Algemeen

AI-screening filtert soft skills weg uit uw kandidatenpool

Nieuw onderzoek laat zien dat AI-screening op technische kenmerken selecteert, terwijl werkgevers juist soft skills missen.

Redactie

29 september 2026

6 min leestijd

AI-screening filtert soft skills weg uit uw kandidatenpool

Werkgevers zeggen dat ze vooral tekortkomen op communicatie, probleemoplossend vermogen en klantgerichtheid. Diezelfde werkgevers erkennen dat hun AI-screening juist op technische kenmerken selecteert. Dat is de kern van onderzoek dat vakblad theHRDIRECTOR op 20 september publiceerde. Het raakt direct de manier waarop u uw wervingsfunnel heeft ingericht.

Wat het onderzoek laat zien

theHRDIRECTOR beschrijft onderzoek van de Britse skillsorganisatie City & Guilds onder 908 werkgevers en 1.014 jongvolwassenen van 18 tot en met 24 jaar. Volgens dat onderzoek vindt 74 procent van de HR-professionals en leidinggevenden employability skills zoals communicatie in persoonlijk contact, probleemoplossend vermogen en klantgerichtheid minstens zo belangrijk als technische kennis. Van de werkgevers meldt 83 procent negatieve gevolgen van het tekort aan die vaardigheden, waarbij probleemoplossend vermogen het lastigst te vinden is. En 37 procent koppelt fouten en vertragingen in de uitvoering rechtstreeks aan onvoldoende soft skills, een percentage dat in zorg en welzijn oploopt tot 42 procent.

Twee cijfers uit hetzelfde onderzoek gaan specifiek over technologie. 70 procent van de werkgevers bevestigt dat AI de doorlooptijd van werving verkort. Tegelijk erkent 69 procent dat AI technische vaardigheden bevoordeelt boven soft skills. Andy Moss, interim-bestuurder van City & Guilds, vat de uitkomst samen met de opmerking dat werkgevers luid en duidelijk aangeven dat employability skills minstens zo veel gewicht hebben als technische kennis. Het onderzoek wijst er daarnaast op dat AI-gedreven werving de diversiteit kan schaden doordat kandidaten benadeeld worden op uiterlijk, communicatiestijl of achtergrond.

Twee kanttekeningen bij deze cijfers. Het gaat om zelfrapportage door werkgevers, niet om een meting van wat selectiemodellen feitelijk doen. En het onderzoek is uitgevoerd op de Britse arbeidsmarkt. De onderliggende mechaniek is niet landgebonden, maar de percentages zijn dat wel.

Waarom modellen op harde criteria uitkomen

Dat AI-screening naar technische kenmerken neigt is geen ontwerpfout van een specifieke leverancier, het is een voorspelbaar gevolg van hoe deze systemen leren. Een matchingmodel of cv-parser rangschikt op signalen die in gestructureerde vorm in de data zitten. Opleidingsniveau, certificeringen, functietitels, jaren ervaring en trefwoorden zijn allemaal machineleesbaar en consistent gelabeld. Of iemand rustig blijft bij een boze klant staat nergens als veld.

Dit is interpretatie, geen gemeten uitkomst. Maar de richting is logisch. Een model dat traint op historische aannames leert reproduceren welke kandidaten in het verleden zijn aangenomen, en de beste proxy daarvoor in de beschikbare data is bijna altijd het harde profiel. Soft skills komen pas in beeld in het gesprek, en dat gesprek vindt plaats na de fase waarin het model al heeft gefilterd. Wie de lat voor doorstroom naar dat gesprek volledig door een model laat bepalen, verliest precies de vaardigheden waarvan 83 procent van de werkgevers zegt dat het tekort eraan schade oplevert.

De automatisering zit vaak op de verkeerde plek

Er is een tweede reden waarom dit misgaat, en die gaat over waar in het proces de techniek zit. Aptitude Research publiceerde in mei 2026 de studie State of Hiring Automation 2026, gebaseerd op een audit van meer dan 200 sollicitatieprocessen bij grote werkgevers en een enquête onder meer dan 300 organisaties. De gemiddelde volwassenheid in de fase van aantrekken, betrekken en converteren komt daarin uit op 62 procent. De gemiddelde automatiseringsscore na het moment van solliciteren blijft steken op 21 procent.

Aptitude Research vond verder dat 94 procent van de organisaties geen gesprekken inplant binnen de sollicitatiestroom zelf, dat 11 procent rolspecifieke kwalificatievragen vroeg in het proces gebruikt, dat 7 procent het inplannen van gesprekken automatiseert en dat 1 procent een spraakgestuurde screeningagent inzet. De conclusie van de onderzoekers is dat het knelpunt niet zit in het aantrekken van talent, maar in kwalificatie, beoordeling, screening, planning en besluitvorming.

Die twee onderzoeken samengelegd geven een onprettig beeld. Organisaties zetten AI vooral in aan de voorkant, waar het volume filtert, en nauwelijks in de fase waar je daadwerkelijk iets over iemands gedrag te weten kunt komen. Het resultaat is een funnel die snel afvalt op meetbare kenmerken en pas laat kijkt naar de vaardigheden waar het tekort zit. Bij het beoordelen van leveranciers op een overzicht van AI recruitment tools is de vraag dus niet alleen wat een tool filtert, maar ook op welk punt in het proces die tool zijn werk doet.

Het beoordelingskader verschuift, maar pas eind 2027

Voor de juridische kant is er inmiddels duidelijkheid over het tijdpad. AI-systemen voor werving en selectie vallen onder Annex III van de AI Act en gelden daarmee als hoog risico. De Europese Commissie meldt op haar pagina over het regelgevend kader voor AI, laatst bijgewerkt op 3 augustus 2026, dat de verplichtingen voor deze hoogrisicotoepassingen via de AI Omnibus zijn verschoven naar 2 december 2027. De oorspronkelijke datum was 2 augustus 2026. De Commissie motiveert dat uitstel met het argument dat de regels pas moeten gelden wanneer ondersteunende instrumenten zoals normen beschikbaar zijn.

Dat uitstel verandert niets aan de AVG, die onverkort geldt voor geautomatiseerde besluitvorming over sollicitanten. Het betekent wel dat u nog ruim een jaar heeft om uw documentatie, uw menselijke tussenkomst en uw beoordelingscriteria op orde te brengen voordat die verplichtingen afdwingbaar worden.

Wat betekent dit voor uw organisatie

Vier concrete acties, oplopend in inspanning.

Meet eerst wat uw filter wegstuurt. Trek een steekproef van vijftig afwijzingen uit de automatische voorselectie van het afgelopen kwartaal en laat een recruiter die cv's blind beoordelen. Wijkt het oordeel substantieel af, dan selecteert uw model op iets anders dan uw vacaturehouder wil. Dit kost een dagdeel en levert harde informatie op.

Zet vervolgens de criteria expliciet op papier. Als communicatie of probleemoplossend vermogen doorslaggevend is voor de functie, dan hoort dat niet pas in het eindgesprek te worden getoetst. Leg vast welke vaardigheden bepalend zijn en controleer of uw tool die daadwerkelijk meet, of dat die er een proxy voor gebruikt.

Verschuif daarna de automatisering naar achteren in de funnel. De cijfers van Aptitude Research laten zien dat daar de meeste winst ligt en tegelijk de minste tooling staat. Een gestructureerde kwalificatievraag of een gespreksuitnodiging die automatisch wordt ingepland kost minder capaciteit dan een extra filterlaag aan de voorkant, en gooit minder kandidaten weg.

Leg tot slot uw beslispunten vast. Wie beoordeelt, op welk moment, en op welke gronden kan een afwijzing worden teruggedraaid. Dat is straks een verplichting onder de AI Act, en het is nu al de enige manier om te controleren of uw proces doet wat u denkt dat het doet. Wie op dit moment een leverancier selecteert, kan die vraag meenemen in de vergelijking van aanbieders.

Conclusie

Het onderzoek dat theHRDIRECTOR beschrijft levert geen schandaal op, maar wel een ongemakkelijke bevestiging. Werkgevers weten dat hun AI-screening technische profielen bevoordeelt, en missen tegelijk precies de vaardigheden die zo'n filter niet ziet. De praktische winst zit niet in het afschaffen van AI in werving, maar in het verplaatsen ervan naar de fase waar gedrag zichtbaar wordt, en in het periodiek controleren van wat uw voorselectie wegstuurt. Dat laatste kunt u deze maand nog doen.