft, versnelt het model de eerste stap aanzienlijk.
Het werkt minder goed wanneer het gaat om elementen die moeilijk uit een cv te halen zijn.
Praktische tip: gebruik AI om de lijst van 500 kandidaten terug te brengen tot een beter beheersbaar aantal. Gebruik het niet om in je eentje te beslissen wie een laatste sollicitatiegesprek verdient.
Het tweede gebruiksscenario is minder opvallend, maar vaak nuttiger. HR-teams besteden een groot deel van hun tijd aan terugkerende verzoeken. Volgens de analyse van Tommaso Maria Ricci over AI in HR besteden HR-teams tussen de 40% en 60% van hun tijd aan verzoeken zoals verlof, salarisadministratie en bedrijfsbeleid. HR-chatbots kunnen dagelijks tot wel 2 à 3 uur vrijmaken voor meer strategische activiteiten.
De meerwaarde is hier direct merkbaar. Een interne chatbot beantwoordt vragen over resterende vakantiedagen, documenten, procedures, onkostendeclaraties, reglementen en de administratieve onboarding. Het voordeel is niet alleen de tijd die het HR-team bespaart. Het gaat ook om de kwaliteit van de ervaring voor de medewerker, die snel antwoord krijgt in plaats van op een e-mail te moeten wachten.
Waar AI echt verrast, is bij de analyse van lange en onsamenhangende teksten. Interne enquêtes zijn daar een perfect voorbeeld van. In plaats van honderden open antwoorden handmatig te lezen, identificeert het model terugkerende thema’s, sentimenten, opkomende knelpunten en patronen die nader moeten worden onderzocht.
De handigste toepassingen die ik bij kleine en middelgrote ondernemingen zie, zijn de volgende:
Functieomschrijving en beleid
De AI genereert een eerste samenhangend concept, dat het HR-team vervolgens op juridisch en cultureel vlak aanpast.
biedt een gepersonaliseerde onboarding. Het kan de inhoud, het materiaal en de volgorde aanpassen aan de functie of afdeling.
Skill mapping
Helpt bij het in kaart brengen van bestaande vaardigheden en opleidingslacunes, vooral wanneer de gegevens verspreid zijn over cv’s, beoordelingen en aantekeningen van leidinggevenden.
Klimaatanalyse
Zet ongestructureerde tekst om in bruikbare signalen om te begrijpen waar maatregelen moeten worden genomen.
Er is ook een steeds groter wordend onderscheid tussen generalistische modellen en verticale modellen. Wat de verticale modellen betreft, heeft Wisq HRLM ontwikkeld als een specifiek model voor HR. Wat de generalistische modellen betreft, worden GPT, Claude en Gemini al in veel bedrijven ingezet voor operationele HR-taken met goed ontworpen prompts. Het verschil zit echter niet alleen in de kwaliteit van de output. Het zit hem in het beheer.
De slechtste manier om AI in HR in te voeren, is door in extremen te denken. Geen automatisering leidt tot trage processen, een operationele achterstand en beslissingen die op basis van onvolledige informatie worden genomen. Volledige automatisering leidt juist tot de tegenovergestelde fout: mensen en sollicitaties behandelen als tickets die moeten worden gesorteerd.
De metafoor van de Laffer-curve gaat ook hier goed op. In het begin levert elke toepassing van AI efficiëntie op. Je automatiseert interne FAQ’s, eerste versies van documenten, tekstanalyse en een voorlopige rangschikking van cv’s. De waarde neemt toe.
Dan kom je bij een drempel. Als je het algoritme steeds gevoeligere taken blijft toevertrouwen, begint de waarde te dalen. Niet omdat het model nutteloos is, maar omdat het risico sneller toeneemt dan het voordeel.
Volgens het Workday-overzicht over AI in HR zijn de belangrijkste redenen voor de invoering ervan: verbetering van de besluitvorming (41%), automatisering van repetitieve processen (35%) en verbetering van het personeelsbehoud en de werknemerservaring (32%). Deze cijfers verklaren goed waarom AI zo aantrekkelijk is voor HR. Maar ze geven niet aan waar de grens ligt. Dat is juist het punt dat vaak ontbreekt in de discussies.
De grootste meerwaarde zit niet in het vervangen van het HR-team. Het zit erin het team scherper en sneller te maken bij de juiste taken.
Om het optimale punt te vinden, maak ik een eenvoudig onderscheid tussen mechanische taken en beslissingstaken.
| Soort activiteit | Aanbevolen AI-niveau | Toezicht door mensen |
|---|---|---|
| Veelgestelde vragen over werknemers, vakantie en beleid | Hoog | Laag, met periodieke controle |
| Concepten van functieomschrijvingen | Hoog | HR-herziening nodig |
| Eerste screening van cv’s | Media | Altijd menselijke controle |
| Beoordeling van de finalisten | Laag | Hoog |
| Promoties, kritische prestaties, individueel exit-risico | Zeer laag | Volledig menselijke beslissing |
Als je een MKB-bedrijf hebt, ligt het optimale punt meestal niet op technisch vlak. Het is een organisatorische kwestie. Je moet duidelijk bepalen waar de AI voorstellen doet, waar ze opdrachten geeft, waar ze samenvat, en waar ze juist geen beslissingen mag nemen.
Drie vragen helpen enorm:
Het gevaarlijkste aspectvan AI voor HR is niet de technologie zelf. Het is de schijnbare neutraliteit ervan. Wanneer een recruiter een kandidaat beoordeelt, weet iedereen dat die beoordeling een zekere mate van subjectiviteit bevat. Wanneer een systeem een score toekent, stellen veel mensen geen vragen meer.
Dit is de kern van het probleem van algoritmische vooringenomenheid. Als je een systeem traint of configureert op basis van historische wervingsgegevens, heeft het systeem de neiging om de logica te kopiëren die al in die gegevens aanwezig was. Als het bedrijf in het verleden bepaalde profielen heeft bevoordeeld en andere heeft benadeeld, kan het algoritme hetzelfde doen, maar dan sneller en op een minder zichtbare manier.
Het geval van Amazon is juist daarom tot een symbool geworden. Het bedrijf moest een systeem voor het screenen van cv’s intrekken dat vrouwelijke profielen benadeelde. Dit is geen op zichzelf staand geval. Het is het te verwachten gevolg van een aanpak waarbij het verleden als maatstaf voor verdienste wordt gebruikt.
In Italië is het beeld allesbehalve geruststellend. Volgens de door ELECTE gepubliceerde gegevens over dit onderwerp heeft slechts 12% van de HR-bedrijven met AI-systemen systematische bias-audits doorgevoerd.
Een beter model lost het probleem niet op als de gegevens, de criteria of de organisatorische context nog steeds vertekend zijn.
Voor wie in Europa actief is, is dit niet alleen een ethische kwestie. Het is een juridische kwestie. Artikel 22 van de AVG erkent het recht van sollicitanten om niet te worden onderworpen aan beslissingen die uitsluitend op geautomatiseerde verwerking zijn gebaseerd, wanneer deze beslissingen aanzienlijke gevolgen voor de betrokkene hebben. Beslissingen op het gebied van HR vallen volledig onder dit gevoelige gebied.
Bovendien worden werving en personeelsbeheer in de Europese AI-wet aangemerkt als toepassingen met een hoog risico. Dit houdt in dat er veel strengere verplichtingen gelden op het gebied van documentatie, transparantie, controle en risicobeheer dan bij een algemeen gebruik van AI ter bevordering van de individuele productiviteit.
Voor een Italiaans bedrijf zijn de praktische gevolgen duidelijk:
Wie zich serieus met deze onderwerpen bezighoudt, zou ook nader moeten onderzoeken in hoeverre bedrijven voldoen aan de AI Act.
De markt splitst zich op in twee zeer verschillende categorieën. Enerzijds zijn er de algemene LLM’s zoals GPT, Claude en Gemini. Anderzijds komen er verticale modellen op de markt die specifiek zijn ontworpen voor human resources, zoals HRLM van Wisq.
Voor een MKB-bedrijf is een algemeen model vaak voldoende. Als je het volgende nodig hebt:
Een goede LLM met goed geschreven prompts kan heel goed werken.
Het voordeel is praktisch. Je kunt meteen aan de slag, het kost minder en je kunt snel testen. Voor kleine HR-teams of bedrijven met niet al te complexe processen is deze aanpak vaak de meest rationele manier om te beginnen.
Er is echter een beperking. Algemene modellen zijn niet ontwikkeld vanuit een HR-perspectief, noch met specifieke beleidsregels voor jouw context, noch met impliciete garanties voor naleving, alleen maar omdat ze krachtig zijn.
Als je te maken hebt met grotere volumes, meer delicate processen of een structuur met veel goedkeuringsniveaus, zijn verticale modellen zinvol. Niet zozeer omdat ze ‘alles beter begrijpen’, maar omdat ze zijn ontworpen voor een beperktere reikwijdte.
Meestal zijn ze de voorkeur waard wanneer ze nodig zijn:
Voor een MKB-bedrijf met 50 medewerkers is het niet de bedoeling om het meest geavanceerde systeem aan te schaffen. Het gaat erom het systeem te kiezen dat het team kan gebruiken, controleren en ter discussie stellen wanneer het fouten maakt.
De juiste vraag is niet welk model het meest geavanceerd is. De vraag is welk model het beste aansluit bij jouw operationele risico. Als de taak een lage impact en een hoog volume heeft, kies dan voor een generalistisch model. Als het proces gevoelige beslissingen betreft en gestructureerde controle vereist, is het verticale model het overwegen waard.
De beste implementaties beginnen niet met voorspellende werving. Ze beginnen bij de dagelijkse wrijvingen. Juist daar bouwt AI intern vertrouwen op en laat het zien of het team er echt klaar voor is om ermee om te gaan.
De eerste stap lijkt op het eerste gezicht eenvoudig, maar dat is het niet. Je moet beginnen met activiteiten met een hoog volume en een laag risico. Als je daar begint, zie je meteen het voordeel en beperk je het risico.
Drie zinvolle voorbeelden:
Deze aanpak levert een positief effect op. Het HR-team ziet AI niet langer als een abstracte bedreiging, maar gaat het beschouwen als een operationele ondersteuning.
De tweede stap is belangrijker dan de eerste. Je moet zwart op wit vastleggen waar de AI advies geeft en waar de mens beslist.
Een minimale bedrijfsvoering in het MKB zou het volgende moeten omvatten:
Beslissingsgrens
AI kan classificeren, samenvatten en signaleren. De manager of recruiter keurt goed, wijst af of gaat dieper in op de zaak.
-beoordelingsproces Elke output met grote impact moet door een verantwoordelijke persoon worden gecontroleerd.
Bias-test vóór de release
Als het systeem wordt ingezet voor werving of personeelsbeoordeling, moet het worden getest met representatieve datasets en gedocumenteerde controles.
Interne transparantie
Medewerkers en sollicitanten moeten weten wanneer AI wordt ingezet ter ondersteuning van het proces.
Een MKB-bedrijf dat controles overslaat, versnelt niet. Het schuift het risico alleen maar naar de toekomst door.
De derde stap is om geleidelijk op te schalen. Een pilotproject binnen één HR-proces levert meer leerervaringen op dan een algemene uitrol. Eerst toets je de taak, vervolgens het gedrag van het team en daarna het regelgevingskader.
Voor wie zijn werk op een gestructureerde manier wil aanpakken, is het nuttig om uit te gaan van een echte stappenplan voor AI-integratie, in plaats van losse experimenten.
Om het succes van AI in HR te meten, volstaat het niet om alleen naar de snelheid te kijken. Je moet nagaan of de kwaliteit van de beslissing verbetert zonder dat dit risico’s, fouten of ondoorzichtige stappen met zich meebrengt.
Voor kleine en middelgrote ondernemingen is het nuttigste criterium eenvoudig: brengt AI het HR-team naar het juiste punt op de Laffer-curve, of worden activiteiten die nog steeds menselijk inzicht vereisen te vroeg geautomatiseerd? Als de tijdwinst toeneemt, maar er tegelijkertijd meer bezwaren, herzieningen of twijfels ontstaan over de juistheid van het proces, is de winst slechts schijn.
Een concreet voorbeeld is de analyse van interne tevredenheidsenquêtes. In veel bedrijven leest de HR-afdeling honderden open antwoorden handmatig door en stelt ze de belangrijkste thema’s vast, wat veel tijd kost en waarbij de resultaten van persoon tot persoon kunnen verschillen. Met een goed geconfigureerde LLM komen thematische clusters, terugkerende signalen en afwijkingen sneller naar voren.
Het daadwerkelijke voordeel is hier niet alleen van operationele aard. Het team verspilt geen uren meer aan het samenvatten en kan zich concentreren op prioriteiten, follow-ups en het aanspreken van managers.
De nuttige statistieken zijn in dit geval beperkt en concreet: gemiddelde analysetijd, consistentie van de samenvattingen ten opzichte van een steekproefmatige menselijke controle, en het aantal inzichten dat daadwerkelijk tot actie leidt. Als de AI snelle maar te algemene samenvattingen produceert, ben je al voorbij het optimale punt.
Het tegenovergestelde geval ligt gevoeliger. Een chatbot die het eerste gesprek voert en zonder menselijke toetsing een uitsluitingsscore toekent, lijkt misschien efficiënt, maar voor een Italiaanse kmo levert dit een ernstig methodologisch probleem op, nog voordat er sprake is van een technologisch probleem.
Het risico is drieledig. Je kunt geschikte kandidaten afwijzen op basis van onduidelijke criteria. Het kan moeilijk zijn om de beslissing op transparante wijze uit te leggen. Je kunt je blootstellen aan kritiek met betrekking tot de AVG en, in gevallen met grote gevolgen, ook aan de verplichtingen die de AI-wet strenger maakt voor systemen die worden gebruikt op het werk en bij de toegang tot de arbeidsmarkt.
Zoals ik binnen het bedrijf heb gezien, is dit de juiste toetssteen: helpt AI om betere beslissingen te nemen, of versnelt het alleen maar een wankele beslissing? Een analyse van ELECTE wijst precies op dit punt. Selectieprocessen die uitsluitend via automatisering worden beheerd, leiden er vaak toe dat de daadwerkelijke afstemming tussen persoon en functie verslechtert, terwijl een laatste menselijke controle de duurste fouten beperkt.
Goed meten betekent dus dat je vier indicatoren samen in ogenschouw neemt: tijdwinst, kwaliteit van de output, percentage handmatige correcties en nalevingsrisico. Als je er maar één meet, beoordeel je het project meestal verkeerd.
AI voor HR werkt pas echt als het de routinematige taken op zich neemt en de moeilijkste taak aan de mens overlaat: het interpreteren van de context, de motivatie, het potentieel en de gevolgen. Dat is het ideale evenwicht. Geen ‘zero AI’, geen volledige automatisering.
Voor een Italiaanse kmo is het niet de prioriteit om de meest opvallende nieuwigheid na te jagen. Het gaat erom een systeem op te zetten dat de efficiëntie en kwaliteit verbetert, zonder in conflict te komen met de AVG, de AI-wet en het gezond zakelijk verstand. Als je deze logica toepast, wordt AI een nuttige versterker. Als je het gebruikt als vervanging voor het eigen oordeel, wordt het een risico.
Als je operationele gegevens en organisatorische signalen wilt omzetten in beter begrijpelijke inzichten, helpt ELECTE – een door AI aangestuurd data-analyseplatform voor het MKB – je bij het analyseren van complexe informatie, het automatiseren van rapportages en het nemen van betere beslissingen. Om te zien hoe dit in de praktijk werkt, kun je het platform in actie bekijken en beoordelen of het bij jouw processen past.
.svg)
.svg)
.svg)
