# AI in HR is geen zaak van Unilever. Het is een zaak van mkb

> Van Unilever naar mkb: enterprise-workflows repliceren in 4 weken met €500/maand

Source: https://www.electe.net/nl/post/l-ai-in-hr-non-roba-da-unilever-roba-da-pmi

Site guide: https://www.electe.net/nl/llms.txt

Elke week hoor ik in gesprekken met bedrijven in Europa dezelfde zin:
**“AI in HR is voor de grote spelers. Wij zijn geen Unilever.”**

Dat is een kostbare mythe.

De realiteit: dezelfde patronen waarmee enterprises vandaag miljoenen besparen, zijn door een mkb-bedrijf te repliceren met **€100-500/maand**, met freemium tools, wat automatisering en de data die het al bezit.

## **Enterprise vs mkb: de kloof is veel kleiner dan het lijkt**

Unilever verwerkt 250.000 sollicitaties/jaar met AI en bespaart €1M.
Een startup van 50 mensen implementeert intern een mini-workflow met automatisering en bespaart 10-15 uur/week met een investering van €100-200/maand.

Je hebt geen enterprise-technologie nodig. Je hebt logica nodig: automatiseren, standaardiseren, voorspellen.

_(Dit zijn de kosten van softwarelicenties voor een DIY-implementatie. De setup vraagt eenmalig 20-100 uur intern werk, afhankelijk van de complexiteit.)_

## De cijfers bevestigen het

Mastercard heeft $21M gegenereerd met zijn AI-talentmarktplaats.
Maar ook een mkb-bedrijf kan een tijdsbesparing van -75% op screening realiseren met Zapier-automatiseringen vanaf €20/maand.
Open source-modellen (Random Forest, XGBoost) behalen 85-95% nauwkeurigheid bij het voorspellen van verloop, enkel op basis van HRIS-data.

## Instapkosten: ingestort

AI in HR begint tegenwoordig bij €0:

- CV-parsing → gratis
- Voorspellende modellen → open source
- Automatiseringen → Zapier/Make vanaf €20/maand
- ATS → freemium

Met 20-40 uur interne setup kan een mkb-bedrijf een systeem bouwen dat:

- 15-20 uur/week aan handmatig werk elimineert
- medewerkers met vertrekrisico identificeert voordat ze weggaan
- de time-to-hire met 40-60% versnelt

_De complexiteit neemt af. De kansen nemen toe._

## 📊 Praktijkcase: mkb-productiebedrijf in Lombardije (120 medewerkers)

Een DIY-voorspellingsmodel signaleerde 3 medewerkers met hoog risico die niet op de radar van HR stonden. Door bij 2 van hen in te grijpen, vermeed het bedrijf €90k aan verlooekosten. Totale investering jaar 1: €5.000. ROI: 1.700%.

Concrete setup (3 weken):

- Export van historische HRIS-data (3 jaar): overuren, salaris, laatste promotie, tevredenheidsonderzoek, uitstroomgegevens
- Training van een Random Forest-model op 180 eerdere uitstromen + 300 actieve medewerkers
- Meest voorspellende variabelen: overuren >12u/week, promotiestilstand >3 jaar, tevredenheidsscore <6/10

Resultaat: het model markeerde 3 medewerkers met 85%+ kans op vertrek binnen 6 maanden.
Twee van hen hadden geen enkel duidelijk risicosignaal afgegeven (“al 8+ jaar stabiel, geen teken van ontevredenheid”).

Handmatige analyse na de flag:

- Medewerker A: constante overuren (15u/week) + geen promotie sinds 4 jaar → extern aanbod ontvangen
- Medewerker B: salaris 18% onder marktniveau + tevredenheid 5/10 → was actief op zoek op LinkedIn
- Medewerker C: had al besloten van baan te veranderen om een nieuw carrièrepad in te slaan → beslissing bevestigd tijdens exitgesprek

Interventie: salarisverhoging +12% (A en B) + schriftelijk carrièreplan + vermindering overuren.
A en B behouden. **C was niet te behouden.**

_“We hadden de gegevens al jaren in HRIS. Het kostte een data-analist 8 uur om de CSV te extraheren en het Python-script te draaien. De waarde zat niet in geavanceerde technologie, maar in het kijken naar de gegevens die we al hadden.” — HR Manager_

De vraag is niet “kunnen we het ons veroorloven?” De vraag is: heb je 20–40 uur om het te implementeren? Zo ja, dan is het rendement vrijwel gegarandeerd — op elke schaal.

## Hoe mkb-bedrijven enterprise-AI kunnen repliceren (zonder enterprise-budget)

**De Unilever-workflow uitgesplitst: wat er echt gebeurt in elke stap**

Het AI-recruitmentproces van Unilever voor het Future Leaders Programme is de gold standard van de sector. Gelanceerd in 2016, heeft het de time-to-hire teruggebracht van 4-6 maanden naar 4 weken, met de verwerking van 1,8 miljoen sollicitaties per jaar voor 30.000 posities.

### Stap 1 → Sollicitatie via LinkedIn (10-15 minuten)

De kandidaat koppelt direct het LinkedIn-profiel, zonder traditioneel cv. Deze keuze heeft de talentenpool uitgebreid van 840 naar 2.600 vertegenwoordigde universiteiten.

### Stap 2 → Pymetrics Games (20-30 minuten)

12 neurowetenschappelijke spellen meten 91 cognitieve en emotionele eigenschappen: attention, decision-making, risk tolerance, emotion recognition, resilience. Het systeem vergelijkt het profiel met de benchmark van de top performers. 98% van de kandidaten voltooit deze fase (tegenover 50% bij traditionele methoden).

### Stap 3 → Video-interview HireVue (30 minuten)

Asynchrone video. Sinds 2021 wordt facial analysis niet meer gebruikt: laag voorspellend vermogen (0,25%-4%) en bias.
De AI analyseert alleen semantische inhoud en spraakpatronen. Filtert tot 80%.

### Stap 4 → Discovery Center Day

3.500 finalisten uit 250.000 sollicitaties. 800 aanwervingen per jaar.

**Gedocumenteerde resultaten:**
-75% recruitertijd, £1M bespaard/jaar, +16% diversiteit workforce, gender parity bereikt, offer acceptance van 64% naar 82% ✅

_Kunstmatige intelligentie onthult verbindingen, kansen en trajecten die geen enkel handmatig proces aan het licht kan brengen. Wat verborgen was, wordt zichtbaar._

## 2. De technologie achter interne talent marketplaces

De Internal Talent Marketplace is de meest geavanceerde vorm van AI voor interne mobiliteit.
Gloat verzamelt skills uit self-report, jobgeschiedenis en marktsignalen, met een dynamische ontologie.

**Case Mastercard "Unlocked"**
Resultaten: $21M besparingen, 900.000 vrijgemaakte uren, 62% adoptie, +80% tevredenheid, +30% retentie.

**Case Schneider Electric "Open Talent Market"**
60% adoptie in 2 maanden, 360.000 vrijgemaakte uren, $15M+ besparingen, NPS 60.

## 3. De variabelen die verloop echt voorspellen

Het IBM Watson-model gebruikt 35 variabelen.

De meest voorspellende:

- OverTime
- JobSatisfaction
- YearsSinceLastPromotion
- MonthlyIncome
- JobInvolvement

📊 **Typische nauwkeurigheid:**

- Random Forest: 84-87%
- XGBoost/CatBoost: 85-95%
- Logistic Regression: 75-80%

`import pandas as pd`
`from sklearn.model_selection import train_test_split`
`from sklearn.ensemble import RandomForestClassifier`

`# Laad IBM HR Analytics dataset (gratis op Kaggle)`
`df = pd.read_csv('IBM-HR-Attrition.csv')`
`y = df['Attrition'].map({'Yes': 1, 'No': 0})`
`X = pd.get_dummies(df.drop('Attrition', axis=1))`

`# Train model`
`X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)`
`rf = RandomForestClassifier(n_estimators=40)`
`rf.fit(X_train, y_train)`

`# Top 5 voorspellende variabelen`
`importances = pd.Series(rf.feature_importances_, index=X.columns)`
`print(importances.nlargest(5))`

Deze code werkt gratis in Google Colab. Typische output: MonthlyIncome, OverTime, Age, TotalWorkingYears, YearsAtCompany als top predictors.

## De economie van de tools: van €0 tot €500/maand (DIY)

Het landschap van AI-tools voor HR is gedemocratiseerd. De instapinvestering is gedaald van €50.000+ naar €0-500/maand **voor wie intern implementeert**. Dit zijn de kosten van software-tools die je zelf configureert, geen kant-en-klare diensten.

**Freemium-stack (€0/maand - zelfstandige setup):**

- ATS: Breezy HR (gratis tier 1 actieve vacature)
- Video-interview: myInterview (gratis basisversie)
- Assessment: TestGorilla (uitgebreide gratis proefperiode)
- CV-parsing: pyresparser (open source)
- Voorspellend model: Python + scikit-learn (open source)
- Analytics: Google Sheets + template

**Stack voor mkb 10-50 werknemers (€100-300/maand - interne implementatie):**

- LinkedIn Recruiter Lite: €170/maand
- Zapier/Make: €20/maand (vereist workflowconfiguratie)
- pyresparser: gratis
- Python-model: gratis (vereist basiskennis Python)

**Stack voor mkb 50-200 werknemers (€500-1.500/maand - intern team):**

- Volledig ATS: €200-400/maand (configuratie + onderhoud)
- Assessmentplatform: €150-300/maand
- Analytics dashboard: €100-200/maand
- Geavanceerde automatiseringen: €50-100/maand

**Belangrijke verduidelijking:** deze budgetten zijn **softwarelicentiekosten**, exclusief implementatietijd. Er is basiskennis nodig (Zapier configureren, Python-scripts uitvoeren, API-documentatie lezen). Voor bedrijven met 10-50 werknemers: 20-40 uur werk voor de initiële setup. Voor 50-200 werknemers: 60-100 uur verspreid over 4-8 weken.

Het voordeel: eenmaal geïmplementeerd is het onderhoud minimaal (2-5 uur/maand) en is de ROI blijvend.

## Quick win #1: automatische cv-screening in 1 dag

Het automatisch parsen van cv's is te implementeren in 6-8 uur door no-code tools (Zapier) te combineren met een minimaal Python-script.

**Optie A: Alleen Zapier (geen coding, 2-3 uur)**

Volledige pipeline zonder code te schrijven:

1. **Trigger:** Nieuwe e-mail met bijlage ontvangen op _hr@electe.net_
2. **Action:** Zapier Parser haalt automatisch gegevens uit het cv (name, email, phone, skills)
3. **Action:** Maakt rij aan in Google Sheet met geëxtraheerde gegevens
4. **Action:** Slack-melding naar de recruiter: "Nieuw cv ontvangen: \[naam\] - \[skills\]"
5. **Action:** Voegt kandidaat toe aan e-mailreeks (bijv. "Bedankt, we nemen contact met je op")

**Kosten:** Zapier Professional €20/maand
**Setuptijd:** 2-3 uur click-and-configure
**Vereiste vaardigheden:** Geen coding, alleen vertrouwdheid met webinterfaces

**Optie B: Zapier + Code by Zapier (Python/JS inline, 4-5 uur)**

Als Zapier Parser niet volstaat, voeg je aangepaste logica rechtstreeks toe in Zapier:

1. Trigger: Nieuwe e-mail met bijlage
2. **Action: Code by Zapier (Python)** - geavanceerde inline parsing:

`# Python direct uitgevoerd in Zapier`
`import re`
`cv_text = input['cv_text']`
`email = re.findall(r'[\w\.-]+@[\w\.-]+', cv_text)[0]`
`phone = re.findall(r'\+?\d[\d\s\-\(\)]{8,}', cv_text)[0]`
`return {'email': email, 'phone': phone, 'text': cv_text}`

1. Actie: Google Sheet-rij aanmaken
2. Actie: Slack-melding
3. Actie: e-mailreeks

**Kosten:** Zapier Professional €20/maand (inclusief Code)
**Setuptijd:** 4-5 uur (ontwikkeling + testen van aangepaste logica)
**Vereiste skills:** basis Python/JavaScript

**Optie C: pyresparser op externe server (maximale parsing, 6-8 uur)**

Voor zeer complexe cv's of hoge volumes (500+ cv's/maand):

`# Script op dedicated server`
`pip install pyresparser`
`from pyresparser import ResumeParser`
`data = ResumeParser('/path/to/resume.pdf').get_extracted_data()`
`# Output: name, email, mobile, skills, college, degree, experience`

Zapier roept de server aan via webhook, ontvangt de geparste JSON en gaat verder met Sheet/Slack/Email.

**Kosten:** Zapier €20/maand + DigitalOcean €5/maand
**Setuptijd:** 6-8 uur (serverconfiguratie + deployment)
**Vereiste skills:** Python + deployment OF externe developer

⚡ Typische besparing: 15+ uur/week voor wie 200+ cv's verwerkt.

_Het samengestelde effect van automatisering: lage vaste kosten, groeiende besparingen._

## Het playbook in 10 weken (DIY)

**Vereiste:** Toegang tot interne technische middelen (developer, data-analist) of een budget van €2.000-3.000 voor een freelancer die de setup ondersteunt.

**Week 1:** Automatische cv-parsing met pyresparser + Zapier-pipeline. Eerste meetbare besparing: 10-15 uur.

**Week 2:** Audit van HR-data, export naar Sheets/Airtable, dashboard opzetten met kern-metrics (time-to-hire, cost-per-hire, headcount).

**Week 3:** Turnover-predictiemodel op historische dataset, training met beschikbare variabelen, validatie met HR-manager.

**Week 4:** Zapier-automatiseringen voor terugkerende workflows (interview scheduling, onboarding-checklist, verlofaanvragen). Uiteindelijke ROI-berekening.

**Weken 5-10:** Iteratie en opschaling. Voeg alleen complexiteit toe waar de ROI bewezen is.

_📥 Wil je onderzoeken of deze workflows toepasbaar zijn op jouw situatie?_
_De Google Sheet-templates, Python-scripts en Zapier-automatiseringen die hier beschreven zijn, zijn al operationeel. Pas ze aan jouw situatie aan._

## Conclusie

De veelgemaakte fout is te denken dat je een enterprise-budget of dure consultants nodig hebt.
De logica — screening automatiseren, assessment standaardiseren, risico's voorspellen — is te herhalen met opensource-tools en toegankelijke SaaS.

De waarde zit niet in dure tools, maar in de methode.
De ROI overschrijdt het eerste jaar gemakkelijk de 600%.

**N.B.** De Python-code en Zapier-voorbeelden in dit artikel werken al. Kopieer ze, pas ze aan jouw situatie aan, implementeer ze. Er zijn geen extra templates nodig: je hebt al alles wat je nodig hebt om te beginnen.